Det Data Lag, Der Agentic Commerce Ikke Kan Ignorere

AI-agenter har bevæget sig fra at være søgeassistent til selvstændige købere. De største platforme løber nu for at eje den transaktionslag, og Amazons seneste træk gør det konkreter. Alexa for Shopping, bygget fra fusionen af Rufus og Alexa+, sporer priser og husker kontekst på tværs af enheder. Derefter, med Auto-Buy, gennemfører den en køb i det øjeblik, et produkt rammer en målpris, uden kurv-gennemgang eller manuel afslutning.

Agentic shopping er et marked, der forventes at nå op til 5 billioner dollars i global handel i 2030. Amazon er langt fra alene i at prøve at skære en bid af den sektor – Google, OpenAI og Perplexity har alle flyttet aggressivt ind i agentic shopping. Det pres er også øget forbrugernes komfort med, at AI deltager i deres købsbeslutninger, med AI-drevet trafik til amerikanske detailhandelswebsteder stiger 393% år-til-år i Q1 2026.

Forbrugeroplevelsen er let at forstå. Det, der er mindre synligt, er infrastrukturen, der gør det muligt. Når en AI-agent handler selvstændigt, stoler den fuldt på produktdata. Ingen menneske markerer den forkerte variant eller den mis klassificerede produkt. Det gør data-laget til den mest konsekvensfulde del af agentic commerce.

Grundlaget For Agentic Commerce

Diskussionen om agentic commerce handler mest om agenten — modellen, grænsefladen eller oplevelsen. Men den virkelige bestemmende faktor for succes er ikke agenten selv, det er data-laget, der understøtter e-commerce.

Når en forbruger beder en agent om at bestille vaskepulver eller købe den billigste HDMI-kabel, der kan ankomme i morgen, ser transaktionen ud til at være enkel. Men bag scenen skal agenten træffe en række beslutninger. Den skal identificere det præcise produkt, der anmodes, verificere produktets attributter og tilgængelighed, sammenligne muligheder på tværs af multiple platforme og tilknytte købet til det rette lager og leveringsnetværk.

I modsætning til en menneskelig shopper kan en AI-agent ikke stole på intuition til at udfylde huller eller løse inkonsistenser. Hver trin i transaktionen skal være drevet af data, der er struktureret og konsistent på tværs af de involverede systemer. Hvis nogen del af den grundlag mangler eller er fragmenteret, pauserer agenten ikke for at undersøge. I stedet arbejder den med, hvad den har, og gennemfører transaktionen alligevel, eller mislykkes med at gennemføre transaktionen overhovedet, og skaber inkonsistente og ofte upålidelige brugeroplevelser.

Hvor Data-Grundlaget Bryder Sammen

Ifølge Mirakl, opfylder mindre end 1% af e-commerce-produkt-sider i øjeblikket de minimale standarder for anbefaling af AI-agenter. Produkt-identifikatorer varierer mellem leverandør-systemer og interne systemer, mens lagerstatus er efter reality. Placering-data mangler også standardisering på tværs af leveringsnetværket.

Når mennesker er i løkken, er dårlig data håndterbart. En køber lægger mærke til den forkerte variant, eller en lagerleder ved, at lager-systemet er bagud. Mennesker udfylder hullerne fra erfaring; problemet er, at en AI-agent ikke har nogen sådan instinkt. Den læser data, den får, og gennemfører transaktionen, eller mislykkes med at gennemføre den overhovedet.

Når data er forkert, er transaktionen forkert. En gennemført køb af det forkerte produkt, routeret til det forkerte sted, til den forkerte pris. Agenten udførte præcis, som den var designet til, men data-underlaget var ikke det.

Identitetslaget, Hver Agent Afhænger Af

Dårlig datakvalitet koster organisationer mindst 12,9 millioner dollars om året i gennemsnit. Denne cifre kommer fra miljøer, hvor mennesker stadig er i løkken. I agentic commerce vokser denne cifre kun. Hver automatiseret transaktion, agenten får forkert, forøger omkostningerne.

