Jak będzie wyglądać przyszłość e-commerce w erze AI? Już niedługo zamiast przeglądać dziesiątki stron wystarczy napisać do asystenta AI: „Kup mi krem do twarzy do 80 zł, dla skóry wrażliwej, z dostawą przed piątkiem”. Asystent sam znajdzie produkty, porówna oferty, wybierze najlepszą i zapłaci.
Za 2-3 lata sklep będzie miał trzech klientów: człowieka, wyszukiwarkę i agenta. Najlepsza platforma e-commerce i najlepsze wdrożenie AI to jedna, spójna, maszynowo czytelna warstwa danych produktowych plus wywoływany checkout w chmurze dostępny dla agenta.
Asystent, który kupuje
Program AI, który wykonuje zadania w naszym imieniu, nazywa się agentem. Dziś agenci głównie doradzają: podpowiadają, co kupić, i odsyłają do sklepu. Kolejnym krokiem są agenci, którzy sami składają zamówienie i płacą.
To już się dzieje. W marcu 2026 roku Visa uruchomiła w Europie program, w którym banki testują płatności wykonywane przez agentów AI. Żeby agenci mogli bezpiecznie robić zakupy, potrzebne są cztery rzeczy: zrozumiałe dane o produktach, sprawdzenie, kim jest agent, bezpieczny sposób płacenia oraz zasady, według których agenci będą się ze sobą dogadywać.
1. Zrozumiałe dane o produktach dla agenta
Agent AI nie ma oczu. Zamiast pięknych zdjęć i marketingowych tekstów czyta dane.
Człowiek patrzy na zdjęcie kremu i od razu widzi, co to za produkt. Agent AI czyta dane. Jeśli brakuje ceny z dostawą, informacji, czy towar jest w magazynie, albo zasad zwrotu, agent nie ma pewności i wybierze sklep, który podał to jasno.
W żegludze, którą uwielbiam, używa się pojęcia „Course Made Good”. Oznacza kurs, którym statek naprawdę przepłynął po uwzględnieniu wiatru i prądów. To on pokazuje, czy statek dotrze do celu. Uwielbiam żeglugę i lubię patrzeć w przyszłość we właściwym, dobrym kierunku, przeniosłam więc to pojęcie do handlu i nazwałam swoje podejście Data Made Good, czyli dane, które naprawdę działają: kompletne, aktualne i czytelne dla maszyn.
Data Made Good to jedyny właściwy kierunek. Model językowy świetnie rozmawia, ale żeby coś kupić, agent potrzebuje danych: co jest w sklepie, ile kosztuje, czy jest dostępne w tej chwili i kiedy dotrze do klienta. Bez danych AI nie ma na czym działać.
Dane to warstwa, od której zależą wszystkie pozostałe
Pięć powierzchni zakupowych AI (Universal Cart/UCP, ChatGPT Shopping/ACP, Perplexity Buy with Pro, Alexa for Shopping, Copilot Checkout) korzysta z nakładających się atrybutów Schema.org Product, kompletności GTIN i jakości feedu Google Merchant Center.
Zresztą najlepszym dowodem jest to, jak o tekstach marketingowych dla ludzi wyraził się jako agent sam Gemini od Google'a, który przez lata crawluje strony e-commerce. Jak to pięknie i dosadnie nazwał: „modele muszą czytać marketingowy bełkot przeznaczony dla ludzi” (to nie moje słowa, a agenta AI). Zrzut ekranu jako dowód z realnej dyskusji i narzekań agenta:
Jakie dane dla e-commerce i w jakiej formie, tak aby agent AI chciał je czytać i nie uskarżał się na „marketingowy bełkot”?
2. Badanie ROI and Shine gotowości polskich sklepów na AI
ROI and Shine przebadała we wrześniu 2026 roku sklepy internetowe polskich marek kosmetycznych. Każdą kartę produktu, czyli stronę z opisem, ceną i przyciskiem „do koszyka”, niezależnie sprawdzało dwóch oceniających. Pytanie brzmiało: czy agent AI, który odwiedzi sklep, dostanie wszystko, czego potrzebuje, żeby coś kupić?
Gotowa jest mniej więcej co dwudziesta firma. Około 40% jest blisko progu gotowości, a co czwarta ma poważne luki. Kolejna co czwarta firma nie jest gotowa wcale.
Agent dowie się, co to za produkt, ale często nie dowie się, jak go kupić. Nazwę i cenę znajdzie na 96% kart produktów. Informację o zwrotach tylko na 18%, kod kreskowy produktu na 42%, a oceny kupujących na 44%. To odwrotna kolejność od tej, której potrzebuje agent: podstawowe informacje są prawie wszędzie, a te, które zamykają zakup, na mniejszości kart. Brakuje więc podstawowych danych do transakcji, które okazują się błędne: cena oraz dostępność.
