Чому AI-агентам для покупок складно стати масовими?

Автор: Anderl

Компіляція: Chopper, Foresight News

Наразі в індустрії AI та криптовалют ходить одна версія: налаштувати AI-агенту гаманець, щоб він повністю замість вас робив покупки — це, мовляв, найголовніший сценарій практичного впровадження AI. Ця аргументація звучить лаконічно й бездоганно, ніби це вже майбутнє, але її внутрішня логіка не витримує перевірки. Вона змішує труднощі покупок із простими етапами й ставить найпростіший платіжний компонент у центр усієї картини.

Спочатку відкиньмо платежі й повернімося до самої поведінки під час купівлі.

Дві ключові дії покупок

Суть покупок — у двох типах дій, які нині тісно пов’язані: інформаційний пошук і оцінка цінності. Пошук (збирання, відбір, порівняння, первинне ранжування) має стандартизовані характеристики і майже повністю може бути переданий машинним агентам; натомість оцінка цінності (чи ця річ хороша, чи підходить саме мені, чи довіряти продавцю) — це етап, глибоко пов’язаний із людськими суб’єктивними емоціями.

Дані вже довели, що інформаційний пошук швидко переходить до AI. Дані Adobe Analytics показують: з липня 2024 року по липень 2025 року обсяг відвідувань американських роздрібних сайтів, які генеруються генеративним AI, зріс приблизно на 4700%. Але наратив про «AI-гаманці» за замовчуванням виходить із припущення, що розумний агент може одночасно брати на себе і пошук, і оцінку цінності — і саме це є ключовою підміною понять у всій логічній конструкції. Пошук можна повністю віддати машині, але оцінка цінності може бути виконана лише частково за певних умов; у більшості сценаріїв її взагалі неможливо делегувати.

Оцінка цінності поділяється на два рівні

Набагато важливіше: оцінка цінності сама по собі теж не є одновимірною — вона складається з двох частин. Одна частина — оцінювання, тобто перевірка різних варіантів на основі функції корисності. Друга частина — визначення потреби: насамперед потрібно задати функцію корисності — які виміри важливі, як розподіляються ваги, які цінності мають обмежувальну силу, і що означає «хороше» у підсумковому сенсі.

Визначення потреби не зводиться до разового виконання на старті, а триває протягом усього процесу покупок. Стандарти відповідності товарів визначаєте ви; чи одразу відмовитися від товару через пошкоджену блискавку — вирішує ваш критерій; вибір продавця залежить від того, на які саме ціннісні орієнтири ви зважаєте. Кожен рівень відбору діє за логікою «суб’єктивні людські критерії × машинна оцінка AI». Автоматизація здатна замінити лише етап оцінювання, а суверенітет у визначенні потреби назавжди лишається в руках людини.

Багато хто помилково вважає, що людям достатньо один раз цілком прописати стандартизований чеклист, щоб остаточно відпустити процес — це серйозно недооцінює логіку людських рішень. Дослідження в сфері прийняття рішень доводять: уподобання людини не є сталими й незмінними. Психолог Пол Слович запропонував теорію конструйованих уподобань: у нашому внутрішньому світі не існує готового й фіксованого набору симпатій, який лише чекає на виклик; уподобання формуються поступово в процесі вибору. Експеримент «перевертання уподобань» підтверджує це: два способи еквівалентного дослідження — вибір і виставлення ціни — дають цілком різні рейтинги товарів, що суперечить базовим аксіомам раціонального вибору.

Алір Ловенстейн і Прайлек у 2003 році висунули теорію «зчепленої свавільності»: навіть такі випадкові й нерелевантні цифри, як, наприклад, «номери місць після соціальних гарантій», здатні «закріплювати» психологічні ставки людей за звичайні товари; і цей ефект прив’язки не зникає з часом із появою споживчого досвіду чи ринкових транзакцій. Так зване «стабільне уподобання» — це лише ілюзія створеного порядку.

Тому взаємодія людина—машина не може бути разовим заповненням чеклисту; потрібні безперервні ітерації та комунікація. На кожній точці відбору AI-агент ставить цілеспрямовані запитання: «Ти раніше цінував довговічність — за якої надбавки, на якому ціновому рівні, довговічність для тебе вже не є вигідною?», а далі людина в реальному часі визначає межу.

Справжня лінія розмежування: закупівля дріб’язку чи сам процес як задоволення?

У галузі зазвичай ділять сценарії на «стандартизовані товари / персоналізовані товари». Розбіжності не в тому, чи можна стандарти виміряти; справжня межа інша: чи має сама дія вибору цінність як досвід.

