Når kunden sender en AI-agent til nettbutikken

Vi har tidligere skrevet om hvordan AI-søk endrer synlighet på nett. Der handler det om å gjøre innhold forståelig og egnet som kilde, slik at virksomheten kan bli brukt i AI-genererte svar.

AI-agenter tar utviklingen et steg videre.

Nå handler det ikke bare om å bli funnet og omtalt. Nettbutikken må også kunne bli forstått, vurdert og brukt av en AI som utfører oppgaver på vegne av kunden.

På den måten kan AI-agenten være en mer krevende kunde enn kunden selv. Et menneske skumleser ofte varedata, overser manglende opplysninger og lar seg påvirke av bilder, design, merkevare og magefølelse. AI-agenten kan kontrollere hvert enkelt kriterium den har fått, sammenligne langt flere alternativer og gjøre det uten å bli utålmodig.

Den er derfor mer systematisk og mindre tilgivende overfor mangelfulle eller motstridende data. Hvis agenten ikke finner dokumentasjon på at et produkt har riktig mål, godkjenning, kompatibilitet eller leveringstid, kan produktet bli valgt bort. Ikke fordi det nødvendigvis er dårligere, men fordi nettbutikken ikke har gitt agenten tilstrekkelig informasjon til å velge det.

Google har lansert Universal Commerce Protocol, UCP, som en åpen standard for handel gjennom blant annet AI Mode og Gemini. OpenAI har utviklet Agentic Commerce Protocol, ACP, for å koble produktkataloger og lagerdata mot brukere i ChatGPT.

Dette betyr ikke at alle kunder sender en AI-agent på handletur i morgen. Flere av løsningene og standardene er fortsatt under utvikling. Men retningen er blitt tydelig. Dette skjer nå. 

Tradisjonelt har vi skilt mellom kjøp med høy og lav involvering.

Dyre, tekniske eller kompliserte produkter blir gjerne undersøkt grundig før kjøpet. Enkle og rimelige produkter velges raskere, ofte på bakgrunn av vane, merkevare, plassering eller presentasjon.

AI-agenten kan viske ut deler av dette skillet.

For agenten er det ikke spesielt krevende å kontrollere ti alternativer i stedet for to. Den blir ikke utålmodig av å lese tekniske spesifikasjoner, sammenligne pakningsstørrelser eller undersøke leveringsbetingelser. Den kan gjennomføre en omfattende vurdering selv når produktet i utgangspunktet er enkelt og rimelig.

Dermed blir innholdet i nettbutikken viktigere på tvers av bransjer og produkttyper. Innhold betyr i denne sammenhengen langt mer enn gode produkttekster. Det omfatter alle dataene som gjør det mulig å forstå og vurdere produktet:

• produktnummer, modell og variant
• tekniske egenskaper og kompatibilitet
• enheter, pakningsstørrelser og minsteantall
• pris og eventuelle kundespesifikke betingelser
• lagerbeholdning og leveringstid
• dokumentasjon, sertifikater og
• monteringsanvisninger
• informasjon om retur, garanti og service
• kundeanmeldelser, rating og dokumenterte erfaringer med produktet eller leverandøren. AI' en bruker ekte menneskers anbefalinger. 

Når flere produkter oppfyller de samme formelle kravene, kan rating og kundeanmeldelser bli viktige signaler for AI-agenten. Den kan vurdere mer enn bare gjennomsnittlig poengsum. Antall anmeldelser, hvor nye de er, hvor troverdige de virker, og hva kundene faktisk skriver, kan også inngå i vurderingen.

I B2B vil tradisjonelle stjerner og produktanmeldelser ikke alltid være tilgjengelige. Da kan dokumenterte erfaringer med leveringspresisjon, kvalitet, service, returhåndtering og leverandørens pålitelighet få tilsvarende betydning.

Et produkt med gode spesifikasjoner og riktig pris kan dermed bli valgt bort dersom andre kunders erfaringer tyder på gjentakende problemer. Kundeanmeldelser blir derfor ikke bare sosial dokumentasjon for mennesker. De kan også bli en del av datagrunnlaget en AI-agent bruker når den sammenligner produkter og leverandører.

Nettbutikken får dermed to målgrupper.

Den skal fortsatt inspirere, informere og skape tillit hos mennesker. Godt design, gode bilder og en tydelig merkevare forsvinner ikke. Men nettbutikken må samtidig være forståelig for maskiner som kan gjøre den første utvelgelsen før kunden selv besøker siden.

