De Datalaag Die Agentic Commerce Niet Kan Ignoreren

AI-agents hebben de overstap gemaakt van zoekassistenten naar autonome kopers. De grootste platforms racen nu om dat transactieniveau te bezitten, en Amazon’s laatste stap maakt dat concreet. Alexa voor Shopping, gebouwd uit de fusie van Rufus en Alexa+, volgt prijzen en onthoudt context over apparaten heen. Vervolgens voltooit het met Auto-Buy een aankoop op het moment dat een product een doelprijs bereikt, zonder dat er een winkelwagenoverzicht of handmatige checkout nodig is.

Agentic shopping is een markt die naar verwachting een omvang van $5 biljoen in wereldwijde handel tegen 2030. Amazon is zeker niet de enige die probeert een deel van die sector af te snoepen – Google, OpenAI en Perplexity hebben allemaal agressief ingezet op agentic shopping. Die beweging zorgt er ook voor dat consumenten zich meer op hun gemak voelen bij de deelname van AI aan hun aankoopbeslissingen, met AI-gedreven verkeer naar Amerikaanse retail-sites dat 393% jaar-op-jaar in Q1 2026.

De consumentenervaring is gemakkelijk te begrijpen. Minder zichtbaar is de infrastructuur die het mogelijk maakt. Wanneer een AI-agent autonoom transacties uitvoert, vertrouwt hij volledig op de productgegevens. Geen mens markeert de verkeerde variant of het verkeerd geclassificeerde product. Dat maakt de datalaag het meest consequente deel van agentic commerce.

De Basis voor Agentic Commerce

Het gesprek over agentic commerce gaat meestal over de agent — het model, de interface of de ervaring. Maar de echte bepalende factor voor succes is niet de agent zelf, maar de datalaag die e-commerce ondersteunt.

Wanneer een consument een agent vraagt om wasmiddel opnieuw te bestellen of de goedkoopste HDMI-kabel te kopen die de volgende dag kan arriveren, lijkt de transactie eenvoudig. Achter de schermen moet de agent echter een reeks beslissingen nemen. Hij moet het exacte product identificeren dat wordt aangevraagd, de attributen en beschikbaarheid van dat product verifiëren, opties vergelijken over meerdere platforms, en de aankoop koppelen aan het juiste voorraad- en distributienetwerk.

In tegenstelling tot een menselijke shopper, kan een AI-agent niet vertrouwen op intuïtie om gaten te vullen of inconsistenties op te lossen. Elke stap in de transactie moet worden gevoed door gegevens die gestructureerd en consistent zijn over de betrokken systemen heen. Als een deel van die basis ontbreekt of gefragmenteerd is, pauzeert de agent niet om te onderzoeken. In plaats daarvan werkt hij met wat hij heeft en voert hij de transactie uit, of faalt hij erin de transactie helemaal te voltooien, waardoor onconsistent en vaak onbetrouwbaar gebruikerservaringen ontstaan.

Waar de Datavisie Faalt

Volgens Mirakl, voldoen minder dan 1% van de e-commerceproductpagina’s momenteel aan de minimumeisen voor aanbeveling door AI-agents. Productidentificatoren verschillen tussen leverancierssystemen en interne systemen, terwijl de voorraadstatus achterloopt op de realiteit. Locatiegegevens ontbreken ook aan standaardisatie over het distributienetwerk heen.

Wanneer mensen in de lus zitten, is slechte gegevensbeheer beheersbaar. Een koper merkt de verkeerde variant op, of een magazijnbeheerder weet dat het voorraadsysteem achterloopt. Mensen vullen de gaten op uit ervaring; het probleem is dat een AI-agent geen dergelijke intuïtie heeft. Hij leest de gegevens die hij krijgt en voert de transactie uit, of faalt hij erin de transactie helemaal te voltooien.

Wanneer de gegevens verkeerd zijn, is de transactie verkeerd. Een voltooide aankoop van het verkeerde product, gerouteerd naar de verkeerde locatie, tegen de verkeerde prijs. De agent heeft exact zoals ontworpen gefunctioneerd, maar de gegevens eronder waren niet goed.

De Identiteitslaag Waar elke Agent Van Afhankelijk is

Slechte gegevenskwaliteit kost organisaties gemiddeld $12,9 miljoen per jaar. Dat bedrag komt uit omgevingen waarin mensen nog steeds in de lus zitten. In agentic commerce groeit dat aantal alleen maar. Elke geautomatiseerde transactie die de agent verkeerd uitvoert, verhoogt de kosten.