Для друкарського паперу, батарейок або товарів, які потребують регулярного поповнення, процес добору не має жодної цінності як досвід. Ніхто не хоче витрачати зусилля, порівнюючи два картриджі, що майже не відрізняються. Такі товари за замовчуванням добре підходять для того, щоб їх повністю обробляв AI-агент: автоматичне повторне замовлення не спричиняє втрату жодного досвіду.

Для споживання заради задоволення — навпаки. Вино, меблі, пальта, книги: сам процес вибору є частиною задоволення від покупки. Якщо віддати право судження машині, час справді заощаджується, але основне задоволення від споживання просто вилучається. Навіть якщо AI весь час безкоштовно консультує, людям не хочеться повністю делегувати вибір.

Щодо товарів для задоволення AI-агент не повинен ухвалювати рішення повністю, а має перейти в режим «збірника інформації»: виконати пошук, зробити первинний відбір, зіставити параметри, перевірити кваліфікацію продавців, витягнути типові проблеми з маси відгуків, звести 200 варіантів до 5, а потім остаточне право вибору залишити людині.

Три рівні суперечностей: AI запитує, робить історичні висновки, людина обирає самостійно

Хтось скаже: «Чому б AI просто не запитати мої критерії оцінки?» Але такий підхід — це саме той неефективний сценарій, який звичайні люди в повсякденні якраз найбільше не люблять; і ще небезпечніше, що багаторазові запитання про критерії спотворюють фінальний вибір.

Експеримент з оцінкою варення, проведений Вілсоном і Скулером у 1991 році: групі, якій наперед вимагали впорядкувати причини своїх вподобань, у підсумку дали рейтинг із більшим розходженням із професійними критеріями оцінювання; подальші експерименти показали: якщо змушувати людину перераховувати причини вибору по черзі, вона зрештою вибирає ілюстрації (постери), якими задоволена менше. Мова здатна описувати лише легкі для висловлення поверхневі ознаки й не може вловити внутрішні реальні вподобання; відчуття на кшталт смаку чи естетики можна отримати лише через сприйняття — визначити це словами складно або майже неможливо.

У результаті виникає триразова дилема, яку неможливо закрити одночасно:

Активно запитувати AI: добре відображає справжні поточні вподобання, але дуже висока тертя взаємодії, навіть спотворює вибір;

Спиратися на історичні дії для екстраполяції: все працює гладко, але «заковує» в минулі вподобання й пригнічує нові пошуки в споживанні;

Людина весь час ухвалює рішення самостійно: повністю зберігає право вибору, але витрачає багато часу й сил.

Четвертий компромісний варіант дозволяє уникнути цих недоліків: взаємодія не у форматі послідовних запитань, а «впізнавальна» (recognition-based), без покрокового допиту. AI одразу показує 3 опції, а людині лишається просто обрати. Цей метод одночасно економить зусилля й точний, бо він не вимагає абстрактно називати ті критерії, які ви часто не можете назвати.

Це можна підтвердити класичними експериментами на «перевантаження вибором». Айенгар і Леппер у 2000 році провели експеримент із дегустаційним стендом варення: коли виставляли 6 видів варення, рівень конверсії покупки був значно вищим, ніж за наявності 24 видів. Але ця теорія має суперечки — наступні аналізи й експерименти спростували цей висновок. Шеббенген та інші у 2010 році, узагальнивши багато експериментів, виявили: загалом немає універсального ефекту перевантаження вибором; Чернєв, Богенхольт і Гудман у 2015 році, охопивши 99 досліджень, показали: ефект проявляється лише тоді, коли складність товару висока, складність рішення висока, а власні вподобання розмиті. Також самі автори у подальшому розборі зазначали: під час зіставлення 24 товарів споживачам не вистачало часу, щоб упорядкувати власні вподобання. Справжня автономність існує між «агент застосовує мої критерії» та «агент вигадує критерії на основі моєї історії».

Повернімося до «AI-гаманця»: оплата лише другорядний етап

Розклавши логіку вище, стає зрозуміло, де пролом у наративі «дати AI гаманець». Ця історія змішує три абсолютно незалежні речі: суб’єкт ухвалення рішення, суб’єкт виконання та суб’єкт володіння коштами. «Дати AI гаманець» розв’язує лише проблему володіння коштами; і лише коли AI одночасно має право ухвалювати рішення, кастодіальний сервіс для коштів набуває сенсу.

Є три сценарії. Перший: рішення приймаєте ви самі й оплачуєте. У такому випадку агент не оплачує, а діє як розвідник. Другий: рішення приймає людина, а виконання завдання делегує агенту («так, купи той»). Тут агент відповідає за оформлення оплати, але не повинен зберігати кошти — достатньо надати разову, обмежену за масштабом і відкличну авторизацію саме на цю, вже схвалену, покупку. Лише в третьому випадку, коли агент сам ухвалює рішення й оплачує, без участі людини для закінчення оплати, саме гаманець бере на себе відповідальність за платіж.