Den flotteste nettbutikken vinner derfor ikke nødvendigvis. Nettbutikken med de beste, mest oppdaterte og mest tilgjengelige dataene kan bli valgt av AI-agenten.

En AI-agent kan ikke arbeide med informasjon som er ufullstendig, motstridende eller utdatert.

Dersom lagerstatusen er feil, EAN-nummeret mangler, produktnummeret er uklart eller prisen ikke stemmer med kundens avtale, risikerer agenten å anbefale eller bestille feil vare.

Entydige produktidentifikatorer blir derfor særlig viktige. EAN/GTIN kan gjøre det enklere for en AI-agent å gjenkjenne samme produkt hos forskjellige leverandører og sammenligne egenskaper, pris og tilgjengelighet. I teknisk B2B-handel kan produsentens varenummer, modellbetegnelse og kompatibilitetsdata være minst like viktige, fordi ikke alle varer har et EAN-nummer.

Derfor blir datakjeden mellom nettbutikken og virksomhetens øvrige systemer enda viktigere:

• ERP må levere riktige priser, kunder, ordredata og lagerinformasjon til nettbutikken
• EAN/GTIN, produsentens varenummer og virksomhetens eget varenummer må følge produktet konsekvent gjennom hele datakjeden.
• Der virksomheten bruker PIM, må dette inneholde komplette og strukturerte produktdata.
• Uten PIM må produktberikelsen håndteres systematisk i ERP, nettbutikken eller andre tilknyttede systemer.
• Nettbutikken må kunne presentere informasjonen tydelig og konsekvent.
• API-er og andre grensesnitt må gjøre relevante data og handlinger tilgjengelige på en kontrollert måte.

Det er mye av det samme grunnarbeidet som allerede kreves for en god, integrert nettbutikk. Forskjellen er at dataene nå også skal kunne forstås og brukes av AI-agenter.

Det viktigste er ikke å kjøpe en tilfeldig «AI-modul». Arbeidet bør heller ikke begynne på produktsiden i nettbutikken.

Det bør begynne når varen kommer inn i virksomheten og blir opprettet i ERP-systemet.

Når varekortet opprettes, bør man samtidig starte arbeidet med å samle inn, strukturere og berike informasjonen som senere skal brukes i nettbutikken og andre salgskanaler. Produktnummer, navn, variant, enhet, mål, tekniske egenskaper, kompatibilitet og leverandørinformasjon bør inngå i en fast arbeidsprosess – ikke legges inn tilfeldig når noen oppdager at nettbutikken mangler informasjon.

Hvor selve berikelsen skjer, kan variere. Noen virksomheter bruker et eget PIM-system. Andre beriker dataene i ERP, i nettbutikken eller gjennom en kombinasjon av flere systemer.

Princess er et godt eksempel. Nettbutikken har et stort varesortiment, men bruker ikke et eget PIM-system. Varedataene har sitt utgangspunkt i ERP-systemet og berikes videre gjennom en fast prosess frem mot publisering i nettbutikken.

Det avgjørende er derfor ikke om virksomheten har PIM. Det avgjørende er at den har en systematisk og effektiv arbeidsflyt:

1. Varen opprettes riktig i ERP med entydig produktnummer, variant og grunndata.
2. Det avklares hvilket system som eier de ulike opplysningene.
3. Produktet berikes med egenskaper, bilder, tekster, dokumentasjon og kompatibilitetsdata.
4. Informasjonen overføres automatisk til nettbutikken og andre aktuelle kanaler.
5. Pris, lager og kundebetingelser oppdateres fra riktige kildesystemer.
6. Endringer vedlikeholdes ett sted og slår gjennom overalt der informasjonen brukes.

Målet bør være å registrere og vedlikeholde informasjonen så få steder som mulig – og gjenbruke den så mange steder som mulig.

Når denne grunnmuren er på plass, kan virksomheten vurdere API-er, tilgang for AI-agenter, identitet, fullmakter og sikkerhet. Den må også kunne skille mellom nyttige AI-agenter og uønsket eller skadelig bottrafikk.

Det siste blir en viktig balansegang. Nettbutikken må kunne være tilgjengelig for tjenester som kan skape salg, samtidig som den beskyttes mot bottrafikk som belaster løsningen eller truer omsetningen.