Data Laget Som Agentbasert Handel Ikke Kan Ignorere

AI-agenter har flyttet fra å være søkeassistent til å være selvstendige kjøpere. De største plattformene konkurrerer nå om å eie den transaksjonslaget, og Amazons siste trekk gjør det konkrete. Alexa for Shopping, bygget fra sammenslåingen av Rufus og Alexa+, sporer priser og husker kontekst over enheter. Deretter, med Auto-Buy, fullfører den et kjøp i det øyeblikket et produkt når målprisen, uten å måtte gjennomgå handlekurv eller manuell checkout.

Agentbasert handel er et marked som forventes å nå opp til 5 billioner dollar i global handelsvolum i 2030. Amazon er langt ifra alene i å prøve å skaffe seg en del av den sektoren – Google, OpenAI og Perplexity har alle flyttet aggressivt inn i agentbasert handel. Denne bevegelsen øker også forbrukernes komfort med AI som deltar i deres kjøpsbeslutninger, med AI-drevet trafikk til amerikanske nettbutikker øker 393% år-til-år i Q1 2026.

Forbrukeropplevelsen er lett å forstå. Det som er mindre synlig er infrastrukturen som gjør det mulig. Når en AI-agent handler selvstendig, stoler den fullstendig på produktdataene. Ingen menneske flagger feil variant eller feilklassifisert produkt. Det gjør data-laget til den viktigste delen av agentbasert handel.

Grunnlaget for Agentbasert Handel

Samtalen om agentbasert handel handler mest om agenten — modellen, grensesnittet eller opplevelsen. Men den virkelige avgjørende faktoren for suksess er ikke agenten selv, men data-laget som støtter e-handel.

Når en forbruker ber en agent om å bestille igjen vaskepulver eller kjøpe den billigste HDMI-kabelen som kan ankomme i morgen, ser transaksjonen enkel ut. Bak scenen må agenten imidlertid ta en rekke beslutninger. Den må identifisere det eksakte produktet som blir bedt om, verifisere produktets attributter og tilgjengelighet, sammenligne alternativer over flere plattformer og knytte kjøpet til riktig lager og leveringsnettverk.

I motsetning til en menneskelig shopper, kan en AI-agent ikke stole på intuition for å fylle hull eller løse inkonsistenser. Hver trinn i transaksjonen må drives av data som er strukturert og konsistent over systemene som er involvert. Hvis noen del av denne grunnlaget mangler eller er fragmentert, stopper ikke agenten for å undersøke. I stedet arbeider den med det den har og fullfører transaksjonen likevel, eller mislykkes i å fullføre transaksjonen helt og holder, og skaper dermed inkonsistente og ofte upålitelige brukeropplevelser.

Hvor Data-Grunnlaget Bryter Sammen

Ifølge Mirakl, møter mindre enn 1% av e-handelsproduktene nå minimumsstandardene for anbefaling av AI-agenter. Produktidentifikatorer varierer mellom leverandørssystemer og interne systemer, mens lagerstatus ligger etter virkeligheten. Plasseringsdata mangler også standardisering over leveringsnettverket.

Når mennesker er i løkken, er dårlig data håndterbar. En kjøper legger merke til feil variant, eller en lageransvarlig vet at lager-systemet er forsinket. Mennesker fyller hull fra erfaring; problemet er at en AI-agent ikke har noen slik instinkt. Den leser data den får og fullfører transaksjonen, eller mislykkes i å fullføre den helt og holder.

Når dataene er feil, er transaksjonen feil. En fullført kjøp av feil produkt, sendt til feil sted, til feil pris. Agenten utførte nøyaktig som designet, men dataene under var ikke det.

Identitetslaget Hver Agent Avhenger Av

Dårlig datakvalitet koster organisasjonene minst 12,9 millioner dollar i året i gjennomsnitt. Denne tallen kommer fra miljøer hvor mennesker fortsatt er i løkken. I agentbasert handel vokser denne tallen bare. Hver automatisert transaksjon agenten får feil, forsterker kostnadene.

