Artykuły AI
Agenci zakupowi AI wybierają i kupują produkty za klientów. Co handel agentowy oznacza dla widoczności, sprzedaży i wdrożeń AI w firmie.
Klient coraz częściej nie otwiera dziesięciu kart w przeglądarce, tylko prosi asystenta AI, żeby znalazł produkt, porównał oferty i wybrał najlepszą. W części kanałów agent domyka też płatność. Ten model nazywa się handlem agentowym i w 2026 roku wyszedł z fazy pilotaży: 6 lipca Salesforce udostępnił powszechnie agentów handlowych Agentforce Commerce, a Google i sieci płatnicze budują pod to infrastrukturę. Dla firmy zmienia się reguła gry: o wyborze produktu decyduje najpierw maszyna, a dopiero potem człowiek. Kto jest nieczytelny dla agenta, wypada z krótkiej listy, zanim klient w ogóle zobaczy ofertę.
6 lipca 2026 roku Salesforce ogłosił powszechną dostępność Agentforce Commerce, pakietu agentów sprzedażowych: Shopper Agent prowadzi klienta od wyszukania produktu do koszyka, Buyer Agent obsługuje zakupy, a Merchant Agent działa po stronie sprzedawcy. Salesforce zapowiedział natywną integrację tych agentów z ChatGPT i wyszukiwarką Google, w tym z trybem AI, oraz z aplikacją Gemini. To jeden z pierwszych przypadków, gdy agenci prowadzący klienta przez całą ścieżkę zakupu są dostępne jako gotowy produkt, a nie eksperyment.
Pod spodem od kilkunastu miesięcy powstaje infrastruktura. We wrześniu 2025 roku OpenAI wspólnie ze Stripe uruchomiło w ChatGPT funkcję Instant Checkout opartą na otwartym standardzie Agentic Commerce Protocol. Katalogi sprzedawców korzystających z Shopify i Etsy zostały zintegrowane bez dodatkowej konfiguracji, a prowizję ponosi sprzedawca, bez wpływu na cenę dla kupującego i bez wpływu na kolejność wyników. Google poszedł własną drogą i zbudował Universal Cart oraz protokół płatności AP2, który pozwala agentowi udowodnić sprzedawcy lub sieci płatniczej, że dany zakup autoryzował realny człowiek. Standard AP2 Google udostępnił jako otwarty i przekazał do FIDO Alliance.
Do tego dochodzą sieci płatnicze. Jak opisało CNBC, Visa i Mastercard budują tokeny agentowe, które kryptograficznie potwierdzają, że po drugiej stronie jest autoryzowany agent, a nie złośliwy bot. Skala jest realna: McKinsey szacuje, że handel agentowy może do 2030 roku przekierować od 3 do 5 bilionów dolarów globalnych wydatków detalicznych, a sam rynek detaliczny B2C w USA do 1 biliona dolarów obrotu orkiestrowanego przez agentów.
Trzeba zachować proporcje. Gartner zalicza agentową AI do szczytu nadmiernych oczekiwań i podaje, że agentów wdrożyło dopiero 17 procent organizacji, choć ponad 60 procent planuje to w ciągu dwóch lat. Reguły odpowiedzialności i reklamacji przy zakupach agentowych, jak zaznacza CNBC, wciąż nie są rozstrzygnięte. Innymi słowy, odkrywanie produktów przez asystentów AI wyprzedza domykanie transakcji, a firmy mają czas, żeby się przygotować, ale nie tak dużo, jak się wydaje.
Handel agentowy przesuwa moment decyzji. Dotąd firma walczyła o uwagę człowieka: pozycję w wynikach wyszukiwania, kliknięcie, wygląd karty produktu. Kiedy pierwszym odbiorcą oferty jest agent, liczy się to, czy potrafi on odczytać i zrozumieć dane firmy. Ładny opis dla człowieka nie pomoże, jeśli cena, dostępność i atrybuty produktu nie są dostępne w formie, którą maszyna przyjmie bez zgadywania.
Zmienia się też, kto kontroluje relację z klientem. Gdy zakup przechodzi przez ChatGPT, Gemini albo agenta sprzedawcy, to platforma trzyma kontekst rozmowy i część danych. Firma może zyskać dostęp do ogromnej bazy użytkowników, ale traci fragment bezpośredniej relacji i wiedzy o kliencie. Prowizja od transakcji, jak w modelu opisanym przez OpenAI, to koszt tej obecności.
Dla polskiego MŚP wniosek jest praktyczny. Nie chodzi o to, żeby natychmiast budować własnego agenta, tylko żeby nie zniknąć z krótkiej listy, którą agent przedstawia klientowi. To jest głównie kwestia porządku w danych produktowych i treściach, a więc coś, co da się zrobić bez wielkiego budżetu i bez czekania, aż handel agentowy stanie się większością sprzedaży.
