Agentic commerce Mastercard: catalogo prima del pay

Mastercard Agent Pay ha spostato il tema dai carrelli ai mandati: nel 2025 Mastercard ha presentato Agent Pay e Agentic Tokens per consentire a un agente autorizzato di pagare con credenziali tokenizzate, senza esporre la carta al motore AI. Nel dibattito su agentic commerce Mastercard, però, il punto pratico per un 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 italiano arriva prima del pagamento.

ChatGPT, Gemini, Perplexity, Copilot e AI Overviews possono leggere sempre più spesso feed prodottoUn export strutturato del catalogo (id, titolo, descrizione, link, immagine, prezzo, disponibilità) secondo la spec di Google Merchant Center, il formato che quasi tutte le superfici di shopping ingeriscono.Approfondisci, 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 e cataloghi puliti, con fonti che variano per mercato, query e integrazione. Se una scheda ha prezzo diverso tra pagina e feed, 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 sbagliato, cioè codice a barre univoco del prodotto, o categoria libera, il prodotto resta difficile da capire, confrontare e rendere acquistabile.

Questo articolo è per founder ecommerce, responsabili digitali e team catalogo che vogliono capire cosa cambia davvero, cosa non cambia e quali controlli fare ora. L'obiettivo operativo è semplice: un catalogo che gli agenti riescono a leggere, abbinare e trovare sugli endpoint corretti prima di discutere wallet, token e checkout agentici.

Il collo di bottiglia è già in magazzino.

Agentic commerce Mastercard: cos'è e cosa non corregge

L'agentic commerce Mastercard indica le iniziative Mastercard per abilitare agenti autorizzati nel percorso di acquisto, con Mastercard Agent Pay e token agentici per consenso, identità e pagamento. Non sostituisce feed, schema.org o tassonomia prodotto: se una sneaker taglia 42 non è descritta bene, il token non la rende leggibile.

Mastercard ha descritto Agent Pay e Agentic Tokens nelle comunicazioni 2025 come infrastruttura per fiducia, autenticazione e credenziali tokenizzate dedicate a contesti agentici. La direzione è coerente con token a scopo e contesto limitato, ma per dettagli di perimetro, merchant, agente e consenso serve fare riferimento ai programmi e contratti applicabili.

La distinzione conta.

Fonti primarie utili: le comunicazioni Mastercard 2025 su Agent Pay e Agentic Tokens, la specifica OpenAI ACP Product Feed, la Google Merchant Center product data specification, schema.org Product e schema.org Offer.

Le parole che servono al founder ecommerce

Agentic commerce: commercio in cui un agente software può eseguire parti del percorso di acquisto per conto di una persona, dal confronto prodotti al carrello, se autorizzato.

Agente di acquisto AI: software che interpreta una richiesta, consulta fonti prodotto e può compiere azioni come preparare un carrello, nei limiti concessi dall'utente e dal merchant.

Mastercard Agent Pay: iniziativa Mastercard per pagamenti agentici con identità dell'agente, consenso e credenziali tokenizzate, citata da Mastercard nelle comunicazioni su Agent Pay e Agentic Tokens.

Token agentico: credenziale di pagamento limitata a un contesto, per esempio un merchant, un agente, una durata o un importo, così la carta reale non viene passata al motore AI.

Feed prodotto: file o endpoint con righe prodotto e campi come id, title, price, availability, brand e gtin, usato da programmi merchant e superfici shopping.

schema.org Product/Offer: vocabolario di dati strutturati inserito nella pagina, spesso in JSON-LD, per dire a un motore che una pagina contiene un prodotto e una proposta commerciale.

GTIN e MPN: GTIN è il codice a barre univoco del prodotto, MPN è il codice del produttore quando il GTIN non esiste o non è assegnato.

Google Product Taxonomy: tassonomia di Google che classifica i prodotti in categorie standard, per esempio Abbigliamento e accessori > Scarpe > Sneakers.

Source-of-truth divergence: divergenza tra fonti autorevoli, per esempio pagina prodotto a 89 euro, feed a 79 euro e schema.org senza valuta.

Perché un agente riesce a vendere solo se legge il catalogo?

ChatGPT, Gemini, Perplexity, Copilot e AI Overviews possono fondare alcune risposte shopping su fonti recuperate al momento, come pagine indicizzate, feed merchant e dati strutturati. Anche un agentic storefront sul sito del merchant può usare la stessa fonte di verità del catalogo; le citazioni e le superfici esterne restano però decise dai motori, mentre i cataloghi completi sono più facili da leggere e verificare.