Et par løpesko som er listet som “terrengløpere” på en plattform og “all-terreng-sko” på en annen, er samme produkt, men en AI-agent kan ikke bekrefte det uten en universell identifikator.

Det er det produktidentifikatoren som er innbygget i en UPC-strekkode hjelper å løse. Disse skannbare signalene kan bære en GTIN (Global Trade Item Number), som er en del av et globalt system av standarder som brukes av mer enn 2 millioner selskaper for å unikt identifisere produkter i den globale leveringskjeden. Skannbare GTIN gir produkter en enkelt, verifisert identitet over hver enkelt detaljist, lager og plattform som berører dem. Når en agent sammenligner priser på disse skoene over Amazon og Target, er det GTIN som bekrefter at det faktisk er samme produkt.

Standarder, som de fra GS1 US, gir et felles språk for å identifisere produkter, steder og enheter, det samme språket AI-agenter trenger for å kommunisere, koordinere og ta nøyaktige beslutninger. Når flere AI-agenter kommer inn i leveringskjeden — en som håndterer innkjøp, en annen som overvåker lager, en tredje som sporer logistikk — må de dele data over systemer bygget av forskjellige selskaper. Standardiserte identifikatorer gjør det mulig.

GTIN er en del av det bredere rammeverket. For AI-agenter er det felles språket det tilbyr forskjellen mellom en transaksjon som fullføres nøyaktig og en som ikke gjør det.

Ufullstendig produktdata har potensialet til å fjerne et produkt fra agentens valg helt. For mindre merker er det et eksistensielt synlighetsproblem.

Agent-Klar Data vs. Hva De Fleste Selskaper Har

Å komme til agent-klar data betyr å sikre at hvert produkt i en katalog har en verifisert, globalt unik identifikator. Det betyr at attributter er fullstendige og konsistente over hver enkelt system en handelspartner berører. Det betyr også at lager- og prisdata er synkronisert i sanntid, ikke oppdatert i batcher. Data bygget for menneskelig browsing møter ikke den standarden.

Å legge på mer AI på toppen av fragmentert data produserer raskere, mer selvbevisst feil svar. Grunnlaget må være riktig først.

Gartner forutser at mer enn 40% av agentbasert AI-prosjekter vil bli kansellert innen utgangen av 2027, med henvisning til økende kostnader, uklar avkastning og utilstrekkelige risikostyring. Data-infrastrukturkvalitet er en direkte innmatning til alle tre. Selskaper som bygger mot agentbasert handel uten å granske data-laget løser feil problem.

Hvor Detaljister og Merker Bør Starte

1. Gransker produktidentifikatorer over hver enkelt system. Hvert produkt i en katalog må ha en verifisert, globalt unik identifikator. Manglende eller dupliserte identifikatorer er den vanligste grunnen til at agenter hopper over produkter helt.
2. Standardiserer attributtnavn. Størrelse, vekt, variant og tilgjengelighet må bety samme ting over hver enkelt system en handelspartner berører. Inkonsistente navn er usynlige for mennesker og dødelige for agenter.
3. Synkroniserer data over handelspartnere i sanntid. De fleste selskaper oppdaterer lager og pris med forsinkelse — timevis, nattlig eller manuelt. En agent som utfører et kjøp venter ikke på neste oppdatering.
4. Behandler data-klarhet som en forutsetning for enhver agentbasert AI-investering. Selskaper som bygger mot agentbasert handel uten å granske data-laget løser feil problem. Husk at agenten er den siste ting å optimalisere; data-grunnlaget må være først.

De detaljister og merker som investerer i den grunnlaget nå, vil bli mer synlige og transaktionsklare for agentene som tar kjøpsbeslutninger på forbrukernes vegne. De som venter, vil konkurrere om synlighet i et system som aldri var bygget for å finne dem. Agenten er den synlige delen. Den viktigste spørsmålet er om dataene under er klare.