Слой данных, который коммерция с агентами не может игнорировать

Искусственные интеллект-агенты перешли от поисковых помощников к автономным покупателям. Крупнейшие платформы теперь соревнуются за владение слоем транзакций, и последний шаг Amazon делает это конкретным. Alexa для шопинга, созданная на основе слияния Rufus и Alexa+, отслеживает цены и запоминает контекст на разных устройствах. Затем, с помощью Auto-Buy, она завершает покупку в момент, когда продукт достигает целевой цены, без необходимости просмотра корзины или ручной оплаты.

Коммерция с агентами – это рынок, который, как ожидается, достигнет более $5 триллионов в глобальном коммерческом объеме к 2030 году. Amazon далеко не единственная, кто пытается занять часть этого сектора – Google, OpenAI и Perplexity также активно вошли в коммерцию с агентами. Этот толчок также увеличивает комфорт потребителей с участием ИИ в их процессах принятия решений о покупке, с трафиком, управляемым ИИ, на американских розничных сайтах, который вырос на 393% год к году в первом квартале 2026 года.

Потребительский опыт легко понять. Менее заметна инфраструктура, которая делает это возможным. Когда ИИ-агент совершает транзакцию автономно, он полностью доверяет данным о продукте. Никакой человек не помечает неправильную вариацию или неправильно классифицированный продукт. Это делает слой данных наиболее важной частью коммерции с агентами.

Основы коммерции с агентами

Разговор о коммерции с агентами в основном о агенте – модели, интерфейсе или опыте. Но настоящий определитель успеха не является самим агентом, а слоем данных, поддерживающим электронную коммерцию.

Когда потребитель просит агента повторно заказать стиральный порошок или купить самый дешевый HDMI-кабель, который может прибыть завтра, транзакция кажется простой. Однако за кулисами агент должен принять ряд решений. Ему необходимо определить точный продукт, запрошенный потребителем, подтвердить атрибуты продукта и его доступность, сравнить варианты на разных платформах и связать покупку с правильным запасом и сетью доставки.

В отличие от человеческого покупателя, ИИ-агент не может полагаться на интуицию, чтобы заполнить пробелы или устранить несоответствия. Каждый шаг в транзакции должен быть обусловлен данными, которые структурированы и последовательны во всех участвующих системах. Если какая-либо часть этой основы отсутствует или фрагментирована, агент не приостанавливается, чтобы расследовать. Вместо этого он работает с тем, что у него есть, и совершает транзакцию, или не завершает транзакцию вообще, создавая несоответствующие и часто ненадежные пользовательские trải nghiệm.

Где основа данных разрушается

Согласно Mirakl, менее 1% страниц продуктов электронной коммерции в настоящее время соответствуют минимальным стандартам для рекомендаций ИИ-агентами. Идентификаторы продуктов различаются между системами поставщиков и внутренними системами, а статус запаса отстает от реальности. Данные о местоположении также лишены стандартизации во всей сети доставки.

Когда люди находятся в цикле, плохие данные управляемы. Покупатель замечает неправильную вариацию, или менеджер склада знает, что система запаса отстает. Люди заполняют пробелы из опыта; проблема заключается в том, что ИИ-агент не имеет такого инстинкта. Он читает данные, которые ему даны, и совершает транзакцию, или не завершает транзакцию вообще.

Когда данные неверны, транзакция неверна. Завершенная покупка неправильного продукта, направленная в неправильное место, по неправильной цене. Агент выполнил точно так, как был спроектирован, но данные под ним не были.

Слой идентификации, на который каждый агент полагается

Плохое качество данных обходится организациям как минимум в $12,9 миллиона в год в среднем. Эта цифра исходит из сред, где люди все еще находятся в цикле. В коммерции с агентами эта цифра только растет. Каждая автоматизированная транзакция, которую агент совершает неправильно, увеличивает стоимость.

