Agentic e-commerce. O co chodzi i jak do tego podejść?

„Agentic” w e-commerce oznacza, że model/agent dostaje możliwość wykonania procesu zakupowego jako sekwencji kroków: rozumie intencję, planuje działanie, korzysta z narzędzi (katalog, dostępność, dostawa, płatność) i dowozi rezultat. W klasycznym e-commerce użytkownik porusza się po interfejsie i ręcznie składa decyzję z wielu mikrokroków. W agentic użytkownik coraz częściej formułuje zadanie, a system sam „składa” zakup w oparciu o dane i reguły.

To przesuwa konkurencję w dwóch kierunkach. Po pierwsze, pojawia się handel „out-of-store”, gdzie decyzja startuje w interfejsie agenta, a sklep musi być łatwy do kupienia przez protokoły i automatyzacje. Po drugie, rośnie znaczenie agentów „in-store”, którzy skracają czas decyzji i zmniejszają tarcie w sklepie. W artykule pokażę proste rozróżnienie tych światów, omówię przykłady (Rufus), standardy, które próbują to ujednolicić (UCP/ACP) i najważniejsze: jak przygotować dane i procesy, żeby skutecznie sprzedawać w erze agentów AI w e-commerce.

Rodzaje: Agentic Commerce – in-store vs out-of-store

Agentic commerce ma dwa główne „miejsca akcji”. To ważne rozróżnienie, bo w każdym z nich wygrywa się czymś innym.

In-store: agent w Twoim sklepie (sprzedaż wspierana agentem)

W podejściu in-store agent działa wewnątrz doświadczenia sklepu (albo w jego bezpośrednim UI): pomaga klientowi wybrać właściwy produkt i szybciej doprowadza do decyzji. To jest ewolucja UX — mniej „nawigowania po katalogu”, więcej „rozmowy o potrzebie”, ale transakcja nadal dzieje się w Twoim środowisku.

Typowe zastosowania in-store:

• dobór wariantu i kompatybilności („który zasilacz do tego modelu?”),
• porównywanie i streszczanie różnic (parametry, opinie, plusy/minusy),
• rekomendacje oparte o kontekst („na zimę”, „dla alergika”, „do małej kuchni”),
• wsparcie po zakupie (status, zwroty, instrukcje, części, akcesoria).

Out-of-store: agent poza Twoim sklepem (nowy kanał pozyskania transakcji)

W podejściu out-of-store zakup startuje poza Twoją stroną – w interfejsie agenta (czat, asystent, tryb AI w wyszukiwarce). Sklep staje się dla agenta „wykonawcą”: dostarcza ofertę, dostępność, warunki, a finalizacja jest realizowana przez protokoły/integracje.

Tu zmienia się mechanika konkurencji: często klient nie „wybiera sklepu”, tylko deleguje zadanie („kup mi X w tych warunkach”), a agent decyduje, u kogo to zadanie da się wykonać najpewniej i najprościej.

Typowe zastosowania out-of-store:

• zakupy powtarzalne i codzienne („uzupełnij zapasy”, „kup to samo co ostatnio”),
• szybkie koszyki o jasnych wymaganiach („do jutra”, „bez zamienników”, „do 200 zł”),
• porównanie ofert między sklepami bez „chodzenia po stronach”.

To nie są dwa konkurencyjne kierunki – większość firm docelowo będzie rozwijać oba:

• in-store jako upgrade doświadczenia i konwersji,
• out-of-store jako nowy kanał sprzedaży, który będzie rosnąć wraz z adopcją agentów.

Warto przy tym założyć, że out-of-store nie zawsze będzie oznaczać pełny checkout w jednym interfejsie AI – w wielu scenariuszach agent przejmie discovery, porównanie i prowadzenie użytkownika, a sama finalizacja będzie zależna od aplikacji, partnera lub merchanta.

Co daje biznesowo agentic (i dlaczego warto)

Agentic daje wartość wtedy, gdy usuwa konkretne tarcia w procesie zakupu albo przynosi transakcje z nowych powierzchni, których wcześniej nie dało się sensownie „obsłużyć UX-em”.

In-store: wyższa konwersja dzięki skróceniu drogi do decyzji i pewnemu doborowi wariantu

Najprostszy sposób myślenia o in-store: agent skraca dystans między „wiem mniej więcej czego chcę” a „mam właściwy wariant w koszyku”. Dzięki temu:

1. Wyższa konwersja w złożonych kategoriach (parametry, kompatybilność, dużo wariantów) — bo agent „dopytuje” i zawęża wybór bez ręcznego przeklikiwania filtrów.
2. Mniej porzuceń na etapie researchu — bo agent streszcza różnice, odpowiada na pytania i rozbraja niepewność („czy to pasuje?”, „czym to się różni?”).
3. Więcej sensownego cross-sell — bo agent naturalnie buduje komplet pod cel („do biegania zimą”, „setup do domowego studio”) zamiast polegać na przypadkowych rekomendacjach.
4. Wyższa retencja w zakupach powtarzalnych — bo wracający klient nie musi przechodzić ścieżki od zera; agent pamięta preferencje i ułatwia re-order.
5. Niższe obciążenie supportu w pytaniach produktowych (tam, gdzie da się to oprzeć o twarde dane i reguły).