Цікаво, що у 2025 році глобальна платіжна індустрія вже реалізувала дворівневу (segmented) модель авторизації, яка чітко розрізняє «авторизацію» і «кастодію коштів»:

OpenAI разом зі Stripe запустили комерційний протокол для розумних агентів: генерується спільний платіжний токен, прив’язаний до одного продавця, на фіксовану суму та разовий для використання в межах обмеженого часу; AI не може отримати повний номер банківської картки;

Mastercard у квітні 2025 опублікувала Agent Pay, генеруючи спеціальний токен для обмеженого агента, із зазначеним продавцем і правилами авторизації для прив’язаного користувача;

Google у вересні 2025 випустив AP2 протокол розумних платежів: чітко розділяються «креденшел для авторизації потреби користувача» та «креденшел для закупівельного списку AI», і обидва є верифікованими криптографічними токенами — ідеально відповідає дворівневій логіці «визначення потреби / машинне оцінювання», описаній вище;

Visa у жовтні 2025 випустила протокол для довірених агентів — зі схожим підходом до вищезазначених рішень.

Ключові платіжні провайдери одностайно підтвердили головну тезу цієї статті: не потрібно віддавати кошти AI — достатньо надати лише обмежені права на виконання операцій.

Отже, в яких реальних застосовних сценаріях потрібне незалежне кастодіальне гаманцеве сховище для AI? У споживчому ритейл-сценарії майже не потрібно кастодіювати гаманці для AI; натомість реальний простір для впровадження цієї схеми — стандартизовані великі партії товарів і автоматизовані розрахунки між машинами. Coinbase та Cloudflare разом запустили протокол x402, який заповнює прогалину в традиційних платіжних каналах за картками: підтримується автооплата між агентами без втручання людини, 7×24, за нарахуванням плати за виклик через API; за кілька місяців обсяг транзакцій перевищив 1 млн? ні — 100? (продовження: у тексті) 1億 (100 млн) транзакцій. Mastercard паралельно запустила Agent Pay для машинних сценаріїв: часті, з низькою затримкою та дрібні розрахунки між машинами. Це базова інфраструктура економіки машин, а не для персональних покупок.

У цій наративній конструкції немає прямої помилки, але її важливість повністю перевернута: незалежно кастодіальний гаманець для AI має істотну цінність лише там, де товари дуже однорідні, а сума за одну операцію невелика.

Де гаманцю бути по-справжньому

Це також пояснює зміну акценту в криптоіндустрії за останні два роки: замість того, щоб просувати наратив «звільнення споживача» на C-класі, фокус змістився на глибинну інфраструктуру для інституцій — кліринг стейблкоїнів, токенізацію активів, корпоративні сервіси. Це не відмова від AI-торгівлі, а повернення до сфери, де модель кастодіювання гаманця справді добре підходить: корпоративний сегмент. Відділ закупівель у компаніях сам по собі є інституційним втіленням «закупівель дріб’язку»: процес закупівель відокремлює суб’єктивну естетику й особисті відчуття, повністю покладаючись на специфікації, ціну, виконання та умови контракту; по суті це «ручний» формат закупівлі розумним агентом. AI-гаманець лише автоматизує процеси, які в компаніях уже давно дозріли; він не здійснює радикального перевороту в поведінкових патернах.

Сьогодні багато компаній аутсорсять закупівлі офісних канцтоварів і недорогих витратних матеріалів; конкурентна перевага платформ на кшталт Mercateo та Amazon Business не в тому, що вони найнижчі за ціною, а в тому, що вони знижують витрати на процес: уніфікований каталог закупівель і об’єднані рахунки. Компанії готові приймати невелику премію за окремий товар, щоб суттєво зменшити витрати на закупівельний персонал; витрати процесу для недорогих витратних матеріалів часто перевищують саму цінність товару. AI-агенти можуть звести витрати на оформлення замовлень до майже нуля, а також виконувати розвідку розпорошених масових постачальників; платформи зберігають лише функцію комплаєнс-перевірки: аудит допущених постачальників, уніфіковане звіряння, перевірку на підробки; і саме верифікація є реальним вузьким місцем у всьому ланцюжку процесу.

Тому стратегія впровадження не може зводитися до простого формулювання «гаманець для підприємств, а не для користувачів». Точніше: інструмент має відповідати сценарію.

