Intelligenza artificiale nell'ecommerce in cinque passi

Un prezzo vecchio nel feed può trasformare una risposta utile di ChatGPT o Gemini in un carrello interrotto. L’intelligenza artificiale nell’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, cioè l’insieme di sistemi predittivi, generativi e agentici applicati al negozio online, genera vendite quando catalogo, feed e checkout condividono prezzo, stock, varianti e identificatori aggiornati. ChatGPT, Gemini, Perplexity e Copilot possono trovare e confrontare meglio prodotti leggibili; il merchant deve mantenere fonti autorevoli, controlli sull’autonomia e checkout sui propri sistemi.

Questa guida è per founder e operatori ecommerce che devono scegliere un primo caso d’uso concreto. Offre una matrice decisionale e cinque passi operativi, dalla situazione iniziale misurata fino alla prova completa dell’acquisto.

Il punto è scegliere una decisione commerciale.

Le sei definizioni che evitano progetti confusi

Brand agent: l’agente autonomo del brand che studia il mercato, prepara lo store e vende entro voce, regole e sistemi approvati.

Agente di shopping: un sistema che interpreta una richiesta, confronta prodotti e può avviare azioni di acquisto per conto di una persona.

Feed prodotto: un file o flusso strutturato che invia identificativo, titolo, prezzo, disponibilità e link a una piattaforma commerciale.

Dati strutturati schema.org: informazioni inserite nella pagina in un formato leggibile dalle macchine, spesso JSON-LD, con entità come Product e Offer.

Agentic storefront: una vetrina che compone il percorso usando componenti approvati, segnali consentiti e dati aggiornati.

Checkout agentico: un percorso nel quale un agente prepara carrello e ordine, mentre totale, autorizzazione e pagamento seguono regole verificabili.

Perché la coerenza dei dati viene prima dell’AI?

Automatizzare dati discordanti moltiplica gli errori. Se la pagina mostra 89 euro, il feed 99 euro e l’inventario segnala disponibile una taglia esaurita, un motore riceve tre versioni dello stesso articolo.

Dentro Offer, price va associato a priceCurrency, con un codice ISO 4217 come EUR. availability usa valori definiti, per esempio https://schema.org/InStock; priceValidUntil comunica la scadenza di un prezzo, anche se ogni crawler decide tempi e modalità di aggiornamento. Le definizioni primarie sono nelle pagine Product e Offer di schema.orgIl 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.

La matrice premia valore, dati e controllo

Una lista di strumenti produce facilmente dieci esperimenti scollegati. Questa matrice ordina i casi d’uso per vicinanza alla vendita, qualità richiesta dei dati e conseguenza di un errore.

La matrice usa due domande: l’azione arriva vicino a ricavo, carrello o decisione di stock? I dati richiesti hanno una fonte autorevole, una copertura misurata e una cronologia degli aggiornamenti? Le risposte vanno ricalibrate sul singolo store.

Una matrice utile porta a una scelta.

Passo 1. Misura una decisione commerciale

Scegli un momento e una metrica primaria. Per un catalogo moda può essere l’accuratezza del prezzo su 120 SKU italiani; per il checkout, il completamento delle sessioni in prova; per lo stock, i minuti tra la variazione nel gestionale e la ricezione sul canale.

Congela la situazione iniziale prima di modificare qualsiasi dato. Registra SKU, mercato, canale, finestra temporale, domanda di test e fonte autorevole, così il confronto successivo usa condizioni equivalenti.

Prendi tutte le varianti di una sneaker. Verifica prezzo e disponibilità alle 09:00 per sette giorni e conserva le risposte: dopo l’intervento potrai confrontare gli stessi campi nelle stesse condizioni.

Passo 2. Allinea pagina, feed e inventario

Controlla Product, Offer e, quando esistono recensioni visibili e legittime, AggregateRating. Per ogni SKU verifica prezzo, valuta, disponibilità, GTINIl Global Trade Item Number di GS1, l'identificativo che permette ai motori di riconciliare la tua offerta con lo stesso prodotto venduto altrove. Un GTIN valido è numerico, da 8 a 14 cifre, con check digit GS1.Approfondisci, MPN, nome del brand, spedizione e resi; nel feed controlla anche il legame tra le varianti.