“Ask Rufus” od Amazon jako przykład in-store

Przykładem rynkowym in-store jest Rufus od Amazon, który ujawnił wskaźniki użycia i efektu:

• 250+ mln klientów użyło Rufusa w 2025, a miesięczna liczba użytkowników wzrosła o 140% r/r i interakcje o 210% r/r.
• Klienci, którzy korzystają z Rufusa w trakcie ścieżki zakupowej, są o 60% bardziej skłonni sfinalizować zakup.

To, co w Rufusie bezpośrednio “mapuje się” na konwersję, to funkcje domykające i redukujące tarcie, m.in.:

• Personalizuje rekomendacje i potrafi dodawać produkty do koszyka na podstawie preferencji i kontekstu rozmowy (z możliwością weryfikacji przed checkoutem).
• Umożliwia discovery „po intencji” (okazja/aktywność/cel), a także wyszukiwanie produktów po obrazie/zdjęciu (np. lista zakupów, problem do rozwiązania).
• Wspiera oszczędzanie: pokazuje historię ceny z 30 i 90 dni, ustawia price alerts, a dla klientów Prime może uruchamiać auto-buy po osiągnięciu progu ceny.
• W wybranych scenariuszach umożliwia zakupy poza Amazon: “Shop Direct” (przejście do merchanta) oraz “Buy for Me” (zakup w imieniu użytkownika). 
• Automatyzuje obsługę posprzedażową 24/7: statusy zamówień i dostaw, zwroty/refundy, zmiany/anulacje, płatności i ustawienia konta (z opcją połączenia z konsultantem).

Out-of-store: utrzymasz i pozyskasz klientów tam, gdzie zakupy przeniosą się do agentów AI

Out-of-store to nie „kolejny touchpoint”. To nowy kanał sprzedaży, w którym zakup zaczyna się i często kończy poza Twoim sklepem — w interfejsie modelu/agentów AI. A skoro zmienia się miejsce, w którym użytkownik podejmuje decyzję i finalizuje zakup, to zmieniają się też zachowania: mniej przeglądania, mniej porównywania ręcznie, więcej zlecania zadania w stylu „kup mi X w warunkach Y”.

Dla biznesu to jest core, bo oznacza migrację klientów do nowych nawyków zakupowych. Jeśli sprzedaż zacznie się dziać w agentach, musisz być „kupowalny” właśnie tam — inaczej wypadniesz z procesu zakupowego, nawet jeśli masz świetny sklep, świetny UX i dobre ceny. W praktyce to przesuwa konkurencję z „kto lepiej przyciągnie ruch do sklepu” na „kto jest najłatwiejszy do kupienia przez agenta”: jednoznaczna oferta, brak niejasności wariantów, przewidywalna dostępność, klarowne warunki dostawy i zwrotów, oraz możliwość szybkiej finalizacji transakcji.

To kanał o dwóch równoległych efektach biznesowych. Po pierwsze, daje potencjał pozyskania nowych kupujących, którzy w ogóle nie będą wchodzić na strony sklepów tak jak dziś — po prostu poproszą agenta o zakup. Po drugie, to warunek utrzymania obecnych klientów: część osób, które kupowały u Ciebie bezpośrednio, zacznie robić zakupy przez modele AI. Jeśli agent nie będzie potrafił kupić u Ciebie równie łatwo jak u konkurencji, to ryzykujesz cichą utratę sprzedaży — bez klasycznych sygnałów typu spadek ruchu organicznego czy gorszy CTR w kampaniach.

Warstwa infrastruktury rynku: protokoły i standardy (warunek sprzedaży out-of-store w ekosystemach Google i OpenAI)

W modelu out-of-store sprzedaż dzieje się w interfejsie agenta, a nie w Twoim sklepie. To znaczy, że żeby transakcja mogła się w ogóle wydarzyć, rynek musi mieć wspólny „format” na: prezentację oferty, potwierdzenie warunków i dopięcie zakupu. Protokoły są właśnie o tym — nie o ulepszaniu UX sklepu (to temat in-store), tylko o tym, żeby Twoja oferta była kupowalna tam, gdzie użytkownik zacznie kupować przez AI.

