Agentic commerce: quando il cliente è un agente AI

Nell’agentic commerce, quando una richiesta passa da ChatGPT, Gemini, Perplexity o Copilot, il cliente nel momento della scelta può essere un agente AI che legge e confronta prodotti per conto di una persona. Per un brand italiano, questo cambia dove si forma la preferenza e quali errori possono far perdere una vendita.

Questo articolo chiarisce chi decide, quali passaggi possono essere delegati e cosa controllare lunedì nel proprio ecommerceVendere prodotti online attraverso il proprio negozio o i marketplace. Per la visibilità AI il fattore che decide è se il catalogo del negozio è leggibile dalle macchine.Approfondisci. Il punto di partenza è commerciale: essere considerati quando la scelta avviene su una superficie esterna allo store.

Un vestito disponibile in blu, taglia 42, può sembrare perfetto sulla pagina. Se prezzo, variante e disponibilità arrivano separati al motore, l’agente può scartarlo prima che la cliente visiti il sito.

L’agentic commerce delega una parte sostanziale dell’acquisto

L’agentic commerce è una forma di acquisto in cui un agente AI esegue per conto di una persona almeno una fase sostanziale tra scoperta, confronto, decisione e checkout. Il grado di delega cambia secondo superficie, mercato e mandato dato dall’utente: alcune esperienze consigliano, altre preparano il carrello, altre possono avviare la transazione.

La delega è il criterio utile.

Se una persona chiede “trova una borsa da lavoro italiana sotto 600 euro, in pelle, consegnabile entro venerdì”, l’agente può trasformare la richiesta in criteri, cercare candidati, verificare dettagli e presentare una scelta ristretta. La persona può mantenere l’approvazione finale.

Le esperienze esistenti hanno confini diversi. OpenAI descrive Shopping come una selezione di risultati organici basata, tra gli altri fattori dichiarati, su rilevanza, prezzo, disponibilità e qualità. La documentazione OpenAI Commerce copre anche feed e flussi commerciali. Google ha presentato UCP, Universal Commerce Protocol, nelle esperienze Gemini e AI Mode; Perplexity Shopping combina ricerca, schede prodotto e funzioni di acquisto disponibili in mercati specifici.

Le funzioni cambiano rapidamente. Conviene verificare la documentazione primaria della singola piattaforma prima di progettare un’integrazione o promettere un percorso al cliente.

Sei parole per capire il nuovo banco di vendita

Agente AI: un sistema che interpreta un obiettivo, usa fonti o strumenti e compie azioni entro un mandato.

Shopping agent: un agente AI orientato all’acquisto, capace di cercare, confrontare o portare un prodotto verso il checkout.

Merchant of record: il soggetto commerciale responsabile della vendita, dell’incasso, delle imposte, dei resi e degli obblighi verso il cliente.

Feed di prodotto: un file o flusso aggiornato che comunica a un motore titoli, prezzi, disponibilità, immagini, identificatori e varianti.

Checkout agentico: un percorso nel quale un agente prepara o orchestra carrello, consegna e pagamento secondo le autorizzazioni ricevute.

Agentic Selling: la metà seller-side dell’agentic commerce, cioè il lavoro necessario affinché un brand venga trovato, capito, scelto e portato alla transazione da un agente.

La delega separa l’agentic commerce dalla conversazione

L’appeal della definizione larga è evidente: ogni interazione commerciale con l’AI sembra “agentica”. Le funzioni documentate dalle piattaforme mostrano una distinzione più utile: conversare, raccomandare, cercare e agire sono capacità separate.

Nel commercio conversazionale, una cliente può chiedere quale taglia scegliere e poi decidere da sola. In un motore di raccomandazione, il negozio ordina quattro giacche in base alla navigazione. Nella ricerca AI, Gemini può citare una guida senza avviare alcuna azione commerciale.

Nell’agentic commerce cambia il peso operativo. Un agente può eliminare tutte le giacche prive della taglia 42, verificare la consegna e preparare il carrello con quella compatibile con il mandato.

Quando il cliente è un agente, la scelta cambia forma

La scelta si sposta: una parte della decisione avviene sulla superficie del motore. Il prodotto può entrare o uscire dalla rosa prima che qualcuno apra la pagina del brand.

Lo scaffale diventa una query: “scarpa elegante” diventa una combinazione di numero 39, pelle nera, tacco sotto cinque centimetri, consegna a Milano e budget di 250 euro. Ogni criterio richiede un fatto verificabile e collegato alla variante corretta.

La persuasione diventa verificabile: foto lifestyle, scroll, urgenza e retargeting continuano a servire le persone. Un agente dipende maggiormente da prezzo, materiale, compatibilità, recensioni, tempi di consegna e disponibilità che possa risolvere senza ambiguità.

Una fotografia può suggerire a una persona che una borsa contiene un laptop. Un agente interpreta meglio la stessa promessa quando trova “vano interno compatibile con computer da 14 pollici”, insieme alle dimensioni reali.

