AI електронна комерція — справжній бізнес прихований перед оплатою користувача

За останні тридцять років інфраструктура електронної комерції майже завжди оптимізувалася навколо одного й того ж дії: зробити процес натискання кнопки покупки максимально плавним для користувача. Одноразова оплата, токенізація платіжних підтверджень, розпізнавання обличчя та відбитків пальців — все це спрямоване на зменшення тертя у момент оплати.

Але коли AI Agent входить у процес покупки, зміни починають відбуватися ще до оплати. Агент має вирішити, як зрозуміти наміри користувача, відфільтрувати товари, сформувати кошик і виконати наступну дію в межах чітко визначених дозволів.

Тому Agentic Commerce не можна розглядати лише як проблему платежів. Платежі залишаються важливими, але це лише останній етап ланцюжка покупки. Найперше, що змінює AI, — це процес, що передує затвердженню транзакції.

1. Намір користувача стає виконуваними обмеженнями

У традиційній електронній комерції рішення про покупку зазвичай — це довгий і випадковий процес перегляду сторінок. Користувач шукає, заходить на сторінки товарів, порівнює відгуки, переключається між платформами, а ціна, дизайн сторінки, акції та рекомендації поступово впливають на його рішення.

Але коли агент діє від імені користувача, процес прийняття рішення перед оплатою переформатовується. Користувач не обов’язково надає конкретну платформу або товар, натомість він надає опис у природній мові з багатовимірними обмеженнями. Зазвичай ці умови включають: чіткий ліміт бюджету, конкретний термін виконання, виключення брендів із чорного списку та персоналізовані переваги параметрів.

Ці умови раніше були лише уподобаннями у голові користувача, тепер вони перетворюються на правила фільтрації, які агент застосовує під час виконання завдання. Агент має розбити природну мову на машиночитні, порівнювані та виконувані обмеження.

Це змінює розподіл цінностей у бізнес-ланцюжку. Раніше продавці боролися за кліки та конверсії на сторінках товарів; у майбутньому багато товарів пройдуть через фільтр агента. Сторінка залишається важливою, але дані товару, актуальні ціни, точність запасів, обіцянки щодо доставки, правила повернення та структура параметрів спершу визначатимуть, чи потрапить товар до кандидатів.

2. Генеровані AI відповіді стають новим інтерфейсом для демонстрації товарів

Ці структуровані параметри спершу визначають, чи товар потрапить до списку кандидатів. Після розбиття намірів користувача на обмеження, ці обмеження спершу подаються до AI пошукових систем і моделей, що породжує новий формат демонстрації товарів.

Якщо традиційний вхід у електронну комерцію — це сторінки з результатами пошуку, то новий вітрина AI commerce — це безпосередньо відповіді, згенеровані моделлю.

Р раніше, коли користувач шукав товар, він бачив набір сторінок, реклами, оглядів і посилань на магазини. Бренди боролися за ранжування, кліки та конверсії; користувачі ж самі відкривали сторінки, порівнювали параметри, перевіряли інформацію.

Зараз, за допомогою AI-генерованого пошуку, цей процес скорочується. Продукти типу AI Overview, ChatGPT, Copilot зводять кілька джерел у один відповідь, безпосередньо пропонуючи кандидатів, сценарії застосування та рекомендації щодо покупки. Користувачі не обов’язково відкриватимуть десятки посилань і не завжди знають, які джерела використовувалися для відповіді. Бренди тепер борються за потрапляння до кандидатів у відповідях AI.

Саме тому GEO більш чутливий, ніж SEO, — він впливає не лише на видимість, а й на процес оцінки моделі. У традиційному пошуку бренди борються за більш високі позиції у списку; у генеративному пошуку — за потрапляння до відповіді. Коли AI порівнює товари у нейтральному тоні, він фактично вже провів первинний відбір для користувача.