Universal Commerce Protocol (UCP) — Google

Google pozycjonuje Universal Commerce Protocol (UCP) jako otwarty standard dla agentic commerce, który ma ułatwiać realizację zakupów inicjowanych na powierzchniach AI Google, takich jak Search czy Gemini.

Agentic Commerce Protocol (ACP) — OpenAI + Stripe

Analogicznie do UCP w Google, ACP (Agentic Commerce Protocol) to standard rozwijany po stronie OpenAI i Stripe, zaprojektowany do obsługi programatycznych zakupów z udziałem agentów AI. W praktyce wspiera on m.in. Instant Checkout w ChatGPT, ale ten model jest dziś wdrażany selektywnie i zależy od partnera, marketplace’u oraz dostępności funkcji w danym ekosystemie.

Co to oznacza strategicznie dla out-of-store

Jeśli chcesz być realnie ‘dostępny do kupienia’ w sprzedaży prowadzonej przez AI, warto zakładać gotowość na różne ekosystemy równolegle – zarówno te, w których AI będzie prowadzić użytkownika do zakupu, jak i te, w których część finalizacji może odbywać się bezpośrednio w interfejsie agenta.

Wdrożenie techniczne: jak podejść do gotowości out-of-store

Jeśli protokoły (UCP/ACP) są „językiem rynku”, to to, co musisz zrobić po swojej stronie, to zapewnić, że sklep da się tym językiem obsłużyć.

Korzystasz z Shopify? Masz przewagę — Shopify zapowiedziało Agentic Storefronts, czyli kierunek, w którym platforma ma przygotować sklepy na sprzedaż out-of-store (zakupy realizowane przez interfejsy AI).

Jeśli jesteś na innej platformie, temat szybko stanie się „plugin-friendly”: będą pojawiać się moduły/wtyczki, które dodadzą wsparcie dla standardów typu UCP (Google) i ACP (OpenAI) — tak, żeby sklep był kupowalny w kanałach agentowych bez przebudowy całego systemu.

A jeśli masz sklep dedykowany (custom), potraktuj to jak element roadmapy: dodaj ticket do backlogu na ‘out-of-store readiness’ – czyli przygotowanie danych, procesów i integracji pod sprzedaż inicjowaną przez AI, a w kolejnym kroku ocenę wsparcia dla standardów takich jak UCP czy ACP tam, gdzie staną się one realnie dostępne i biznesowo uzasadnione.

Jak się przygotować na agentic (checklista dla e-commerce)

W agentic jedna rzecz jest wspólna dla sprzedaży w sklepie i poza nim: dane muszą być uporządkowane i jednoznaczne. Model ma dowieźć poprawny wynik (właściwy produkt, wariant, dostawę i warunki), więc nie może opierać się na domysłach i marketingowych opisach.

1) Warianty i cechy produktu muszą być kompletne

Najwięcej błędów to warianty: rozmiar, kolor, pojemność, wersja, rocznik, standard, moc, materiał. Jeśli te informacje są niepełne albo zapisane raz tak, raz inaczej, system nie ma jak wybrać poprawnie.

Co robić: dla każdej kategorii spisz listę cech krytycznych i doprowadź do tego, żeby kluczowe produkty miały je uzupełnione w 100%.

2) Dopasowanie i zgodność: zapisuj to jako dane, nie jako opis

W elektronice, akcesoriach, częściach czy kosmetykach często pada pytanie „czy to pasuje?”. Tego nie da się dobrze rozwiązać samym opisem marketingowym.

Co robić: kompatybilność, zastosowania i ograniczenia zapisuj w polach danych (np. lista modeli, standardów, typów), a nie w jednym akapicie tekstu.

3) Dostępność i dostawa muszą być wiarygodne

Użytkownicy będą zlecać zakupy „pod warunek”: na jutro, do piątku, do 200 zł, bez zamienników. Jeśli dostępność jest „na oko”, a czasy dostawy niepewne, szybko pojawiają się anulacje i złe doświadczenia.

Co robić: uporządkuj źródło stanów magazynowych, czasy realizacji, godziny graniczne wysyłek i koszty dostawy — i traktuj to jako twarde dane.

4) Zwroty i reklamacje opisz prosto i jednoznacznie

System musi zrozumieć, czy zakup jest „bezpieczny”: ile dni na zwrot, jakie wyjątki, kto płaci za odesłanie, co z produktami użytymi.

Co robić: uporządkuj zasady w formie krótkich reguł (czas, wyjątki, koszty), spójnie dla całego sklepu i kategorii.

5) Uporządkuj katalog tak, żeby był czytelny dla maszyn

Spójne kategorie, nazwy, jednostki miar, brak „różnych wersji tej samej informacji” w różnych miejscach — to warunek, żeby model dobrze porównywał produkty i nie mylił parametrów.

