Agentic commerce: agenci AI jako pośrednicy w zakupach

Handel agentowy (agentic commerce) przenosi decyzję zakupową ze strony wyników wyszukiwania do rozmowy z agentem AI. Zamiast samodzielnie przeszukiwać sklepy, użytkownicy formułują cel, a agent wyszukuje, porównuje i w idealnym przypadku kupuje produkt. W sprzedaży B2B w Europie powstaje w ten sposób nowa, zapośredniczona przez maszyny warstwa widoczności między marką a klientem. Ten artykuł porządkuje pojęcie, protokoły, platformy i pomiar oraz przedstawia plan działań dla firm w Europie.

Dlaczego handel agentowy zyskuje na znaczeniu właśnie teraz

Warunek zakupów agentowych jest prosty: ludzie muszą na co dzień korzystać z systemów AI. W regionie DACH (Niemcy, Austria, Szwajcaria) stało się to już rzeczywistością. W Niemczech 67% osób w wieku od 16 lat korzystało z generatywnej AI, takiej jak ChatGPT, Microsoft Copilot czy Google Gemini, co oznacza skok o 27 punktów procentowych w porównaniu z latem 2024 roku (wtedy 40%). Wśród użytkowników prowadzi ChatGPT z wynikiem 43%, a dalej plasują się Copilot z 39%, Gemini z 28% i Perplexity z 1%. Te dane Bitkom dotyczą Niemiec, a nie całego regionu DACH, ale pokazują kierunek: interfejs czatu staje się standardowym interfejsem. Kogo tam nie ma, ten nie istnieje na etapie wstępnej selekcji.

Ta zmiana uderza w marketing w czułym punkcie. Gdy to agent szuka informacji i porównuje oferty, klasyczne punkty styku, takie jak karta produktu czy płatne kliknięcie, częściowo znikają z pola widzenia klienta. Marka musi zamiast tego pojawić się w samej wygenerowanej odpowiedzi. Właśnie tu handel agentowy łączy się z Generative Engine Optimization (GEO): widoczność w odpowiedzi AI to bilet wstępu do agentowego procesu zakupowego.

Jak to działa: odkrywanie, protokoły i witryny platform

Handel agentowy nie jest tym samym co wyszukiwanie produktów przez AI. Warto rozróżnić trzy etapy. Odkrywanie: agent znajduje i wymienia produkty w swojej odpowiedzi, ale zakup nadal odbywa się w sklepie. Wstępna selekcja: agent aktywnie zawęża opcje i rekomenduje. Autonomiczny zakup: agent uruchamia transakcję w interfejsie AI. Klasyczny e-commerce kończy się kliknięciem przez użytkownika przycisku zamówienia, a handel agentowy przenosi ten krok do agenta. Dwa pierwsze etapy są dziś powszechne, trzeci jest technicznie możliwy, ale jeszcze nie upowszechnił się na szeroką skalę.

Aby agent w ogóle mógł sprzedawać, potrzebna jest warstwa infrastruktury. Konkuruje tu kilka standardów:

• Agentic Commerce Protocol (ACP): opracowany przez OpenAI wspólnie ze Stripe i udostępniony jako open source. Określa, jak agent inicjuje zamówienie i obsługuje płatność. ACP był podstawą funkcji Instant Checkout w ChatGPT. Według OpenAI ACP pozostaje infrastrukturą, która łączy użytkowników ze sprzedawcami na całej ścieżce zakupowej.
• Universal Commerce Protocol (UCP): otwarty standard Google dla zakupów agentowych. W styczniu 2026 roku Google zapowiedział, że UCP umożliwi nową funkcję checkoutu w kwalifikujących się kartach produktów w AI Mode i w aplikacji Gemini, dzięki której klienci mogą sfinalizować zakup bezpośrednio u wybranych sprzedawców z USA. Jako partnerów Google wymienia m.in. Shopify, Etsy, Wayfair, Target i Walmart. Według prasy branżowej w maju 2026 roku checkout był ograniczony do kwalifikujących się sprzedawców z USA i pojawił się wtedy po raz pierwszy także w zwykłych wynikach wyszukiwania. W tym samym miesiącu Google zapowiedział wprowadzenie checkoutu UCP w Kanadzie i Australii, a następnie w Wielkiej Brytanii. Regionu DACH Google w tym kontekście nie wymienia.
• Model Context Protocol (MCP): opracowany przez Anthropic otwarty standard łączenia agentów z narzędziami i źródłami danych, od grudnia 2025 roku rozwijany w ramach Agentic AI Foundation pod egidą Linux Foundation. MCP nie jest protokołem płatniczym, lecz uniwersalnym pomostem, przez który agent może pobierać ustrukturyzowane dane o produktach i stanach magazynowych. ACP i UCP obsługują finalizację zakupu, MCP odpowiada za dostęp do danych. Standardy te częściowo więc konkurują, a częściowo uzupełniają się na różnych poziomach.