La specifica di Google Merchant Center elenca identificativo, titolo, descrizione, link, immagine, disponibilità e prezzo tra i dati centrali. Nella guida sulle discrepanze, Google è diretto: “Make sure that the price in your product data matches the price on your landing page”. Una discordanza può causare il rifiuto dell’articolo o un aggiornamento automatico, secondo configurazione e mercato.

Prendi una camicia blu in taglia M. Se feed e pagina dichiarano disponibilità mentre l’inventario restituisce zero unità, il percorso è già rotto; il test deve confrontare i tre valori nello stesso minuto.

Un markup valido con un prezzo diverso dal testo visibile rimane un errore commerciale.

Passo 3. Separa lettura, proposta, pubblicazione ed esecuzione

Assegna a ogni caso d’uso uno di quattro verbi: legge, propone, pubblica, esegue. La scelta determina permessi, revisione, registri e procedura di ripristino.

Un sistema può leggere le domande sui resi e raggrupparle. Può proporre “pelle martellata” per una borsa e attendere una verifica; una vetrina può pubblicare solo componenti approvati; una richiesta sulla disponibilità può leggere lo stock in tempo reale senza modificarlo.

Le conseguenze cambiano con il verbo.

Una descrizione inesatta richiede una correzione editoriale. Un prezzo errato può arrivare al carrello, quindi richiede soglie economiche, registri delle modifiche e arresto automatico quando pagina e feed divergono.

Passo 4. Prepara le fonti accessibili ai motori

Ogni prodotto e mercato usa combinazioni diverse di fonti; lettura, indicizzazione e disponibilità non sono automatiche. La mappa operativa da verificare comprende:

• Google AI Mode e Gemini: possono attingere, secondo prodotto e paese, a Merchant Center, dati strutturati e indice web.
• Ecosistema OpenAI: la specifica OpenAI Product Feed descrive dati di catalogo destinati a esperienze commerciali compatibili; il percorso dentro ChatGPT è ricostruito nella guida a ChatGPT Shopping.
• Copilot: Microsoft Merchant Center e indice Bing sono superfici pertinenti; IndexNow segnala URL modificati, senza assicurare crawling o uso commerciale.
• Perplexity: il web aperto e il Merchant Program possono essere disponibili in base a mercato e accesso del merchant.
• Web aperto: JSON-LD Product e Offer devono concordare con ciò che vede il cliente.

I feed offrono record validabili per prezzo e disponibilità. Schema.org rende leggibili i fatti presenti sulle pagine, mentre log di crawling ed esiti di ingestione mostrano quali sistemi hanno effettivamente ricevuto i dati.

Anche i bot hanno ruoli diversi. La documentazione OpenAI distingue OAI-SearchBot, legato alla ricerca, da GPTBot, legato al training; il merchant può impostare regole diverse in robots.txt e verificare le richieste nei log.

L’attrattiva di llms.txt è ovvia: un file semplice sembra poter guidare tutti i motori. Le prove pubbliche non sostengono questa aspettativa; la proposta llms.txt è comunitaria e non documenta un’adozione universale in produzione. Può organizzare link, mentre feed, schema, accesso dei crawler e coerenza meritano la priorità.

Perché i dati coerenti aiutano ChatGPT e gli altri motori?

ChatGPT, Gemini, Perplexity e Copilot possono recuperare fonti strutturate e aggiornate in modi diversi per prodotto, integrazione e mercato. Un catalogo completo offre una base più leggibile e citabile, mentre selezione e raccomandazione restano decisioni del singolo motore.

Una persona chiede “scarponi impermeabili, numero 43, sotto 180 euro”. Il motore deve trovare materiale, taglia, prezzo e disponibilità coerenti; un agente di shoppingAgenti software che cercano, confrontano e completano acquisti per conto di chi compra. Leggono dati di catalogo strutturati e transano tramite protocolli come ACP e MCP.Approfondisci può poi avviare un carrello quando il merchant espone un percorso compatibile.

Questa è la vista esterna: ciò che una macchina riesce davvero a leggere. Sul lato di chi vende, l’agentic selling per i brand collega osservazione, preparazione e vendita entro le regole del brand.

La taglia 43 chiude il problema iniziale. Un prezzo corretto serve poco quando manca la variante o il carrello perde l’identità del prodotto.