Co robić: ujednolić nazewnictwo, jednostki i strukturę kategorii, zadbać o konsekwentny zapis cech.

6) Dodaj dane semantyczne (schema.org) dla produktów i ofert

Jeśli chcesz, żeby narzędzia AI i wyszukiwarki lepiej rozumiały Twoją ofertę, warto oznaczyć produkty i oferty danymi semantycznymi, np. schema.org (produkt/oferta, cena, dostępność, opinie). To nie zastąpi porządku w danych źródłowych, ale pomaga „wystawić” je w sposób łatwy do interpretacji — szczególnie w sprzedaży poza sklepem.

Co robić: wdroż oznaczenia schema.org na kartach produktu i stronach ofert (cena, dostępność, warianty, opinie), a jeśli masz feed produktowy — dopilnuj spójności tych samych pól w feedzie i w danych na stronie.

7) Szybkie poprawianie błędów w danych (proces i odpowiedzialność)

W agentic problemy z danymi wychodzą szybciej, bo część decyzji jest podejmowana automatycznie.

Co robić: monitoruj braki i niespójności (np. puste cechy, sprzeczne parametry), wyznacz odpowiedzialność po stronie biznesu i zadbaj o szybki proces poprawy.

8) Zacznij od najważniejszych kategorii, nie od całego katalogu

Najlepiej zacząć tam, gdzie tarcie jest największe: dużo wariantów, dużo pytań, duża liczba porzuceń.

Co robić: wybierz 1–2 kategorie, doprowadź je do wzorcowej jakości danych i dopiero potem skaluj na resztę.

Komentarz ekspercki: gdzie agentic najmocniej zmieni zasady gry

Agentic najmocniej uderzy w te fragmenty e-commerce, w których klient nie chce już „robić zakupów”, tylko chce mieć je zrobione. Jeśli coś jest powtarzalne, łatwe do opisania warunkami i „ma działać bez pomyłek”, to naturalnie przesuwa się w stronę zlecenia: kup, uzupełnij, zamów ponownie, pilnuj ceny, dostarcz na jutro. W tym sensie agentic może sprawić, że część e-commerce stanie się dla użytkownika „niewidzialna”.

Najmocniej odczują to branże, w których sprzedaje się de facto ten sam produkt u wielu sprzedawców, a decyzja jest w dużej mierze funkcją: cena, dostępność, dostawa, zaufanie, zwrot. Zakupy codzienne i uzupełnianie zapasów zaczną przesuwać się z „przeglądam katalog” do „odtwórz mój standardowy koszyk”, „kup to samo co ostatnio, bez zamienników”, „uzupełnij podstawy i dowieź jutro”. W tych segmentach przewaga UX klasycznego sklepu będzie się zmniejszać, bo użytkownik nie szuka „doświadczenia”, tylko skuteczności. To będzie świat, w którym liczy się: kupić szybko, dobrze i bez niespodzianek.

Są natomiast kategorie, w których ludzie nie chcą delegować całej decyzji, bo ważne jest oglądanie, inspirowanie się, estetyka, storytelling i „feeling” marki. To produkty premium, fashion czy design. Tam doświadczenie marki, estetyka i sposób prezentacji są częścią wartości produktu, więc użytkownicy nadal będą chcieli „wchodzić w świat marki”, inspirować się i oglądać. Agent będzie tu raczej wspierał: dopasuje rozmiar, podpowie zestawy, porówna materiały, ale nie zastąpi decyzji opartej o styl. Co więcej, dobre marki mogą wykorzystać agentic do tworzenia jeszcze mocniejszej ekspozycji: rekomendacje oparte o styl, spójne zestawy, personalizowane propozycje, ale nadal w ramach ich świata i estetyki.

Moja prognoza: agentic sprawi, że część zakupów stanie się dla użytkownika niewidzialna — będą zleceniem realizowanym w tle (powtarzalne koszyki, uzupełnianie, pilnowanie warunków). Z drugiej strony, odkrywanie marek i produktów może stać się jeszcze bardziej angażujące, bo AI pozwoli tworzyć doświadczenia bardziej personalne i „szyte na miarę” niż klasyczne filtry i listy produktów.

Jeśli rozważasz wdrożenie agentic — zarówno in-store, jak i out-of-store — i chcesz podejść do tego pragmatycznie (od danych, procesu i prostych pilotaży), chętnie pomożemy to zaplanować i przeprowadzić.

Bibliografia

1. https://www.aboutamazon.com/news/retail/amazon-rufus-ai-assistant-personalized-shopping-features
2. https://www.aboutamazon.com/news/retail/how-to-use-amazon-shopping-ai-assistant
3. https://www.shopify.com/news/ai-commerce-at-scale