Et par løbesko, der er opført som “terrænløbesko” på en platform og “alle-terræn-sneakers” på en anden, er det samme produkt, men en AI-agent kan ikke bekræfte det uden en universel identifikator.

Det er, hvad produkt-identifikatoren, der er indbygget i en UPC-stregkode, hjælper med at løse. Disse scannable signaler kan bære en GTIN (Global Trade Item Number), som er en del af et globalt system af standarder, der bruges af mere end 2 millioner virksomheder til at unikt identificere produkter i den globale forsyningskæde. Scannable GTIN’er giver produkter en enkelt, verificeret identitet på tværs af hver enkelt detailhandler, lager og platform, der berører dem. Når en agent sammenligner priser på disse sko på tværs af Amazon og Target, er det GTIN, der bekræfter, at det faktisk er det samme produkt.

Standarder, som dem fra GS1 US, giver en fælles sprog for at identificere produkter, placeringer og enheder, det samme sprog, AI-agenter har brug for til at kommunikere, koordinere og træffe præcise beslutninger. Når flere AI-agenter kommer ind i forsyningskæden — en, der håndterer indkøb, en anden, der overvåger lager, en tredje, der sporer logistik — har de brug for at dele data på tværs af systemer bygget af forskellige virksomheder. Standardiserede identifikatorer gør det muligt.

GTIN’er er en del af det bredere rammeværk. For AI-agenter er den fælles sprog, de giver, forskellen mellem en transaktion, der gennemføres præcist, og en, der ikke gør.

Ufuldstændig produktdata har potentialet til at fjerne et produkt fra agentens overvejelsessæt helt. For mindre mærker er det et eksistentielt synlighedsproblem.

Agent-Klar Data Vs. Hvad De Fleste Virksomheder Har

At komme til agent-klar data betyder, at sikre, at hvert produkt i en katalog har en verificeret, globalt unik identifikator. Det betyder, at attributter er komplette og konsistente på tværs af hvert system, en handelspartner berører. Det betyder også, at lager- og prisdatabehandling er synkroniseret i realtid, ikke opdateret i batcher. Data bygget til menneskelig gennemlæsning opfylder ikke den standard.

At lagre mere AI på toppen af fragmenteret data producerer hurtigere, mere selvbevidst forkerte svar. Grundlaget skal være rigtigt først.

Gartner forudser, at mere end 40% af agentic AI-projekter vil blive annulleret inden udgangen af 2027, med henvisning til stigende omkostninger, uklar ROI og utilstrækkelige risikokontroller. Data-infrastrukturkvalitet er en direkte input til alle tre. Virksomheder, der bygger mod agentic commerce uden at auditere data-laget, løser det forkerte problem.

Hvor Detailhandlere Og Mærker Skal Starte

1. Auditér produkt-identifikatorer på tværs af hvert system. Hvert produkt i en katalog skal have en verificeret, globalt unik identifikator. Manglende eller duplikerede identifikatorer er den mest almindelige grund til, at agenter springer produkter over.
2. Standardiser attribut-mærkning. Størrelse, vægt, variant og tilgængelighed skal betyde det samme på tværs af hvert system, en handelspartner berører. Inkonsistent mærkning er usynlig for mennesker og dødbringende for agenter.
3. Synkroniser data på tværs af handelspartnere i realtid. De fleste virksomheder opdaterer lager- og prisdatabehandling med forsinkelse — timevis, natlig eller manuelt. En agent, der udfører et køb, venter ikke på den næste opdatering.
4. Behandle data-klarhed som en forudsætning for enhver agentic AI-investering. Virksomheder, der bygger mod agentic commerce uden at auditere data-laget, løser det forkerte problem. Husk, at agenten er det sidste, der skal optimeres; data-grundlaget skal være først.

De detailhandlere og mærker, der investerer i den grundlag nu, vil være mere synlige og transaktionsklare for agenterne, der tager købsbeslutninger på forbrugernes vegne. De, der venter, vil konkurrere om synlighed i et system, der aldrig var bygget til at finde dem. Agenten er den synlige del. Det vigtigste spørgsmål er, om data-underlaget er klar.