Problem biznesowy: klient pyta asystenta AI o produkt z kategorii firmy, a firma się nie pojawia, bo jej katalog jest nieczytelny dla maszyny albo niekompletny.
Rozwiązanie AI: ustrukturyzowany feed produktowy z jednoznacznymi nazwami, atrybutami, cenami i dostępnością oraz opisami odpowiadającymi na realne pytania zakupowe. Według OpenAI katalogi na Shopify i Etsy są już zintegrowane z zakupami w ChatGPT bez dodatkowej konfiguracji, co pokazuje kierunek: dane muszą być gotowe dla agenta.
Dane i procesy do wdrożenia: pełen katalog z atrybutami, synchronizacja cen i stanów w czasie zbliżonym do rzeczywistego, dane strukturalne na stronie produktu, spójne nazewnictwo między systemami.
Potencjalny efekt: obecność w zestawieniach, które agent pokazuje klientowi, i utrzymanie sprzedaży, która wcześniej szła przez wyszukiwarkę.
Ryzyko i ograniczenie: część danych o kliencie zostaje po stronie platformy, a firma staje się zależna od jej reguł i kolejności prezentacji.
Problem biznesowy: produkt pojawia się w rozmowie z agentem, ale klient nie może go tam kupić i porzuca zakup, bo musi przechodzić do sklepu i zaczynać od nowa.
Rozwiązanie AI: integracja z kanałem zakupowym agenta, na przykład przez Agentic Commerce Protocol od OpenAI i Stripe albo Universal Cart i AP2 od Google, przy zachowaniu realizacji zamówienia i płatności po stronie sprzedawcy.
Dane i procesy do wdrożenia: integracja płatności, obsługa autoryzacji zakupu i tokenów agentowych, jasne polityki zwrotów i reklamacji, reguły cenowe spójne z pozostałymi kanałami.
Potencjalny efekt: krótsza ścieżka zakupu i wyższa konwersja z ruchu, który trafia do firmy przez asystenta AI.
Ryzyko i ograniczenie: prowizja platformy, mniej danych o kliencie oraz nierozstrzygnięte reguły odpowiedzialności przy błędnym zamówieniu, na co zwraca uwagę CNBC.
Problem biznesowy: klasyczna wyszukiwarka na stronie i formularz kontaktowy nie prowadzą klienta do decyzji, zwłaszcza w ofercie, którą trzeba dobrać albo skonfigurować.
Rozwiązanie AI: firmowy agent, który rozumie intencję, zadaje pytania doprecyzowujące i dobiera ofertę, a w B2B potrafi przygotować wstępną wycenę. Agenci Shopper, Buyer i Merchant od Salesforce pokazują, jak taki podział ról może wyglądać w gotowym produkcie.
Dane i procesy do wdrożenia: katalog i reguły cenowe, wiedza produktowa, integracja z CRM i systemem sprzedaży, mechanizm przekazania trudnych spraw do człowieka.
Potencjalny efekt: krótsza droga od pytania do oferty, obsługa poza godzinami pracy i mniej porzuconych rozmów.
Ryzyko i ograniczenie: agent może podać błędną cenę albo obietnicę, dlatego potrzebne są kontrola jakości odpowiedzi, granice tego, co agent może obiecać, i jasny właściciel procesu.
Problem biznesowy: dział zakupów ręcznie porównuje dostawców i składa powtarzalne zamówienia, co pochłania czas i utrudnia kontrolę warunków.
Rozwiązanie AI: agent zaopatrzeniowy porównuje oferty, działa w granicach ustalonych reguł i składa zamówienia, a po stronie dostawcy wymaga to oferty czytelnej dla agenta. Protokół AP2 od Google odpowiada na kluczowe pytanie tej sytuacji, czyli jak udowodnić, że zakup autoryzował realny użytkownik.
Dane i procesy do wdrożenia: aktualne cenniki i warunki, dostęp przez feed lub interfejs programistyczny, reguły akceptacji i limity kwotowe, ślad audytowy każdej decyzji agenta.
Potencjalny efekt: mniej czasu na rutynowe zakupy i lepsze warunki dzięki systematycznemu porównywaniu ofert.
Ryzyko i ograniczenie: agent zawiera zobowiązania w imieniu firmy, więc bez autoryzacji, limitów i audytu łatwo o kosztowny błąd.
Problem biznesowy: firma nie pojawia się w odpowiedziach ChatGPT, Perplexity czy Gemini, gdy klient pyta o rozwiązanie problemu, a nie o konkretny produkt.
Rozwiązanie AI: treści, które wprost odpowiadają na pytania zakupowe, dane strukturalne, jasne informacje o produkcie, dostawie i warunkach oraz sekcje pytań i odpowiedzi ułatwiające modelowi cytowanie.