La meccanica è meno misteriosa di quanto sembri. Se vendi una giacca da trekking impermeabile e il feed contiene solo “giacca uomo blu”, mentre la pagina visibile parla di membrana 10.000 mm e lo schema.org non ha availability, il motore riceve tre versioni incomplete dello stesso prodotto.

Il risultato non è una penalità magica. È un problema da magazzino: tre etichette diverse sullo stesso scaffale rallentano chi deve prendere l'articolo giusto.

L'appeal è ovvio: molti pensano che il pagamento agentico sia il passaggio decisivo, perché sembra il momento in cui l'ordine nasce. L'evidenza tecnica non lo supporta: la specifica OpenAI ACP Product Feed richiede numerosi attributi strutturati prima del checkout, e Google Merchant Center documenta controlli su prezzo, disponibilità, identificatori e link prodotto.

John Mueller di Google ha dato una frase utile su un altro feticcio del momento, llms.txt: lo ha paragonato al vecchio meta tag keywords, un segnale facile da creare ma non una leva confermata di ranking. La lezione per il merchant è concreta: contano i campi che i sistemi consumano, non i file simbolici.

Nei pagamenti agentici l'autorizzazione cambia, mentre la scheda prodotto resta da curare

Cambia l'autorizzazione: l'agente deve dimostrare chi agisce e cosa è stato autorizzato

Mastercard Agent Pay e gli Agentic Tokens puntano a rendere chiaro quale agente sta operando, per quale utente e con quale consenso. Nel mondo Google, AP2, Agent Payments Protocol, modella mandati firmati per intento, carrello e pagamento, secondo il repository pubblico Google AP2.

Esempio da negozio: una cliente autorizza l'acquisto di un filtro acqua compatibile entro 45 euro. Il sistema deve legare l'autorizzazione a quello scopo, non a qualsiasi prodotto del catalogo.

Cambia il token: la carta non deve essere esposta al motore AI

Il token agentico può ridurre l'esposizione della carta reale perché porta un perimetro: importo, merchant, durata o contesto, secondo le regole del programma usato. Mastercard Agent Pay, Visa, PayPal, Stripe e Google stanno lavorando su binari diversi per pagamenti e checkout agentici, con maturità e disponibilità variabili per mercato e partner.

Per un ecommerce italiano, il punto pratico nel 2026 è verificare cosa eredita dalla propria piattaforma, PSP, banca acquirer o marketplace.

Non serve riscrivere il checkout prima di sapere se il catalogo prodotto supera controlli elementari.

Non cambia la scoperta prodotto: il motore deve ancora leggere un catalogo affidabile

Il pagamento arriva dopo read e match: leggere il record, capire che è lo stesso prodotto, associare taglia, colore, prezzo e disponibilità. Se il GTIN di un casco bici fallisce il check digit o la variante “M” non è collegata all'item_group_id, il problema nasce prima del wallet.

Una carta tokenizzata non corregge una categoria “accessori vari”. Una disponibilità InStock sullo schema.org e “out of stock” nella pagina creano una divergenza che i programmi merchant possono trattare come errore di qualità.

Mastercard, Google, OpenAI e Perplexity hanno binari diversi

Ogni binario ha un ruolo diverso: pagamento, protocollo checkout, feed o ingestione catalogo. Il merchant deve sapere dove si trova il proprio problema prima di scegliere un progetto.

Il Model Context Protocol, un protocollo per collegare modelli AI a strumenti e risorse esterne, può servire per esporre strumenti o risorse di catalogo ad agenti. Non è da solo un protocollo di pagamento ecommerce.

Per capire il contesto GEOLa GEO è la pratica di rendere contenuti e dati di catalogo facili da recuperare, citare e riusare per i motori generativi come ChatGPT, Perplexity e Google AI Mode.Approfondisci più ampio, la guida Generative engine optimization: what AI can read in 2026 aiuta a separare lettura, citazione e azione.

Dove si rompe un ecommerce prima del pagamento

Il catalogo si rompe in punti banali, spesso invisibili nella pagina vetrina. Un founder vede una scheda ordinata; un motore vede campi mancanti, valori incoerenti e identificatori non validi.

Un caso tipico: una maglietta “Lino Uomo Sabbia” ha tre taglie, ma ogni taglia usa titolo diverso, immagine diversa e nessun gruppo variante. Il cliente umano capisce. Un motore AI deve indovinare.

Quali controlli fare prima dell'agentic commerce Mastercard?

Il controllo utile non è “abbiamo un progetto AI?”. È “ogni SKU ha i campi minimi validi, coerenti e aggiornati?”. La tabella sotto segue fonti primarie come Google Merchant Center, schema.org e OpenAI ACP.