Trzy na cztery sklepy pokazują sprzeczne informacje. Sprzeczności znaleźliśmy w 74% sklepów i na prawie połowie wszystkich kart produktów. Przykłady:
- napis „wyprzedany” obok działającego przycisku „do koszyka”,
- cena w danych dla maszyn inna niż cena widoczna na stronie,
- koszt dostawy 15 zł w danych dla maszyn, a na stronie „od 5 zł”,
- dwie różne ceny tego samego produktu na jednej karcie,
- na karcie szamponu instrukcja użycia maski, a na karcie kremu do rąk polecenie „nanieś serum”,
- na karcie jednego kremu wyniki badań zupełnie innego kremu.
Człowiek zwykle domyśli się, o co chodzi. Agent uzna taką informację za niepewną i może wybrać konkurencję. Więcej informacji w publikacji całego badania.
Co będzie niezbędne (must-have), a co potrzebne
| Wymaganie techniczne | Specyfikacja | Uwagi 2026-2028 |
|---|---|---|
| Jedno źródło prawdy (PIM lub pipeline) | Kanoniczny model produktu: SKU, GTIN/EAN, marka, MPN, kategoria (Google taxonomy + własna), atrybuty per kategoria, warianty, media | Sklepy bez PIM to najczęstszy przypadek w PL; pipeline nad ERP/CSV wystarczy, jeśli wersjonuje i waliduje |
| Kompletność atrybutów | ≥95% wypełnienia dla top 100 SKU przychodowo, potem reszta | Asystenci AI oceniają z zerową tolerancją dla luk; zoptymalizowane feedy zwiększają widoczność 3-4x w rekomendacjach |
| GTIN na 100% asortymentu | Brak GTIN = wykluczenie z większości powierzchni agentowych | Produkty własne bez GTIN: rejestracja w GS1 to koszt, nie opcja |
| JSON-LD Product + Offer | Product, Offer, AggregateRating, Review, MerchantReturnPolicy, OfferShippingDetails, Brand, isVariantOf/hasVariant | JSON-LD ma 89,4% udziału wśród formatów danych strukturalnych, bo odpowiada sposobowi, w jaki crawlery AI przetwarzają informacje |
| Spójność feed = strona = checkout | Ten sam serwis cenowo-stanowy zasila HTML, feed, JSON-LD i endpoint agentowy | Spójność danych jest twardym wymogiem włączenia do agentowych doświadczeń zakupowych Google |
| Świeżość | Cena i stan: opóźnienie synchronizacji liczone w minutach, nie godzinach; webhooks zamiast batcha nocnego | Agent, który dostanie nieaktualną cenę, przy checkoucie przerwie transakcję |
| Feed Merchant Center | Pełne pola: id, title, description, price, availability, image, GTIN, brand, condition, shipping, returns | Badanie z marca 2026 na 43 000 produktach: 83% rekomendacji ChatGPT pokrywa się z top 40 organicznych listingów Google Shopping; feed GMC jest więc głównym źródłem decydującym o rekomendacjach ChatGPT |
| Feed ACP (OpenAI) | Format spec OpenAI; pola review_count i star_rating są przyjmowane na poziomie feedu i bezpośrednio wpływają na to, czy agent rekomenduje produkt | Utrzymywać nawet po zamknięciu Instant Checkout, bo ChatGPT nadal robi discovery |
| Treść opisowa dla maszyn | Opisy atrybutowe, nie marketingowe: materiał, wymiary, kompatybilność, use case, ograniczenia; sekcja FAQ per produkt | Agent ignoruje hero image, czyta tekst i atrybuty |
| Renderowanie bez JS | Dane produktu widoczne w HTML po wyłączeniu JavaScript (SSR/SSG lub hydracja z pełnym HTML) | Test obowiązkowy w każdym audycie |
| Pola DPP (Digital Product Passport) | Dla objętych kategorii: identyfikator, skład, naprawialność, pochodzenie | Baterie jako pierwsze, obowiązek paszportu od 18 lutego 2027 na mocy rozporządzenia bateryjnego; kolejne kategorie przez akty delegowane ESPR |
Większość agencji sprzedaje „GEO” jako treści. Dane i moje badania pokazują, że dla e-commerce to feed i schema decydują, a artykuły blogowe są warstwą trzeciorzędną. Budżet powinien iść najpierw na dane, które zasilą resztę: czyli content i treści.