W interfejsie protokoły te stają się widocznymi witrynami. W Google AI Mode pojawia się nowy format reklamowy, Direct Offers: sprzedawcy mogą wyświetlać ekskluzywne oferty, np. rabat w wysokości 20%, bezpośrednio w AI Mode użytkownikom gotowym do zakupu, przy czym to Google za pomocą AI decyduje, kiedy oferta jest trafna. Wśród marek biorących udział w pilotażu są m.in. Petco, e.l.f. Cosmetics, Samsonite i Rugs USA. OpenAI we wrześniu 2025 roku zaprezentował Instant Checkout, czyli finalizację zakupu bezpośrednio w ChatGPT. W marcu 2026 roku OpenAI ograniczył tę funkcję: od tego czasu zakupy mają odbywać się przez aplikacje sprzedawców i partnerów w ChatGPT. Według doniesień The Information dołączyło niewielu sprzedawców. W Perplexity i Microsoft Copilot powstają podobne interfejsy nastawione na zakupy. Dla rynku DACH kluczowe jest to, że te programy pilotażowe startują najpierw w USA z wybranymi sprzedawcami. Austriacki rynek jest więc mniej dojrzały niż amerykański.

GEO jako warunek wstępny: jak sprawić, by AI cytowała Twoją markę

Zanim agent będzie mógł coś kupić, musi znać markę i ją wymienić. Widoczność w odpowiedziach generatywnych rządzi się innymi zasadami niż klasyczny ranking. Badanie dotyczące Generative Engine Optimization, powiązane z Princeton, pokazuje, że celowa optymalizacja może zwiększyć widoczność w odpowiedziach generatywnych nawet o 40%. Badanie wskazuje, że najskuteczniejsze strategie różnią się w zależności od dziedziny, ale wyróżnia treści wzbogacone merytorycznie. W praktyce oznacza to dla handlu agentowego:

• Front-Loading: kluczowe informacje, czyli czym jest produkt, dla kogo się nadaje i ile kosztuje, powinny znaleźć się w pierwszych zdaniach, a nie na końcu. Systemy AI chętniej wyodrębniają jasne stwierdzenia umieszczone na początku.
• Answer Islands: samodzielne, zamknięte bloki odpowiedzi, które w pełni odpowiadają na konkretne pytanie, łatwiej zacytować niż rozproszone informacje.
• Brand Mentions zamiast backlinków: dla szansy na cytowanie w odpowiedziach AI spójne wzmianki o marce w odpowiednim kontekście często liczą się bardziej niż klasyczny backlink. Systemy generatywne agregują wzmianki z wielu źródeł.
• Statystyki i cytaty: według badań nad GEO udokumentowane liczby i weryfikowalne twierdzenia zwiększają prawdopodobieństwo, że treść zostanie wykorzystana jako źródło.

