Den datalager som agentic handel inte kan ignorera

AI-agenter har gått från att vara sökhjälpmedel till att bli självständiga köpare. De största plattformarna tävlar nu om att äga den transaktionslagret, och Amazons senaste drag gör det konkret. Alexa för shopping, byggt från sammanslagningen av Rufus och Alexa+, spårar priser och minns sammanhang över enheter. Sedan, med Auto-Buy, slutför den ett köp så fort en produkt når en målpris, utan att en varukorgsgranskning eller manuell utcheckning krävs.

Agentic shopping är en marknad som förväntas nå upp till 5 biljoner dollar i global handelsvolym år 2030. Amazon är långt ifrån ensam om att försöka skära ut en bit av den sektorn – Google, OpenAI och Perplexity har alla flyttat aggressivt in i agentic shopping. Det ökade trycket är också ökande konsumenternas komfort med AI som deltar i deras köpbeslut, med AI-drivna trafik till amerikanska detaljhandelswebbplatser som ökar 393% år över år under Q1 2026.

Konsumentupplevelsen är lätt att förstå. Vad som är mindre synligt är infrastrukturen som gör det möjligt. När en AI-agent transaktionerar självständigt, litar den fullständigt på produktdata. Ingen människa flaggar för fel variant eller felklassificerad produkt. Det gör datalagret till den mest konsekventa delen av agentic handel.

Grunden för agentic handel

Samtalet om agentic handel handlar mest om agenten – modellen, gränssnittet eller upplevelsen. Men den verkliga bestämningsfaktorn för framgång är inte agenten själv, utan datalagret som stöder e-handel.

När en konsument ber en agent att beställa om tvättmedel eller köpa den billigaste HDMI-kabeln som kan anlända imorgon, verkar transaktionen enkel. Bakom kulisserna måste dock agenten fatta en serie beslut. Den måste identifiera den exakta produkten som begärs, verifiera produktens attribut och tillgänglighet, jämföra alternativ över flera plattformar och ansluta köpet till rätt lager och leveransnätverk.

Till skillnad från en mänsklig shopper kan en AI-agent inte lita på intuition för att fylla i luckor eller lösa inkonsekvenser. Varje steg i transaktionen måste drivas av data som är strukturerat och konsekvent över de system som är inblandade. Om någon del av den grunden saknas eller är fragmenterad, pausar agenten inte för att undersöka. Istället arbetar den med vad den har och transaktionerar ändå, eller misslyckas med att slutföra transaktionen helt och hållet, vilket skapar inkonsekventa och ofta opålitliga användarupplevelser.

Där datagrunden bryter samman

Enligt Mirakl, uppfyller mindre än 1% av e-handelsproduktssidorna för närvarande de minimikrav som krävs för rekommendation av AI-agenter. Produktidentifierare varierar mellan leverantörssystem och interna system, medan lagerstatus ligger efter verkligheten. Platsdata saknar också standardisering över leveransnätverket.

När människor är inblandade är dålig data hanterbar. En köpare lägger märke till fel variant, eller en lagerchef vet att lagersystemet ligger efter. Människor fyller i luckorna från erfarenhet; problemet är att en AI-agent saknar sådan instinkt. Den läser den data den får och slutför transaktionen, eller misslyckas med att slutföra den helt och hållet.

När datan är fel, är transaktionen fel. En slutförd köp av fel produkt, dirigerad till fel plats, till fel pris. Agenten utförde exakt som den var utformad, men datan under den var inte rätt.

Identitetslagret som varje agent är beroende av

Dålig datakvalitet kostar organisationer minst 12,9 miljoner dollar per år i genomsnitt. Den siffran kommer från miljöer där människor fortfarande är inblandade. I agentic handel växer den siffran ännu mer. Varje automatiserad transaktion som agenten får fel förvärrar kostnaden.

Ett par löparskor som listas som “terränglöpare” på en plattform och “all-terrängsneakers” på en annan är samma produkt, men en AI-agent kan inte bekräfta det utan en universell identifierare.

Det är vad produktidentifieraren som är inbäddad i en UPC-streckkod hjälper till att lösa. Dessa skannbara signaler kan bära en GTIN (Global Trade Item Number), som är en del av ett globalt system av standarder som används av mer än 2 miljoner företag för att unikt identifiera produkter i den globala leveranskedjan. Skannbara GTIN ger produkter en enda, verifierad identitet över varje återförsäljare, lager och plattform som berör dem. När en agent jämför priser på dessa skor över Amazon och Target är det GTIN som bekräftar att det faktiskt är samma produkt.

Standarder, som de från GS1 US, tillhandahåller ett gemensamt språk för att identifiera produkter, platser och enheter, samma språk som AI-agenter behöver för att kommunicera, samordna och fatta precisa beslut. När fler AI-agenter kommer in i leveranskedjan – en som hanterar inköp, en annan som övervakar lager, en tredje som spårar logistik – behöver de dela data över system som byggts av olika företag. Standardiserade identifierare gör det möjligt.

GTIN är en del av det bredare ramverket. För AI-agenter är det gemensamma språk de tillhandahåller skillnaden mellan en transaktion som slutförs korrekt och en som inte gör det.

Ofullständig produktdata har potentialen att ta bort en produkt från agentens urval helt. För mindre varumärken är det ett existentiellt synlighetsproblem.

Agentklar data vs. vad de flesta företag har

Att komma till agentklar data innebär att se till att varje produkt i en katalog har en verifierad, globalt unik identifierare. Det innebär att attribut är kompletta och konsekventa över varje system som en handelspartner berör. Det innebär också att lager- och prisdata är synkroniserade i realtid, inte uppdaterade i batcher. Data som är byggd för mänsklig bläddring uppfyller inte den standarden.

Att lägga till mer AI på toppen av fragmenterad data producerar snabbare, mer självsäkra felaktiga svar. Grunden måste vara rätt först.

Gartner förutspår att mer än 40% av agentic AI-projekt kommer att avbrytas till slutet av 2027, med hänvisning till ökande kostnader, oklar avkastning och otillräckliga riskkontroller. Datainfrastrukturkvalitet är en direkt inmatning till alla tre. Företag som bygger mot agentic handel utan att granska datalagret löser fel problem.

Där återförsäljare och varumärken bör börja

1. Granska produktidentifierare över varje system. Varje produkt i en katalog behöver en verifierad, globalt unik identifierare. Saknade eller dubblettidentifierare är den vanligaste orsaken till att agenter hoppar över produkter helt.
2. Standardisera attributetiketter. Storlek, vikt, variant och tillgänglighet behöver betyda samma sak över varje system som en handelspartner berör. Inkonsekventa etiketter är osynliga för människor och dödliga för agenter.
3. Synkronisera data över handelspartners i realtid. De flesta företag uppdaterar lager och pris med fördröjning – timme, natt, eller manuellt. En agent som utför ett köp väntar inte på nästa uppdatering.
4. Behandla databeredskap som en förutsättning för alla agentic AI-investeringar. Företag som bygger mot agentic handel utan att granska datalagret löser fel problem. Kom ihåg att agenten är den sista som ska optimeras; datagrunden behöver vara först.

De återförsäljare och varumärken som investerar i den grunden nu kommer att vara mer upptäckbara och transaktionsklara för agenter som fattar köpbeslut på konsumenternas vägnar. De som väntar kommer att tävla om synlighet i ett system som aldrig byggdes för att hitta dem. Agenten är den synliga delen. Den viktigaste frågan är om datan under den är redo.