Warstwa danych, której handel agentywny nie może zignorować

Agenci AI przeszli od asystentów wyszukiwania do autonomicznych kupujących. Największe platformy teraz rywalizują o to, by posiadać warstwę transakcyjną, a najnowszy ruch Amazon to udowadnia. Alexa for Shopping, zbudowana z połączenia Rufusa i Alexa+, śledzi ceny i pamięta kontekst na różnych urządzeniach. Następnie, za pomocą Auto-Buy, kończy zakup w momencie, gdy produkt osiąga docelowy cenę, bez przeglądu koszyka ani ręcznego potwierdzenia.

Handel agentywny to rynek, który ma sięgnąć 5 bilionów dolarów w globalnym handlu do 2030 roku. Amazon nie jest jedynym, który próbuje wykroić dla siebie część tego sektora – Google, OpenAI i Perplexity również agresywnie weszły w handel agentywny. Ten trend zwiększa również komfort konsumentów z udziałem AI w podejmowaniu decyzji zakupowych, przy czym ruch generowany przez AI na stronach detalicznych w Stanach Zjednoczonych wzrósł o 393% w ciągu roku w Q1 2026.

Doświadczenie konsumenta jest łatwe do zrozumienia. Mniej widoczna jest infrastruktura, która to umożliwia. Gdy agent AI transakcji autonomicznie, całkowicie ufa danych produktowych. Żaden człowiek nie oznacza błędnej wersji lub niewłaściwie sklasyfikowanego produktu. To sprawia, że warstwa danych jest najważniejszą częścią handlu agentywnego.

Podstawa handlu agentywnego

Rozmowa o handlu agentywnym dotyczy głównie agenta — modelu, interfejsu lub doświadczenia. Ale prawdziwym determinantem sukcesu nie jest sam agent, lecz warstwa danych wspierająca handel elektroniczny.

Gdy konsument prosi agenta o ponowne zamówienie detergentu do prania lub kupienie najtańszego kabla HDMI, który może przyjść jutro, transakcja wydaje się prosta. Za kulisami jednak agent musi podjąć szereg decyzji. Musi zidentyfikować dokładnie produkt, zweryfikować atrybuty i dostępność produktu, porównać opcje na różnych platformach i połączyć zakup z odpowiednią siecią zapasów i realizacji.

W przeciwieństwie do ludzkiego kupującego, agent AI nie może polegać na intuicji, aby wypełnić luki lub rozwiązać nieścisłości. Każdy krok w transakcji musi być napędzany danymi, które są uporządkowane i spójne w systemach zaangażowanych. Jeśli jakakolwiek część tej podstawy jest nieobecna lub fragmentaryczna, agent nie zawiesza się, aby to zbadać. Zamiast tego pracuje z tym, co ma, i transakcji tak, lub nie kończy transakcji w ogóle, tworząc niespójne i często niewiarygodne doświadczenia użytkownika.

Gdzie podstawa danych ulega awarii

Według Mirakl, mniej niż 1% stron produktowych handlu elektronicznego obecnie spełnia minimalne standardy dla rekomendacji przez agenci AI. Identyfikatory produktów różnią się między systemami dostawców a systemami wewnętrznymi, podczas gdy stan zapasów pozostaje w tyle za rzeczywistością. Dane lokalizacyjne również brakuje standaryzacji w sieci realizacji.

Gdy ludzie są w pętli, złe dane są zarządzalne. Kupujący zauważa błędną wersję, lub menedżer magazynu wie, że system zapasów jest opóźniony. Ludzie wypełniają luki dzięki doświadczeniu; problem polega na tym, że agent AI nie ma takiej intuicji. Czyta dane, które otrzymuje, i kończy transakcję, lub nie kończy transakcji w ogóle.

Gdy dane są złe, transakcja jest zła. Ukończony zakup niewłaściwego produktu, skierowany do niewłaściwej lokalizacji, po niewłaściwej cenie. Agent działał dokładnie tak, jak został zaprojektowany, to dane pod spodem nie były gotowe.

Warstwa tożsamości, na której każdy agent polega

Niska jakość danych kosztuje organizacje co najmniej 12,9 miliona dolarów rocznie średnio. Ta kwota pochodzi ze środowisk, w których ludzie są nadal w pętli. W handlu agentywnym ta liczba rośnie tylko. Każda zautomatyzowana transakcja, którą agent wykonuje niepoprawnie, powiększa koszt.