Passo 5. Componi la vetrina con componenti approvati

Un agentic storefront usa una grammatica di componenti: scheda prodotto, confronto, selettore variante, prova sociale, consegna e carrello hanno dati richiesti e stati consentiti. Il motore AI può scegliere blocchi approvati usando segnali permessi, come mercato, domanda corrente e disponibilità.

Chi cerca “regalo entro venerdì” può vedere prima tempi di consegna e disponibilità locale. La risposta deve riportare prezzo corrente e variante acquistabile; una taglia esaurita va esclusa oppure mostrata con il suo stato reale.

La guida alla Generative UI spiega la composizione dell’interfaccia. L’articolo sull’agentic storefront approfondisce regole e passaggio alla vendita.

Registra le domande ricevute. Per esempio, se in un campione reale molte sessioni chiedono la compatibilità con un piano a induzione e la scheda tecnica tace, il segnale torna al brand come lavoro di catalogo e merchandising; il conteggio va pubblicato solo con periodo, campione e fonte.

Verdetto: il checkout resta autorevole sui sistemi del brand

Per il modello descritto qui, il percorso conserva tre strati distinti:

1. Scoperta del catalogo: il motore trova prodotto, variante, prezzo e disponibilità tramite feed, web o interfacce richiamabili.
2. Orchestrazione del checkout: una sessione conserva righe, spedizione, tasse, sconti e totale autorevole.
3. Autorizzazione del pagamento: un mandato o token delegato dimostra che la persona ha autorizzato lo specifico acquisto.

L’Agentic Commerce Protocol, ACP, sviluppato da OpenAI e Stripe, documenta feed e flussi di checkout per integrazioni compatibili. Lo Universal Commerce Protocol, UCP, sviluppato da Google con Shopify, Etsy, Wayfair, Target e Walmart e presentato l’11 gennaio 2026, copre carrello, checkout e post-vendita; secondo Shopify alimenta Copilot Checkout e il checkout nativo di AI Mode e Gemini per alcuni brand che vendono negli Stati Uniti. L’Agent Payments Protocol, AP2, descrive mandati firmati che collegano intenzione, carrello e pagamento.

Verifica che il merchant restituisca il totale autorevole e che le chiamate ripetute usino una chiave di idempotenza, cioè un identificatore che evita doppi ordini. Spedizione, tasse e disponibilità devono essere ricalcolate prima della conferma.

Prova la rottura deliberatamente. Ripeti la stessa richiesta, esaurisci una variante dopo la creazione del carrello e modifica l’indirizzo: l’ordine deve restare unico e il totale deve tornare dai sistemi del brand.

La prova richiede una baseline congelata

L’audit prima e dopo usa lo stesso perimetro, mercato e insieme di domande. I risultati si pubblicano quando derivano da misure reali; campioni simulati e graduatorie generiche nascondono i problemi commerciali.

Nota metodologica, Team editoriale Veliu: la matrice separa impatto commerciale, prerequisiti dei dati, livello di azione e rischio. L’audit usa fonti primarie di schema.org, Google Merchant Center, OpenAI Product Feed, ACP e AP2; congela la situazione iniziale e pubblica completezza, divergenza, latenza, answer test e buy test solo da osservazioni reali e anonimizzate. Il limite principale è la variabilità tra mercati, accessi e modalità dei motori.

Cosa fare questa settimana

1. Congela una baseline. Scegli un mercato, da 50 a 200 SKU rappresentativi e domande stabili; salva pagina, feed, inventario e risposte con data e ora.
2. Correggi le discrepanze pericolose. Prezzo, disponibilità, valuta e variante precedono la generazione di nuovi testi.
3. Scegli un’azione commerciale. Può essere una ricerca che trova la taglia acquistabile, una vetrina che porta al carrello o una sessione machine to machine completata.
4. Testa l’intero percorso. Parti da una domanda reale, verifica il fatto recuperato, seleziona una variante e completa il checkout sui sistemi del brand.

Veliu è il brand agent che vende: agentic selling per i brand, il lato di chi vende del commercio agentico. Studia il mercato, prepara lo store e vende a persone e agli agenti AI che arrivano, nella voce e nelle regole del brand. Il checkout rimane sui sistemi del brand. La tesi è nel nostro paper fondativo, in inglese.

Domani mattina, controlla nello stesso minuto prezzo e stock di una variante su pagina, feed e inventario.