Per Bing e Copilot, IndexNow può aiutare la freschezza perché notifica cambi di URL al motore. Per OpenAI, la documentazione bot distingue GPTBot per training e OAI-SearchBot per ricerca e citazioni: bloccare tutti i crawler per paura può ridurre la leggibilità in alcune superfici di ricerca che vuoi presidiare, a seconda del crawler, della policy e del mercato.

Veliu corregge ciò che molti strumenti misurano soltanto

Molti tool di “visibilità AI” mostrano se il brand compare in una risposta. Veliu mette al lavoro l'agente del brand, un venditore autonomo che studia il mercato, prepara il negozio e vende al banco, alle persone e agli agenti AI che arrivano con un mandato di acquisto.

Nel momento prepara l'agente rimette in ordine la base: crawla lo store, normalizza e canonicalizza i record, li allinea alla Google Product Taxonomy e li rende disponibili agli endpoint corretti, così ogni scheda può reggere una trattativa.

Questa è la parte che spesso manca nei report.

Un esempio: “borsa pelle donna vintage” può finire in accessori generici, borse a tracolla o lusso resale. Quando l'agente riconosce brand, modello, materiale, condizione e categoria, il record diventa coerente per feed, schema.org e ricerca semantica, e la scheda torna vendibile.

L'agente cura anche immagini CDN pulite, embeddings multimodali, cioè rappresentazioni numeriche di testo e immagini per il matching semantico, e la validazione della qualità prima di portare la scheda al banco. Il metodo arriva da lavoro reale: oltre 50K clienti, oltre 300K transazioni delegate, oltre 100 milioni di euro transati e oltre un anno di R&D.

Misurare la readiness prima dei pagamenti agentici

Un proof artifact serio campiona SKU reali, non screenshot di risposte AI. Metodo: si prende un campione per categoria, includendo hero SKU e long tail, si controllano campi, validità, divergenze e freschezza in una finestra temporale dichiarata, per esempio 7 giorni di modifiche prezzo e stock. Limite dichiarato: il campione non sostituisce l'intero catalogo se la coda lunga ha qualità diversa.

La matrice deve includere completezza per id, title, description, link, image_link, price, priceCurrency, availability, brand, gtin, mpn, shippingDetails, hasMerchantReturnPolicy, google_product_category, product_type, item_group_id e schema.org Product + Offer + AggregateRating.

Poi serve misurare la divergenza source-of-truth tra pagina prodotto, feed merchant, structured data ed endpoint: per generare automaticamente descrizioni prodotto senza propagare dati incoerenti, occorre partire da un record canonico per SKU e variante. Se un giubbotto passa da 129 a 99 euro alle 10:00, la domanda utile è: quando lo vedono pagina, feed, schema e endpoint agentico?

Le ricerche accademiche su Generative Engine Optimization, come il paper KDD 2024, vanno lette con prudenza: risultati position-dependent, esperimenti su GPT-3.5 del 2023 e nessuna replica 2026 sufficiente per trasformarli in garanzia commerciale. Sono utili per capire che struttura e citabilità contano, non per promettere posizioni.

Cosa fare adesso prima di valutare il wallet

1. Parti dalla leggibilità del catalogo prima di valutare il wallet: se priceCurrency manca o il GTIN è inventato, Mastercard Agent Pay non risolve il problema.

1. Allinea pagina, feed e schema.org prima di scalare nuovi canali: un motore AI può leggere più facilmente una sola verità coerente su prezzo, stock e variante.

1. Misura divergenze e freschezza come KPI causali: il tempo tra cambio prezzo e aggiornamento feed vale più di una dashboard estetica sulla “AI visibility”.

1. Prepara identificatori e tassonomia per essere matchabile: GTIN, MPN più brand, item_group_id e Google Product Taxonomy sono etichette di scaffale per sistemi che non vedono il negozio come un umano.

1. Usa i pagamenti agentici come fase successiva: token, mandati e checkout agentico hanno senso quando il catalogo è già leggibile, verificabile e disponibile agli endpoint corretti.

Se vuoi sapere dove il tuo catalogo perde leggibilità prima del pagamento, il prossimo lavoro utile è correggere il primo campo discordante prima di valutare il wallet più nuovo.

Nota metodologica: articolo curato dal Team editoriale Veliu il 9 luglio 2026, su fonti primarie Mastercard, OpenAI, Google, schema.org, Google AP2 e documentazione merchant pubblica. La disponibilità di programmi agentici cambia per mercato e partner, quindi ogni implementazione va verificata con piattaforma ecommerce, PSP e acquirer.