Проблема у тому, що рекомендації AI не виникають із порожнечі. Вони ґрунтуються на оглядах, форумах, коротких відео, відгуках у магазинах, галузевих звітах — і ці дані стискаються у відповідь, яка здається об’єктивною. Бренди можуть не купувати рекламу напряму, а впливати через контент: формуючи репутацію, вони можуть впливати на те, що модель бачить під час пошуку та підсумовування. Одна позитивна відгукова репліка може здатися незначною, але коли схожі думки повторюються у кількох джерелах, AI може вважати їх більш переконливими. Таким чином, бізнес-реклама може не з’являтися у вигляді оголошень, але все одно потрапляти до процесу оцінки AI.

Це пояснює, чому Google ставиться до GEO більш обережно, адже його головний актив — довіра до пошуку. Користувачі довіряють, що Google виводить найнадійнішу інформацію першою, а рекламодавці платять за цей доступ. У традиційному пошуку Google показує посилання, і користувач може сам оцінити джерело; у AI Overview — відповіді безпосередньо. Якщо ця відповідь піддається впливу фальшивих оглядів, фейкових сайтів або упередженого контенту, Google ризикує не просто показати погану сторінку, а створити рекомендацію, яка може ввести користувача в оману.

Звісно, ставлення до GEO залежить і від бізнес-моделі платформи. Google прагне зберегти довіру до пошуку, тому підсилює контроль якості контенту; Microsoft ж розглядає GEO як канал для рекламодавців у Copilot, Bing, Edge і майбутніх агентів. В майбутньому, GEO не матиме єдиних правил, а буде еволюціонувати у різні межі управління та бізнес-інтерфейси між пошуком, AI-помічниками і моделями.

Щоб бренди отримали довіру у генеративному пошуку, потрібно не лише формувати контент у мережі для впливу на модель, а й мати більш глибоку технологічну передумову: товар має бути високорозбірливим для машин.

3. Диверсифікація електронної комерції: дані для машин, смак — для людей

Щоб отримати довіру та рекомендації від AI, товар має бути максимально структурованим для машинного сприйняття.

На початку, інтерфейси для інтернет-магазинів були орієнтовані на людське сприйняття. Зображення товарів, описи та кнопки додавання до кошика — все це створювалося для тривалого утримання уваги користувача. Але AI-агент не може сприймати ці візуальні елементи, тому оцінка товару базується виключно на структурованих даних: SKU, поточних запасах, чистій ціні, SLA та структурованих політиках повернення.

Ця зміна робить структуровані дані базовою конкурентною перевагою у епоху AI-покупок. Маркування Schema.org, файли llms.txt, API для актуальних запасів і цін, структуровані політики повернення — все це впливає на здатність AI-агента правильно зрозуміти товар. Хоча великі мовні моделі можуть витягувати неструктуровану інформацію з веб-сторінок, вона зазвичай неповна, застаріла і містить шум. Стандартизовані структуровані каталоги дають змогу безпосередньо повідомити AI: характеристики товару, актуальні ціни, стан запасів, можливості доставки та правила повернення. Це — передумова для потрапляння товару до фільтрів і рекомендацій.

Однак ця трансформація не відбуватиметься одночасно для всіх товарів, а залежатиме від типу споживання:

Перший тип — ефективне споживання. Наприклад, купівля туалетного паперу, кабелів, офісних матеріалів або порівняння цін на авіаквитки й готелі. Тут рішення мають чіткі критерії: ціна, характеристики, час доставки. Користувачі не прагнуть довго обирати, вони хочуть швидко отримати розумну відповідь. У таких випадках AI працює дуже швидко, автоматично порівнюючи і оформлюючи замовлення.

Другий тип — це споживання, що виражає стиль і особистість, наприклад, вибір пальто, антикварної лампи або картини. Тут процес — це насолода від пошуку, вагань і порівнянь, що наповнює його сенсом. У таких сценаріях AI має допомагати перед оплатою: надихати, допомагати зрозуміти стиль, агрегувати розрізнені дані, щоб зробити дослідження більш зручним.