Para butów biegowych oznaczona jako “biegacze terenowe” na jednej platformie i “buty terenowe” na innej to ten sam produkt, ale agent AI nie może potwierdzić tego bez uniwersalnego identyfikatora.

To właśnie identyfikator produktu osadzony w kodzie kreskowym UPC pomaga rozwiązać. Te sygnały skanowalne mogą przenosić GTIN (Globalny Numer Handlowy), który jest częścią globalnego systemu standardów używanych przez ponad 2 miliony firm do unikalnej identyfikacji produktów w globalnym łańcuchu dostaw. Skanowalne GTIN-y dają produktom jedną, zweryfikowaną tożsamość we wszystkich detalistach, magazynach i platformach, które ich dotykają. Gdy agent porównuje ceny tych butów na Amazon i Target, GTIN jest tym, co potwierdza, że są to takie same produkty.

Standardy, takie jak te od GS1 US, zapewniają wspólny język do identyfikacji produktów, lokalizacji i podmiotów, ten sam język, którego agenci AI potrzebują do komunikacji, koordynacji i podejmowania dokładnych decyzji. Im więcej agentów AI wchodzi do łańcucha dostaw — jeden zarządzający zakupami, inny monitorujący zapasy, trzeci śledzący logistykę — muszą one dzielić dane między systemami zbudowanymi przez różne firmy. Zstandaryzowane identyfikatory to umożliwiają.

GTIN-y są częścią tego szerszego ramy. Dla agentów AI wspólny język, który one zapewniają, jest różnicą między transakcją, która kończy się dokładnie, a taką, która nie kończy się.

Niewłaściwe dane produktowe mają potencjał usunąć produkt z zestawu rozważań agenta całkowicie. Dla mniejszych marek to problem widoczności egzystencjalnej.

Dane gotowe do agenta vs. to, co mają większość firm

Przejdzie do danych gotowych do agenta, co oznacza upewnienie się, że każdy produkt w katalogu ma zweryfikowany, globalnie unikalny identyfikator. Oznacza to, że atrybuty są kompletne i spójne we wszystkich systemach, których dotyka partner handlowy. Oznacza to również, że dane zapasów i cen są zsynchronizowane w czasie rzeczywistym, a nie aktualizowane partiami. Dane zbudowane dla przeglądania ludzkiego nie spełniają tego poziomu.

Nakładanie więcej AI na fragmentaryzowane dane powoduje szybsze, bardziej pewne błędne odpowiedzi. Podstawa musi być najpierw prawidłowa.

Gartner przewiduje, że ponad 40% projektów AI agentywnych zostanie anulowanych do 2027 roku, powołując się na rosnące koszty, niejasne ROI i niewystarczające kontrole ryzyka. Jakość infrastruktury danych jest bezpośrednim wejściem do wszystkich trzech. Firmy budujące w kierunku handlu agentywnego bez audytu warstwy danych rozwiązują niewłaściwy problem.

Gdzie detaliści i marki powinny zacząć

1. Przeprowadź audyt identyfikatorów produktów we wszystkich systemach. Każdy produkt w katalogu potrzebuje zweryfikowanego, globalnie unikalnego identyfikatora. Brakujące lub zduplikowane identyfikatory są najczęstszym powodem, dla którego agenci pomijają produkty całkowicie.
2. Standaryzuj etykietowanie atrybutów. Rozmiar, waga, wariant i dostępność muszą oznaczać to samo we wszystkich systemach, których dotyka partner handlowy. Niespójne etykietowanie jest niewidoczne dla ludzi i śmiertelne dla agentów.
3. Synchronizuj dane między partnerami handlowymi w czasie rzeczywistym. Większość firm aktualizuje zapasy i ceny z opóźnieniem — godzinami, nocami lub ręcznie. Agent wykonujący zakup nie czeka na następną aktualizację.
4. Traktuj gotowość danych jako warunek wstępny dla każdej inwestycji w AI agentywny. Firmy budujące w kierunku handlu agentywnego bez audytu warstwy danych rozwiązują niewłaściwy problem. Pamiętaj, że agent jest ostatnią rzeczą do optymalizacji; podstawa danych musi być najpierw.

Detaliści i marki, które zainwestują w tę podstawę teraz, będą bardziej widoczne i transakcyjne dla agentów podejmujących decyzje zakupowe w imieniu konsumentów. Ci, którzy czekają, będą rywalizować o widoczność w systemie, który nie został zbudowany, aby ich znaleźć. Agent jest widoczną częścią. Ważniejsze pytanie brzmi, czy dane pod spodem są gotowe.