3. Sprawdzenie, kim jest agent
Sklep musi wiedzieć, kto do niego przychodzi. Agentem może być zaufany asystent klienta, ale też program oszusta albo konkurencji. Dlatego każdy agent będzie musiał się przedstawić, podobnie jak kurier pokazuje legitymację. W świecie cyfrowym służy do tego podpis elektroniczny, który potwierdza, że agent pochodzi od zaufanej firmy i działa w imieniu prawdziwej, sprawdzonej osoby.
Ważna będzie też ochrona prywatności. Powstają rozwiązania, dzięki którym agent może udowodnić sklepowi, że klient ma pieniądze na zakup i jest pełnoletni, bez podawania imienia, nazwiska czy historii konta. Działa to jak ochroniarz przy wejściu do klubu, który sprawdza tylko, czy ktoś ma skończone 18 lat, i nie zapisuje jego danych.
Sklepy będą też potrzebować strażnika przy wejściu. Bez niego nieuczciwa konkurencja mogłaby wysłać tysiące fałszywych agentów, które bez przerwy dodają produkty do koszyka i je porzucają, blokując cały towar. Sklep wpuści do swojej oferty tylko agentów, którzy potwierdzą swoją tożsamość i prawdziwy zamiar zakupu.
4. Bezpieczny portfel i wirtualna karta
Najwięcej obaw budzi pytanie, co się stanie, jeśli agent się pomyli. Rozsądnym zabezpieczeniem jest jednorazowa wirtualna karta z limitem, na przykład 150 zł, ważna przez godzinę i tylko w jednym sklepie, na przykład przy zakupie biletu kolejowego. Po zakupie karta przestaje działać. Na takich rozwiązaniach pracują dziś organizacje płatnicze, banki i firmy obsługujące płatności.
Drugim zabezpieczeniem może być depozyt. Pieniądze najpierw trafiają na osobne konto i czekają tam, podobnie jak przy transakcji u notariusza. Jeśli agent kupi wycieczkę do Malagi zamiast na Maderę, klient ma czas, żeby cofnąć zakup i odzyskać pieniądze.
5. Negocjacje między agentami
Klient zgłasza potrzebę, na przykład „rower dla dziecka do 800 zł”. W ułamku sekundy powstaje cyfrowy pokój rozmów, do którego trafia agent klienta i agenci sklepów, które mają taki rower. Agenci sklepów przedstawiają oferty, a agent klienta wybiera najlepszą.
Ceny będą się w takich rozmowach zmieniać bardzo szybko. Agent sklepu, który wie, że rozmawia z maszyną, może w ułamku sekundy obniżyć cenę o 12 zł, jeśli z jego wyliczeń wynika, że to wystarczy do wygrania zamówienia. Sklep, który nie ma dobrych danych o swoich kosztach i marżach, nie będzie wiedział, na jaką obniżkę może sobie pozwolić.
Maszyny rozmawiające ze sobą w ułamkach sekund łatwo wykorzystać do oszustw i manipulowania cenami. Dlatego podpisy agentów i strażnicy przy wejściu do sklepu są warunkiem działania całego systemu.
Na koniec
A co o zakupach w internecie sądzi sama AI i agent? Gemini już się wypowiedział, i to bardzo surowo: „modele muszą czytać marketingowy bełkot przeznaczony dla ludzi” ;-). Czas więc zacząć przygotowywać drugą ścieżkę, dla maszyn i agentów AI. Nie są to treści, tylko ustrukturyzowane dane wraz z kontekstem.
Dziś ciągle robimy to na odwrót, bo tak przez lata nauczyły nas Google i optymalizacja SEO: wklejamy dane w tekst. Trudno dziś odwrócić ten nurt optymalizacji, długich tekstów i treści. To próba zawrócenia całego internetu do tego, czym był pierwotnie: prostego kodu i informacji.
Źródła
- ROI and Shine, badanie gotowości sklepów e-commerce z branży kosmetycznej na AI search i agentic commerce (100 kart produktów w 31 sklepach, dwóch niezależnych oceniających), wrzesień 2026
- Visa, komunikat „Visa Launches ‘Agentic Ready’ Programme to Advance Agentic Commerce in Europe”, 17 marca 2026
- Google, „Google Shopping introduces Universal Cart”, 19 maja 2026
- OpenAI, specyfikacja feedu produktowego Agentic Commerce Protocol (stan na 30 września 2026)
- Tom Wells (Peec AI), Search Engine Land: 83% produktów w karuzelach zakupowych ChatGPT pochodzi z Google Shopping, marzec 2026
- Google Merchant Center, wymagania dotyczące checkoutu i spójności cen
- Rozporządzenie (UE) 2023/1542 w sprawie baterii (art. 77) i rozporządzenie (UE) 2024/1781 w sprawie ekoprojektu (ESPR)