Саме таке застосування демонструє The Mall — сучасний додаток для модної покупки. Сьогодні, коли пошук і відкриття товарів у мережі розпорошені між офіційними сайтами, Instagram, TikTok, розсилками, сайтами з знижками, рекомендаціями друзів і контентом від блогерів, користувачі змушені постійно перемикатися між цими джерелами. The Mall збирає ці розрізнені точки у єдину віртуальну торгову площу, щоб задовольнити потреби у відкритті, відстеженні, порівнянні, збереженні та обміні брендами і товарами.

У цьому просторі поведінка користувача переформатовувалася. Можна підписатися на бренди, слідкувати за новинками і знижками, зберігати товари, дивитися оновлення друзів і блогерів, а за допомогою AI — швидко переходити від одного товару до схожих моделей інших брендів, натрапляючи на нішеві бренди, які раніше не потрапляли у поле зору.

Це означає, що нові бізнес-моделі AI-інтелекту не обов’язково обмежуються фінальним етапом транзакції. Передфінансовий етап — це також поле для великих можливостей.

Коли галузь обговорює, як зробити так, щоб агент допомагав користувачам натискати «купити» одним кліком, процеси вагань, порівнянь і формування смаків перед оплатою — це цінна ніша. Створення системи для управління цими розрізненими намірами і вподобаннями не лише зміцнює довіру, а й формує цінний масив даних про наміри, що з часом може стати системою обліку смаків і намірів (System of Record). Це — близький до джерела рішення, яке має потенціал бути не менш цінним за останній етап транзакції.

Отже, майбутній вигляд електронної комерції матиме два рівні: один — для машин, що відповідає за структурованість і верифікацію даних для швидкого порівняння і замовлення; інший — для людей, що відповідає за брендову виразність, передачу стилю, створення досвіду і випадкових відкриттів (Serendipity). Раніше продавці зосереджувалися на візуальній частині веб-інтерфейсу, тепер потрібно одночасно керувати структурованим каталогом товарів і більш прихованим, але більш уявним простором намірів перед оплатою.

4. Ланцюжок зобов’язань рухається вгору: дозволяючи агенту діяти в межах авторизації

Після того, як агент виявить товари, відібрав варіанти і сформував кошик, транзакція справді потрапляє до платіжної системи.

З точки зору роботи сучасних платіжних мереж, вони — це ланцюги зобов’язань із затримкою виконання. Під час авторизації продавець через еквайринг і платіжну організацію запитує у емітента картки підтвердження валідності платіжного засобу. Після отримання схвалення, продавець передає товар, а реальна обробка і розрахунок відбувається асинхронно у наступних етапах. Ця система базується на простому принципі: транзакція ініційована користувачем і відповідальність за неї несе він.

Втручання AI-агента порушує цю ідею. Авторизація вже не обмежується конкретною оплатою — тепер це потік рішень, що рухаються автономно. Якщо агент піддається атакам зловмисних підказок, неправильно інтерпретує контекст або налаштування, і в результаті виконує транзакцію за межами дозволених рамок, юридична відповідальність стане дуже розмитою.

Хоча деякі великі ритейлери намагаються змінити умови обслуговування (ToS), щоб у правовому полі визначити транзакції, ініційовані сторонніми агентами, як авторизовані користувачем, це не вирішує технічних ризиків. Agentic Commerce вимагає встановлення обмежень ще до початку транзакції.

У традиційних фінансових мережах ці обмеження реалізуються через централізовані шлюзи авторизації. Visa, Mastercard і подібні організації працюють над стандартами для ідентифікації агентів, токенізації підтверджень і верифікації намірів, щоб перед затвердженням зменшити можливості машин діяти поза межами дозволеного. Це означає, що під час покупки генерується одноразовий віртуальний картковий номер або токен із обмеженнями — для конкретної суми, магазину, категорії, часу або конкретного завдання. Якщо агент виходить за межі цих правил, мережа може заблокувати транзакцію ще на етапі авторизації.