Dobre praktyki: dane strukturalne i higiena feedów dla agentów AI

Gdy marka jest już cytowana, agent potrzebuje faktów czytelnych dla maszyn, aby móc porównywać i kupować. Techniczny fundament tworzą następujące działania:

• Dbać o poprawne znaczniki Product: dane strukturalne zgodne ze schema.org/Product, zawierające cenę, dostępność, markę i unikalne identyfikatory (GTIN, MPN), dają agentowi wiarygodne atrybuty zamiast zgadywanych wartości.
• Aktualizować feedy produktowe: feedy muszą na bieżąco odzwierciedlać zmiany cen i stanów magazynowych. Agent, który poleca niedostępny już produkt, natychmiast podważa zaufanie do marki.
• Utrzymywać spójne atrybuty dostępności i ceny: sprzeczne ceny w feedzie, znacznikach schema i sklepie sprawiają, że agent uznaje źródło za niewiarygodne.
• Udostępnić plik llms.txt: plik llms.txt w katalogu głównym służy systemom AI jako czytelny dla maszyn drogowskaz. Może odsyłać do kluczowych informacji o produktach, warunków handlowych i źródeł danych, ułatwiając w ten sposób włączenie do procesów agentowych. Standard jest dobrowolny i nie wszyscy dostawcy go uwzględniają, ale należy do higieny feedów w sklepach czytelnych dla maszyn.

Dla dostawców B2B w Europie oznacza to konkretnie: najpierw trzeba uporządkować dane, a dopiero potem warto pilotażowo wdrożyć ACP lub UCP. Technicznie poprawny feed to warunek, by w ogóle pojawić się w agentowych ścieżkach zakupowych.

Częste błędy i kwestia zaufania

Najczęstszym błędem strategicznym jest założenie, że konsumenci od razu powierzą AI autonomiczne zakupy. Dane wyraźnie temu przeczą. Według ankiety Gartnera przeprowadzonej wśród 322 amerykańskich konsumentów gotowość do pozostawienia AI samodzielnych decyzji zakupowych wyniosła maksymalnie 11%, i to tylko w kategoriach niskiego ryzyka, takich jak pielęgnacja ciała i artykuły gospodarstwa domowego. Wstępną selekcję respondenci akceptują chętniej: 31% pozwoliłoby AI zawęzić wybór artykułów gospodarstwa domowego, a 28% wybór elektroniki osobistej. Wartości te pochodzą z badania w USA i nie przekładają się jeden do jednego na region DACH, ale wzorzec jest wyraźny: zaufanie do AI przy wyszukiwaniu informacji i wstępnej selekcji, rezerwa wobec autonomicznej finalizacji zakupu.

Ten sam wzorzec pojawił się w ChatGPT. Według źródła cytowanego przez The Decoder użytkownicy wyszukiwali tam produkty, ale rzadko je kupowali. The Decoder widzi w tym jeden z powodów, dla których OpenAI ograniczył własny checkout.

Strategiczny wniosek brzmi: Human-in-the-Loop. Strategia konwersji powinna utrzymywać człowieka w punkcie podejmowania decyzji, a nie go zastępować. Kto optymalizuje pod kolejny etap, nastawiony na zakup, powinien jednocześnie wzmacniać dominujący dziś etap wstępnej selekcji.

Drugim błędem jest lekceważenie zależności od platform. Jeśli agent kontroluje witrynę, platforma kontroluje warunki. Formaty rabatowe, takie jak Direct Offers, mogą wywierać presję na marże, a zależność od jednego dostawcy to realne ryzyko. Wynik badania Bitkom, według którego 68% uważa, że Niemcy są zbyt zależne od USA i Chin w obszarze AI, odzwierciedla tę obawę na poziomie społecznym. Kto pilotażowo wdraża handel agentowy, powinien świadomie zabezpieczyć suwerenność swoich danych i bezpośrednią relację z klientem.

Metryki i pomiar: ruch referral z AI i nowe wskaźniki GEO

Ruch pozyskany za pośrednictwem AI uchodzi za bliższy zakupu, ponieważ agent już wcześniej doprecyzował potrzebę. To założenie można potwierdzić tylko wtedy, gdy ruch jest poprawnie mierzony. W GA4 odesłania z ChatGPT, Perplexity, Gemini czy Copilota można wyodrębnić za pomocą źródeł odesłań i filtrów regex, a następnie analizować jako osobną grupę kanałów. Dopiero wtedy widać, czy sesje z AI rzeczywiście lepiej konwertują.

