Se negli ultimi vent’anni il modello dominante dell’e-commerce si è basato su interfacce web e app utilizzate direttamente dai consumatori, l’emergere di agenti autonomi basati su modelli linguistici di grandi dimensioni sta introducendo una nuova intermediazione digitale tra utenti e piattaforme commerciali. In questo scenario, sempre più utenti delegano a sistemi AI la ricerca di prodotti, il confronto tra alternative e, in prospettiva, anche l’esecuzione diretta degli acquisti. Questo paradigma emergente viene spesso definito “agentic commerce”, una forma di commercio elettronico in cui agenti software autonomi sono in grado di identificare prodotti, valutarne le caratteristiche e completare transazioni senza intervento umano diretto.
Secondo diverse analisi di mercato citate da operatori finanziari e industriali, questa trasformazione potrebbe avere un impatto molto significativo sull’economia digitale. Alcune stime indicano che entro il 2030 una quota compresa tra il 10% e il 20% della spesa commerciale negli Stati Uniti potrebbe essere gestita direttamente da agenti AI, con un valore potenziale compreso tra circa 190 e 385 miliardi di dollari.
Questo cambiamento pone una nuova sfida strategica per le aziende che operano nell’e-commerce: rendere i propri prodotti facilmente individuabili e interpretabili non soltanto dagli esseri umani, ma anche dai sistemi autonomi di ricerca e decisione basati su intelligenza artificiale. Per rispondere a questa esigenza emergente, la startup specializzata in tecnologie di commercio agentico Azoma ha sviluppato un sistema denominato Agentic Merchant Protocol, o AMP, progettato per permettere ai brand di strutturare e distribuire le informazioni sui propri prodotti in modo ottimizzato per gli agenti AI.
Il concetto alla base di questo protocollo è relativamente semplice ma introduce un cambiamento significativo nell’architettura delle informazioni digitali relative ai prodotti. Tradizionalmente, i merchant devono inserire manualmente i dati dei prodotti su una molteplicità di piattaforme digitali, come marketplace, aggregatori di shopping e motori di ricerca. Questo processo richiede spesso la gestione separata di cataloghi, codici SKU, descrizioni, immagini e specifiche tecniche su diversi sistemi indipendenti tra loro. L’approccio proposto dal protocollo AMP mira invece a centralizzare queste informazioni all’interno di un’infrastruttura unica, dalla quale possono essere distribuite automaticamente verso tutte le superfici digitali rilevanti, incluse quelle utilizzate dagli agenti di intelligenza artificiale per effettuare ricerche e raccomandazioni di prodotti.
Dal punto di vista tecnico, il protocollo funge da strato di interoperabilità tra i sistemi informativi dei merchant e le piattaforme utilizzate dagli agenti AI per interrogare i cataloghi commerciali. In pratica, il merchant inserisce nel sistema AMP tutte le informazioni relative ai propri prodotti, come materiali, dimensioni, caratteristiche funzionali, prezzi e varianti. Questi dati vengono poi strutturati in formati leggibili dalle macchine e resi disponibili attraverso endpoint e pagine ottimizzate per essere indicizzate dagli agenti software che operano come intermediari tra consumatori e negozi digitali.
Uno degli aspetti più rilevanti di questo approccio riguarda il controllo dell’identità del brand nel contesto dell’economia agentica. In molti sistemi di intelligenza artificiale generativa attuali, la descrizione dei prodotti e la loro comparazione avvengono attraverso processi di estrazione e sintesi automatica delle informazioni presenti sul web. Questo meccanismo può creare un problema per le aziende, perché la rappresentazione del prodotto da parte dell’AI può risultare incompleta o distorta rispetto al messaggio che il brand intende comunicare. Il protocollo AMP è stato progettato proprio per evitare questa situazione, fornendo alle aziende uno strumento attraverso cui controllare in modo diretto quali informazioni vengono rese disponibili agli agenti AI e in quale forma vengono interpretate.
Questo elemento assume particolare importanza per le aziende che hanno investito per decenni nella costruzione della propria identità di marca e nella definizione della propria strategia di posizionamento sul mercato. In un ecosistema digitale dominato da agenti autonomi che sintetizzano informazioni provenienti da molte fonti diverse, la capacità di mantenere una rappresentazione coerente del prodotto diventa una nuova dimensione della governance del brand. Non si tratta più soltanto di controllare l’aspetto grafico di una pagina di e-commerce o la qualità delle immagini di prodotto, ma anche di gestire in modo preciso i dati strutturati che alimentano i sistemi decisionali degli agenti AI.
La rilevanza strategica di questa tecnologia è dimostrata dal fatto che il protocollo AMP è stato adottato rapidamente da alcune delle principali multinazionali del settore dei beni di consumo, tra cui aziende come L’Oréal, Unilever, Mars, Beiersdorf e Reckitt. Per queste organizzazioni, che gestiscono cataloghi globali con migliaia di prodotti e operano su un numero elevatissimo di canali digitali, la capacità di mantenere una rappresentazione coerente dei prodotti all’interno di ecosistemi AI complessi rappresenta una priorità crescente.
Dal punto di vista architetturale, questo tipo di infrastruttura può essere interpretato come una nuova evoluzione delle tecnologie di product information management. Mentre i sistemi PIM tradizionali sono progettati per gestire e distribuire i dati dei prodotti tra diversi canali digitali, i protocolli orientati agli agenti introducono un ulteriore livello di ottimizzazione per l’interazione con sistemi di intelligenza artificiale autonomi. In altre parole, il catalogo dei prodotti non deve essere soltanto leggibile da esseri umani o da motori di ricerca tradizionali, ma deve essere interpretabile in modo affidabile da modelli linguistici e agenti software che utilizzano tecniche di elaborazione del linguaggio naturale per comprendere le caratteristiche dei prodotti e confrontarle con le richieste degli utenti.