Однак, обмеження лише на рівні фінансування або шлюзу — це все ще досить пізня захисна міра. В останні роки Visa інвестує у більш ранні етапи — у виробництво ідентичності агентів і їхніх намірів ще на рівні розробки. Наприклад, нещодавно Visa зробила стратегічну інвестицію у платформу Replit, що дозволяє створювати AI-додатки. Хоча співпраця ще на початковій стадії і не має офіційних продуктів, вона сигналізує: глобальні платіжні мережі прагнуть інтегруватися безпосередньо з джерелом AI-генерованих транзакцій. Включення Visa Intelligent Commerce і Trusted Agent Protocol у платформи розробників — це спроба зробити ідентифікацію агентів, їхні наміри і контекст клієнта частиною платіжної системи ще на етапі розробки, а не лише під час checkout.

Це важливо, бо багато агентських транзакцій у майбутньому можуть виникати не лише у додатках ритейлерів, а й у сторонніх сервісах, створених розробниками, і автоматично виконуватися агентами від імені користувачів або компаній. У такому разі Replit стане не просто середовищем для коду, а точкою входу у застосунки Agent Commerce. Для Visa майбутнє — це перетворити платіжну інфраструктуру у машинно-орієнтовану базову платформу, що підтримує API для ідентифікації, розпізнавання намірів і авторизації.

Це також логіка контрактних агентських гаманців типу Cobo CAW Pact. Вони уникають прямого доступу до повного балансу гаманця, натомість створюють тимчасовий контракт для конкретного завдання, у якому прописані обмеження щодо суми, терміну і маршруту транзакції. Якщо запит виходить за межі контракту, MPC-нод відмовляється підписати транзакцію. Перед підписом, базовий calldata може бути перекладений у зрозумілу людині інтерпретацію, щоб користувач міг підтвердити, що саме буде виконано.

У довгостроковій перспективі, ланцюжки зобов’язань рухаються від довіри до агентів до обмеження їхніх дій. Банківські мережі переносять обмеження у шлюзи і починають передавати їх на рівень розробників; блокчейн-системи — у підписний рівень. У майбутньому, платіжні системи будуть перевіряти не лише ідентифікацію платника, а й чи не виходить поведінка машини за дозволені межі.

Заключення: Agentic Commerce потребує нової ланцюжка зобов’язань

Зазвичай технології змінюють засоби ведення бізнесу, але рідко — відповідальність.

Електронна комерція змінила середовище транзакцій, мобільні гаманці — підтвердження платежів, API для токенізації — автоматизацію авторизації, а стабільні монети — частину розрахункових процесів. Кожна нова технологічна хвиля додає нові можливості у фінансову систему. Але основні функції платіжних мереж — авторизація, розрахунок, баланс і вирішення спорів — залишаються незмінними.

Причина проста: будь-яка транзакція, що потрапляє у бізнес-систему, потребує підтвердження, що вона можлива, і відповідальності за її правильність. Хтось має підтвердити платіж, хтось — взяти на себе відповідальність за помилку.

AI-агенти ускладнюють цю ланцюжкову систему. Раніше пошук, порівняння, додавання до кошика і checkout — все це робив користувач; у майбутньому — ці дії можуть виконуватися агентом автоматично у кількох системах. Це пришвидшить досвід, але зробить важчим розуміння, що саме користувач дозволив, що може зробити агент, які зобов’язання беруть на себе продавці і як розподіляється відповідальність за платіж.

Саме тому потрібна нова інфраструктура для агентської комерції. Вона має створити новий ланцюжок зобов’язань: у момент транзакції зафіксувати початкові наміри користувача, дозволи агента, платіжні зобов’язання і відповідальність за спірні ситуації — і зробити весь процес технічно верифікованим і відстежуваним.

Майбутнє AI Commerce — це не лише питання платежів і автоматизації, а й питання відповідальності.