Dane i procesy do wdrożenia: uporządkowane specyfikacje, aktualne informacje o dostępności i cenie, spójność treści na stronie z danymi w katalogu.
Potencjalny efekt: cytowania i rekomendacje w odpowiedziach asystentów, które kierują wartościowy ruch na stronę firmy.
Ryzyko i ograniczenie: firma nie kontroluje w pełni, co model zrozumie z jej treści, dlatego trzeba regularnie sprawdzać, jak asystenci opisują ofertę, i korygować dane, na których się opierają.
Zacznij od testu widoczności. Zadaj ChatGPT, Gemini i Perplexity kilka pytań, które zadałby klient z twojej kategorii, i sprawdź, czy firma się pojawia, a jeśli tak, to czy opis jest poprawny. To najtańszy sposób, żeby zobaczyć, jak agent widzi ofertę dzisiaj.
Uporządkuj dane produktowe. Kompletny katalog z jednoznacznymi nazwami, atrybutami, ceną i dostępnością, aktualizowany na bieżąco, jest fundamentem obecności w handlu agentowym. Bez tego żadna integracja nie pomoże, bo agent nie ma czego odczytać.
Wyznacz właściciela procesu. Ktoś w firmie musi odpowiadać za to, jak oferta wygląda w kanałach agentowych, za jakość odpowiedzi firmowego agenta i za reguły, w których agent może działać. Bez właściciela ten obszar rozmywa się między marketingiem, sprzedażą a IT.
Zacznij mierzyć. Wyodrębnij ruch i sprzedaż z kanałów AI, żeby wiedzieć, czy handel agentowy realnie coś wnosi, zanim zainwestujesz w głębsze integracje. Decyzje o kolejnych krokach powinny wynikać z danych, a nie z presji, że wszyscy coś wdrażają.
Zadbaj o bezpieczeństwo i autoryzację. Jeśli dopuszczasz zakupy agentowe, ustal limity kwotowe, reguły akceptacji i ślad audytowy. Standardy takie jak AP2 istnieją właśnie po to, żeby potwierdzać autoryzację, ale to firma musi zdecydować, co agent może, a czego nie.
Utrata relacji i danych o kliencie. Gdy zakup przechodzi przez platformę agenta, to ona trzyma kontekst i część danych, a firma widzi tylko wynik. Dostęp do dużej bazy użytkowników bywa okupiony słabszą wiedzą o własnym kliencie.
Zależność od platform i ich prowizji. Obecność w kanałach agentowych oznacza działanie na warunkach platformy, w tym jej reguł prezentacji i opłat. To koszt i ryzyko strategiczne, które trzeba świadomie przyjąć.
Błędne zamówienia i zobowiązania agenta. Agent, który składa zamówienia albo obiecuje warunki, może się pomylić. Reguły odpowiedzialności i reklamacji przy zakupach agentowych, jak zaznacza CNBC, nie są jeszcze rozstrzygnięte, więc firma powinna sama ograniczyć uprawnienia agenta.
Shadow AI po stronie zakupów. Pracownicy mogą używać asystentów AI do zakupów firmowych bez wiedzy działu zakupów, co utrudnia kontrolę wydatków i warunków. To wariant znanego problemu nieautoryzowanego użycia AI, tylko z realnymi pieniędzmi.
Brak właściciela i brak kontroli jakości. Bez osoby odpowiedzialnej i bez regularnego sprawdzania, co agenci mówią o ofercie, łatwo o rozbieżne ceny, nieaktualne dane i odpowiedzi, które szkodzą marce.
Koszty integracji bez zwrotu. Handel agentowy jest na szczycie nadmiernych oczekiwań, a wdrożyło go dopiero 17 procent organizacji według Gartnera. Inwestycja w głębokie integracje, zanim widać ruch z kanałów AI, może się nie zwrócić.
Handel przesuwa się z klikania w stronę delegowania zakupu agentowi, a decyzja o wyborze produktu zapada najpierw po stronie maszyny. Salesforce udostępnił agentów handlowych jako gotowy produkt, Google i sieci płatnicze budują infrastrukturę, a skala potencjalna, według McKinsey, idzie w biliony dolarów. Jednocześnie Gartner przypomina, że to wciąż wczesny etap, a reguły odpowiedzialności nie są dopięte.
Dla polskiej firmy najważniejsze jest to, co da się zrobić już teraz i tanio: sprawdzić, jak asystenci AI widzą ofertę, uporządkować dane produktowe, wyznaczyć właściciela procesu i zacząć mierzyć udział kanałów AI. Głębsze integracje i własny agent to kolejny krok, który powinien wynikać z danych, a nie z pośpiechu. Wygrywają firmy czytelne dla maszyn, które zachowują kontrolę nad ceną, jakością odpowiedzi i autoryzacją, a nie te, które oddają agentom więcej, niż potrafią skontrolować.