Гаманець із самостійним кастодіальним керуванням (AI автономно ухвалює рішення, володіє коштами, виконує оплату): підходить для закупівель стандартизованих товарів у компаніях та автоматичних розрахунків між машинами, переважно для сценаріїв B2B і M2M із частим повторенням;

Сценарії особистого споживання: не потрібна кастодія коштів; замість цього видаються одноразові, обмежені за обсягом платіжні токени, і лише після підтвердження людиною замовлення AI може здійснювати розрахунки.

Якщо «дати AI гаманець» виступає як рекламний заголовок для C-клієнтів, він націлений лише на дуже вузький підсегмент. Справжній ринок для основного впровадження цієї схеми — автоматизація в бекофісі компаній.

Додаткове уточнення: корпоративні закупівлі — це не лише стандартизовані товари. Частину рішень також неможливо віддати AI на автономне ухвалення: вибір юридичної фірми, об’єктів для поглинання, ключових постачальників — це стратегічний вибір, і суб’єктивні наслідки мають істотний вплив. Так само, як і в персональному виборі вина, рішення має ухвалювати людина напряму; у таких сценаріях самокерований гаманець безсилíй. AI-гаманець тут не має застосування.

Це правило працює у всіх сферах: незалежний кастодіальний гаманець для AI дає цінність лише на рівні стандартизованих товарів, тоді як стандартизований бізнес сконцентрований всередині компаній — там найбільший обсяг і найвища щільність попиту.

Справжній вузький грат — ніколи не в оплаті

Технологія переміщення коштів давно зріла; платіжний етап не має жодних справжніх «вузьких місць». Справжній бар’єр для впровадження AI-покупок — в інших двох сферах.

Перше: відсутність надійних джерел даних. Передумова автоматизованих рішень — що дані реальні та надійні; інакше, якщо базова інформація викривлена, автономний AI буде з машинною швидкістю примножувати негативний вплив фейкових даних. Поширення фальшивих оцінок вже є публічно відомою проблемою в індустрії. Федеральна торгова комісія США у 2024 році ухвалила нові правила (набули чинності 21 жовтня), якими прямо забороняється фальшиве оцінювання товарів: чітко зазначено, що генеративний AI суттєво знижує поріг для масового виробництва фальшивих відгуків; штраф за порушення може сягати 51744 доларів США за одну операцію. До кінця 2025 року регулятори вже направили кілька попереджувальних листів.

Проблема підробок справжніх товарів також дуже серйозна. Згідно з даними Організації економічного співробітництва та розвитку (OECD) і Європейського відомства з питань інтелектуальної власності (EUIPO) за 2025 рік: у 2021 році обсяг торгівлі підробками в усьому світі становив приблизно 4670 млрд доларів США, тобто 2,3% від загального обсягу світової торгівлі; частка підробок серед імпортованих товарів до ЄС — 4,7%, а найважчі проблеми — у категоріях одягу, взуття та сумок, а також предметів розкоші; вони якраз належать до «досвідних» (experience-based) товарів. Докази походження на рівні одиниці товару, верифіковані справжні відгуки, незалежна експертиза третьої сторони, збереження трасування на рівні одиниці (в ЄС — Директива щодо антифальсифікації, у США — закон щодо ланцюга постачання лікарських засобів уже вимагають наявність таких доказів на пакуванні), — це передумова для безпечного судження AI про товар.

Друге: право людини визначати потреби не можна автоматизувати. Поки стандарти потреби визначає людина, подальші етапи відбору, порівняння та розрахунків можуть бути автоматизовані. Але сам процес визначення власної потреби природно неможливо віддати машині. Якщо AI генерує для вас стандарти потреби, зрештою сформовані вподобання не будуть належати саме вам.

Налаштування AI-агенту з гаманцем розв’язує лише найбільш простий фінансовий етап. Натомість напрям, у який справді варто вкладатися: безпечно й керовано автоматизувати відбір та оцінювання, одночасно повернувши людині дві ключові права — визначати критерії оцінки та насолоджуватися задоволенням від фінального вибору.

Підсумок

Насамкінець підкреслю: для товарів, орієнтованих на досвід, щойно канал закупівель стає «товаром», товар стає видимим всюди. Тоді ваш продукт уже не є товаром як таким — вибір стає головним. Платформам потрібно оптимізувати ступінь стандартизації своєї інформації, щоб AI міг ефективно здійснювати пошук: повні, верифіковані ланцюжки походження, чисті, структуровані дані про товари, і спрямування AI трафіку користувачів на власну платформу. На цій основі потрібно зберегти ключову перевагу автоматизації, яку неможливо замінити, розширити межі естетичного вибору користувачів для нового досвіду в споживанні та досягти приємного відчуття від фінального добору товару. Передайте збір інформації AI-агентам, а основну конкурентну перевагу платформи сфокусуйте на створенні ще кращого досвіду вибору.