La composizione e l’ordine delle raccomandazioni restano decisi da ciascun motore. Il venditore controlla la qualità delle fonti pubblicate e la continuità del percorso commerciale.

Il lato acquisto dispone già di strumenti concreti

L’infrastruttura si è sviluppata soprattutto intorno a quattro problemi: far leggere un catalogo, creare una sessione di checkout, autorizzare l’azione e proteggere il pagamento.

ACP collega catalogo e checkout: l’Agentic Commerce Protocol, pubblicato da OpenAI e Stripe, comprende specifiche per feed e flussi commerciali. La specifica del feed OpenAI indica come trasmettere prodotti aggiornati; il repository ACP rende pubblica la base del protocollo.

UCP copre il viaggio commerciale: Universal Commerce Protocol è stato sviluppato da Google insieme a Shopify e altri partner del commercio. Nelle considerazioni di Google per NRF, UCP viene collegato ad AI Mode e Gemini, con un modello aperto per scoperta, carrello e checkout.

AP2 gestisce l’autorizzazione: Agent Payments Protocol usa mandati firmati per legare intenzione, carrello e pagamento. Il progetto è pubblicato nel repository AP2, mentre FIDO Alliance porta avanti il lavoro sull’autenticazione agentica.

MCP offre strumenti e risorse: Model Context Protocol permette a un agente di richiamare funzioni come ricerca prodotto o controllo stock. La documentazione MCP lo presenta come protocollo generale di collegamento; una transazione commerciale richiede ulteriori regole per carrello, autorizzazione e pagamento.

Le specifiche e le implementazioni continuano a evolvere. Il venditore deve progettare capacità verificabili, evitando di legare il piano commerciale a una singola funzione temporanea.

Il feed apre la porta, poi il motore valuta il candidato

L’ingestione, cioè l’acquisizione dei dati da parte della piattaforma, rende un articolo candidabile. Per una sneaker, il feed può comunicare identificatore, taglie, prezzo, stock e immagini; se manca il collegamento tra taglia 41 e disponibilità, la candidatura resta fragile.

OpenAI dichiara che i risultati organici Shopping sono selezionati indipendentemente dalle partnership e separati dai contenuti sponsorizzati. Tra i fattori descritti compaiono rilevanza, disponibilità, prezzo, qualità e rapporto del venditore con il prodotto. La documentazione non pubblica i pesi dell’algoritmo.

Essere presenti nel feed crea accesso alla selezione. La scelta richiede poi una risposta convincente alla richiesta concreta dell’acquirente.

Il checkout deve rispettare le regole del venditore

Scoperta, orchestrazione del checkout e autorizzazione del pagamento sono tre passaggi distinti. Un motore può trovare una giacca; un protocollo può preparare taglia, indirizzo e spedizione; un mandato di pagamento può autorizzare quella spesa specifica.

Nei modelli descritti qui, quando il checkout è configurato sui binari del merchant, il brand conserva il ruolo di merchant of record e le responsabilità su prezzo, imposte, consegna, resi e relazione commerciale.

Cinque rotture dal lato vendita fermano il percorso

Una variante non si risolve: il vestito rosso in taglia 40 appare disponibile, ma prezzo e stock appartengono alla taglia 42. L’agente riceve una risposta formalmente completa e commercialmente sbagliata.

Le fonti si contraddicono: la pagina mostra 189 euro, il feed 209 euro e il checkout applica 199 euro. Google Merchant Center documenta che le incoerenze tra pagina e dati di prodotto possono causare problemi o disapprovazioni a livello di articolo.

Il prodotto non risponde alla query: una crema è descritta come “rituale luminoso”, mentre mancano volume, ingredienti, tipo di pelle e istruzioni. La scrittura evoca il risultato, ma lascia irrisolti i criteri usati nel confronto.

La prova non viaggia: recensioni visibili solo in un componente chiuso, codice a barre assente o modello scritto in tre modi possono rendere meno affidabile il collegamento tra offerta, reputazione e identità del prodotto.

Il percorso si interrompe: l’agente trova una borsa disponibile, ma il carrello perde il colore selezionato o restituisce una tariffa di spedizione incompatibile. La scoperta ha funzionato; la vendita si ferma un passo dopo.

Un agente può interpretare immagini lifestyle con capacità multimodali, cioè elaborando insieme testo e immagini, ma non le legge come una persona immersa nel contesto della campagna. Testo esplicito e dati strutturatiIl markup schema.org leggibile dalle macchine (Product, Offer, AggregateRating) incorporato nella pagina come JSON-LD. È il modo canonico di dare ai motori fatti di prodotto senza ambiguità.Approfondisci riducono l’ambiguità.

Verdetto: l’agentic commerce sposta la visibilità sui motori AI

ChatGPT, Gemini, Perplexity e Copilot possono leggere web, dati strutturati e programmi commerciali con modalità che variano per prodotto, mercato, accesso e integrazione. Fonti correnti e coerenti rendono un prodotto più facile da interpretare, confrontare e citare.