Пара беговых кроссовок, перечисленных как “трейл-раннеры” на одной платформе и “всетеррашные кроссовки” на другой, – это один и тот же продукт, но ИИ-агент не может подтвердить это без универсального идентификатора.

Это то, что помогает решить идентификатор продукта, встроенный в штрих-код UPC. Эти сканируемые сигналы могут нести GTIN (Глобальный торговый номер артикула), который является частью глобальной системы стандартов, используемой более чем 2 миллионами компаний для уникальной идентификации продуктов в глобальной цепочке поставок. Сканируемые GTIN дают продуктам единую, подтвержденную идентичность во всех розничных, складских и платформах, которые к ним обращаются. Когда агент сравнивает цены на эти кроссовки на Amazon и Target, GTIN – это то, что подтверждает, что это действительно один и тот же продукт.

Стандарты, такие как те, которые предоставляет GS1 US, обеспечивают общий язык для идентификации продуктов, мест и сущностей, тот же язык, который ИИ-агенты нуждаются для общения, координации и принятия точных решений. По мере того, как все больше ИИ-агентов входят в цепочку поставок – один управляет закупками, другой отслеживает запас, третий отслеживает логистику – им необходимо обмениваться данными между системами, построенными разными компаниями. Стандартизированные идентификаторы делают это возможным.

GTIN является частью этой более широкой основы. Для ИИ-агентов общий язык, который они предоставляют, – это разница между транзакцией, которая завершается точно, и той, которая не завершается.

Неполные данные о продукте могут удалить продукт из набора рассмотрения агента вообще. Для более мелких брендов это проблема существования.

Данные, готовые для агентов, против того, что имеют большинство компаний

Получение данных, готовых для агентов, означает обеспечение того, чтобы каждый продукт в каталоге имел подтвержденный, глобально уникальный идентификатор. Это означает, что атрибуты полны и последовательны во всех системах, которые касаются партнера по торговле. Это также означает, что данные о запасе и ценах синхронизированы в режиме реального времени, а не обновляются пакетами. Данные, построенные для просмотра человеком, не соответствуют этому стандарту.

Наложение большего количества ИИ на фрагментированные данные производит более быстрые и более уверенные неправильные ответы. Основу необходимо сделать правильной сначала.

Gartner прогнозирует, что более 40% проектов ИИ-агентов будут отменены к 2027 году, ссылаясь на растущие затраты, неясную отдачу от инвестиций и недостаточные меры контроля риска. Качество инфраструктуры данных является прямым входом для всех трех. Компании, строящие коммерцию с агентами без аудита слоя данных, решают неправильную проблему.

Где ритейлеры и бренды должны начать

1. Провести аудит идентификаторов продуктов во всех системах. Каждый продукт в каталоге должен иметь подтвержденный, глобально уникальный идентификатор. Отсутствующие или дублированные идентификаторы – это наиболее распространенная причина, по которой агенты пропускают продукты вообще.
2. Стандартизировать маркировку атрибутов. Размер, вес, вариация и доступность должны означать одно и то же во всех системах, которые касаются партнера по торговле. Несоответствующая маркировка невидима для людей и смертельна для агентов.
3. Синхронизировать данные между партнерами по торговле в режиме реального времени. Большинство компаний обновляют запас и цену с задержкой – часами, ночью или вручную. Агент, выполняющий покупку, не ждет следующего обновления.
4. Относиться к готовности данных как к предварительному условию для любой инвестиции в ИИ-агенты. Компании, строящие коммерцию с агентами без аудита слоя данных, решают неправильную проблему. Помните, что агент – это последнее, что необходимо оптимизировать; основу данных необходимо сделать первой.

Ритейлеры и бренды, которые инвестируют в эту основу сейчас, будут более открытыми и транзакционными для агентов, принимающих решения о покупке от имени потребителей. Те, кто ждет, будут конкурировать за видимость в системе, которая никогда не была построена для их обнаружения. Агент – это видимая часть. Более важный вопрос заключается в том, готов ли слой данных под ним.