Een paar hardloopschoenen die op één platform worden gelabeld als “trailrunners” en op een ander platform als “all-terrain-sneakers” zijn hetzelfde product, maar een AI-agent kan dat niet bevestigen zonder een universele identificator.

Dat is wat de productidentificator die in een UPC-balkode is ingebed, helpt op te lossen. Deze scannable signalen kunnen een GTIN (Global Trade Item Number) dragen, die deel uitmaken van een wereldwijd systeem van standaarden dat door meer dan 2 miljoen bedrijven wordt gebruikt om producten uniek te identificeren in de wereldwijde toeleveringsketen. Scannable GTIN’s geven producten een enkele, geverifieerde identiteit over elke retailer, magazijn en platform heen die ze aanraakt. Wanneer een agent prijzen voor die schoenen over Amazon en Target vergelijkt, is het de GTIN die bevestigt dat het eigenlijk hetzelfde product is.

Standaarden, zoals die van GS1 US, bieden een gemeenschappelijke taal voor het identificeren van producten, locaties en entiteiten, dezelfde taal die AI-agents nodig hebben om te communiceren, te coördineren en accurate beslissingen te nemen. Naarmate meer AI-agents de toeleveringsketen betreden — één die inkoop beheert, een andere die voorraad bewaakt, een derde die logistiek volgt — moeten ze gegevens delen over systemen die door verschillende bedrijven zijn gebouwd. Gesteunde identificatoren maken dat mogelijk.

GTIN’s zijn onderdeel van dat bredere kader. Voor AI-agents is de gemeenschappelijke taal die ze bieden het verschil tussen een transactie die nauwkeurig wordt voltooid en een die dat niet is.

Onvolledige productgegevens hebben het potentieel om een product helemaal uit de overweging van de agent te verwijderen. Voor kleinere merken is dat een existentieel zichtbaarheidsprobleem.

Agent-Klaar Gegevens vs. Wat de Meeste Bedrijven Hebben

Het bereiken van agent-klaar gegevens betekent dat elke product in een catalogus een geverifieerde, wereldwijd unieke identificator moet hebben. Het betekent dat attributen compleet en consistent moeten zijn over elk systeem dat een handelspartner aanraakt. Het betekent ook dat voorraad- en prijsgegevens in real-time moeten worden gesynchroniseerd, niet in batches. Gegevens die zijn gebouwd voor menselijke browse-ervaring voldoen niet aan die lat.

Het toevoegen van meer AI aan gefragmenteerde gegevens produceert snellere, meer vertrouwelijke verkeerde antwoorden. De basis moet eerst goed zijn.

Gartner voorspelt dat meer dan 40% van de agentic AI-projecten tegen 2027 zal worden geannuleerd, met als reden de stijgende kosten, onduidelijke ROI en onvoldoende risicobeheersing. De kwaliteit van de gegevensinfrastructuur is een directe invoer voor alle drie. Bedrijven die werken aan agentic commerce zonder de datalaag te controleren, lossen het verkeerde probleem op.

Waar Detailhandelaren en Merken Moeten Beginnen

1. Controleer productidentificatoren over elk systeem. Elk product in een catalogus moet een geverifieerde, wereldwijd unieke identificator hebben. Ontbrekende of gedupliceerde identificatoren zijn de meest voorkomende reden waarom agents producten helemaal overslaan.
2. Standaardiseer attribuutlabels. Grootte, gewicht, variant en beschikbaarheid moeten overal hetzelfde betekenen op elk systeem dat een handelspartner aanraakt. Inconsistent labelen is onzichtbaar voor mensen en dodelijk voor agents.
3. Synchroniseer gegevens over handelspartners in real-time. De meeste bedrijven updaten voorraad- en prijsgegevens met vertraging — elk uur, ‘s nachts of handmatig. Een agent die een aankoop uitvoert, wacht niet op de volgende update.
4. Behandel gegevensgereedheid als een vereiste voor elke agentic AI-investering. Bedrijven die werken aan agentic commerce zonder de datalaag te controleren, lossen het verkeerde probleem op. Onthoud dat de agent het laatste is dat moet worden geoptimaliseerd; de datavisie moet eerst worden opgebouwd.

De detailhandelaren en merken die nu investeren in die basis, zullen beter vindbaar en transactiebaar zijn voor de agents die aankoopbeslissingen nemen namens consumenten. Diegenen die wachten, zullen concurreren om zichtbaarheid in een systeem dat nooit is gebouwd om hen te vinden. De agent is het zichtbare deel. De belangrijkere vraag is of de gegevens eronder gereed zijn.