Il meccanismo è la leggibilità. La posta in gioco è entrare tra le opzioni considerate e accompagnare quella scelta fino a una transazione valida.

Qui si apre il lavoro seller-side chiamato Agentic Selling. Il compratore delega una parte del percorso; il brand deve presentarsi con fatti risolvibili, una proposta coerente e un checkout che rispetti le proprie regole.

Quattro controlli seguono il percorso agentico

La mappa va accompagnata da una matrice su prodotti reali. Per ogni articolo controlla prezzo, valuta, disponibilità, identificatore, resi, spedizione e varianti; separa prodotti principali e lunga coda. Dove manca una misura, scrivi “dato non disponibile”.

Per la classificazione usa tre esiti comprensibili: “categoria precisa”, “categoria plausibile ma ampia” e “prodotto non classificabile con affidabilità”. Una camicia di lino può finire correttamente in camicie da uomo, essere relegata nel generico abbigliamento oppure restare ambigua per una descrizione insufficiente.

Sette controlli da eseguire lunedì

1. Scegli 10 query reali ad alta intenzione. Usa richieste ricevute da clienti, per esempio “mocassino marrone numero 43 consegna entro venerdì”.
2. Osserva la reperibilità dall’esterno. Controlla pagine pubbliche, regole dei crawler e risultati ottenibili senza credenziali interne.
3. Confronta i fatti estratti. Verifica pagina, feed e checkout per prezzo, stock, materiale, spedizione e resi.
4. Prova una famiglia di varianti. Segui almeno tre taglie o colori dallo stesso prodotto fino al carrello.
5. Cambia prezzo o stock. Misura quanto tempo serve perché pagina, feed e risposta esterna riflettano il nuovo dato.
6. Esegui un answer test e un buy test. Nel primo chiedi consiglio a più motori; nel secondo arriva al checkout senza completare pagamenti reali.
7. Assegna ogni rottura. Contenuto, merchandising, ecommerce e integrazioni devono avere un responsabile nominato.

La superficie sul sito merita un test distinto. La guida all’agentic storefront spiega come componenti approvati possano adattare il banco di vendita alla richiesta del visitatore.

La vista esterna misura ciò che arriva davvero all’agente

Il metodo agent-view, cioè la vista dell’agente, legge lo store da fuori usando accesso pubblico e percorsi effettivamente disponibili ai motori. Questa vista mostra ciò che arriva davvero all’agente, mentre l’API interna, cioè l’interfaccia usata dai sistemi per scambiarsi dati, rappresenta ciò che il merchant intende pubblicare.

Congela una fotografia iniziale prima di correggere prezzo, varianti o feed. Senza un giorno zero, il miglioramento resta un’impressione.

Misura cinque cose:

• Accuratezza dei fatti: quanti prezzi, stati di disponibilità e attributi estratti coincidono con la fonte commerciale.
• Divergenza tra fonti: dove pagina, feed e interfacce commerciali danno risposte diverse.
• Latenza di propagazione: ore o giorni tra una modifica e la sua comparsa nelle superfici osservate.
• Riuscita del percorso: capacità di conservare prodotto, variante e condizioni fino al checkout.
• Quota di risposte e citazioni: presenza del brand su un insieme fisso di query, separata per motore, mercato e intento.

La metodologia deve dichiarare campione, data, mercati e limitazioni. Un test su dieci prodotti principali misura quei dieci articoli; non descrive automaticamente la lunga coda di 8.000 SKU.

La prossima mossa è verificare una vendita completa

Tratta i motori AI come una superficie di vendita esterna, con query, prodotti e responsabilità commerciali assegnate. Una pagina bella non dimostra che taglia, prezzo e stock arrivino insieme, quindi testa almeno tre varianti dal punto di vista dell’agente e misura ogni divergenza fino al checkout.

Veliu è il brand agent che vende per il brand. Studia il mercato, prepara lo store e vende alle persone e agli agenti AI che arrivano, nella voce e nelle regole del brand. La lettura esterna, l’allineamento dei dati e le interfacce macchina-macchina gli permettono di rispondere con prezzo e variante corretti; sul sito adatta l’esperienza usando segnali consentiti e componenti approvati, vende anche fuori dagli orari dello store e restituisce al brand le domande poste dai clienti. Il checkout resta sui binari del brand.

Nota metodologica dell’autore: articolo redatto dal Team editoriale Veliu sulla base della documentazione primaria pubblica di OpenAI, Google, Perplexity, ACP, AP2, FIDO e MCP, consultata per l’aggiornamento del 29 luglio 2026. L’analisi confronta definizioni, feed, protocolli e percorsi di checkout descritti dalle fonti; non include un test indipendente di tutte le funzioni in ogni mercato. Le capacità commerciali dipendono da superficie, accesso e paese, quindi prima dell’implementazione va verificato lo stato corrente presso il relativo fornitore.