Poza klasycznymi rankingami upowszechniają się wskaźniki specyficzne dla GEO:

• Share of Voice: jak często marka jest wymieniana w odpowiedziach AI na istotne pytania w porównaniu z konkurencją.
• Citation Rate: jaki odsetek odpowiedzi cytuje Twoje źródło lub do niego linkuje.
• Zamówienia przypisane do AI: zamówienia, które można powiązać z sesją AI lub agentowym checkoutem.

Te metryki są jeszcze młode i nieustandaryzowane, ale stanowią rdzeń wiarygodnego raportowania w handlu agentowym. Kto wdroży je wcześnie, może określić ilościowo wartość widoczności w AI w porównaniu z klasycznym lejkiem.

B2B i specyfika Europy: zakupy, ochrona danych, dojrzałość rynku

W B2B zakupy agentowe wykraczają poza segment konsumencki. Gartner prognozuje, że do 2028 roku agenci AI będą pośredniczyć w wydatkach B2B o wartości ponad 15 bilionów dolarów amerykańskich oraz że w ciągu trzech lat 90% wszystkich zakupów B2B będzie realizowanych przez agentów AI. Te liczby to prognoza międzynarodowa, a nie obecny stan specyficzny dla Europy, ale pokazują skalę przełomu w zaopatrzeniu.

Jednocześnie człowiek pozostaje kluczowy w procesie B2B. Według Gartnera 69% kupujących B2B woli weryfikować wnioski wygenerowane przez AI z przedstawicielami handlowymi. Ankieta nie wskazuje regionu, więc nie jest to potwierdzony wynik dla Europy. Wspiera jednak tezę, że w B2B AI uzupełnia sprzedaż, a nie ją zastępuje: handlowcy pełnią rolę wiarygodnych weryfikatorów.

W przypadku Europy dochodzą dwa czynniki. Po pierwsze, kontekst regulacyjny: ochrona danych zgodnie z RODO i wymogi unijnego AI Act określają, w jaki sposób agentowe procesy zakupowe mogą przetwarzać dane. Po drugie, dojrzałość rynku: kluczowe witryny platform startują w USA. Czy i kiedy dotrą do Europy, pozostaje otwarte. Firmy w Europie mają więc czas na zbudowanie podstaw danych i widoczności, zanim agentowe ścieżki zakupowe staną się lokalnie powszechnie dostępne. Uwaga: informacje dotyczące regulacji mają charakter informacyjny i nie zastępują porady prawnej.

Praktyczny plan działań i materiały uzupełniające

Dla firm w Europie wynika z tego pragmatyczna kolejność. Po pierwsze, zbudować widoczność w zakupach z AI, optymalizując treści zgodnie z zasadami GEO (Front-Loading, Answer Islands, udokumentowane liczby, spójne Brand Mentions). Po drugie, zadbać o higienę feedów, czyli utrzymywać w porządku znaczniki Product, feedy produktowe oraz atrybuty ceny i dostępności, a także udostępnić plik llms.txt. Po trzecie, celowo pilotować ACP i UCP, gdy tylko platformy wejdą na rynek europejski, zaczynając od asortymentu o niższym ryzyku. Po czwarte, wdrożyć pomiar: wyodrębnić w GA4 ruch referral z AI i śledzić Share of Voice, Citation Rate oraz zamówienia przypisane do AI. Po piąte, aktywnie zarządzać ryzykiem, zwłaszcza presją na marże wynikającą z formatów rabatowych i zależnością od platform, oraz zabezpieczyć bezpośrednią relację z klientem.

Handel agentowy to więc nie tyle pojedyncze narzędzie, ile przesunięcie interfejsu. Firmy, które już teraz udostępniają swoje dane w formie czytelnej dla maszyn i są obecne w odpowiedziach AI, tworzą podstawę, by w ogóle zaistnieć na kolejnym etapie handlu internetowego.