Il tuo store è pronto all’agentic commerce?

Che cos’è l’Agentic Commerce e da dove nasce?

L’agentic commerce si candida a rappresentare un nuovo modello del retail online, con l’esperienza di acquisto che si sposta dal sito ecommerce ad agenti AI autonomi. Gli agenti AI comprendono l’intento espresso tramite il linguaggio naturale, ne valutano il contesto e quindi completano l’acquisto direttamente all’interno di interfacce LLM o Chat AI abilitate.

Questo segna il passaggio da un’esperienza d’acquisto interaction-based in cui il cliente naviga manualmente su cataloghi, imposta filtri ed esegue ricerche su siti web, ad una outcome-based in cui il cliente esprime un’intenzione e l’agente AI gestisce l’intero ciclo operativo per suo conto.

La customer journey si articolerà quindi in tre fasi, potenzialmente complementari:

• Ecommerce Tradizionale: Ricerche per parole chiave che portano traffico al sito web
• Generative AI: Assistenti conversazionali che rispondono a domande ma non possono completare transazioni operative
• Agentic AI: Sistemi orientati al risultato capaci di gestire il carrello, applicare sconti e completare il checkout in sicurezza

UCP: il linguaggio che rende l’Agentic Commerce possibile

L’Universal Commerce Protocol (UCP) è stato co-sviluppato da Google e Shopify e sostenuto dai principali attori dell’ecosistema digitale globale (tra cui Amazon, Meta, Microsoft, Stripe, Visa, Mastercard, Etsy, Target e Walmart). L’UCP è lo standard aperto che rende possibile l’agentic commerce.

Il suo compito è quello di definire un linguaggio comune e programmatico tra agenti AI e sistemi di backend dei merchant, in modo da coprire l’intero processo di acquisto: scoperta del prodotto, gestione del carrello, checkout e supporto post-acquisto.

Il protocollo si integra nativamente con standard di mercato quali A2A (Agent-to-Agent Protocol), AP2 (Agent Payments Protocol) e MCP (Model Context Protocol).

Grazie a questo protocollo i merchant potranno abilitare un pulsante d’acquisto rapido direttamente all’interno delle interfacce conversazionali avanzate, come AI Mode in Google Search, Gemini, ChatGPT e Microsoft Copilot.

Attualmente il programma UCP e l’hub di integrazione nativo in Google Merchant Center sono in fase di rollout progressivo negli Stati Uniti per merchant e partner selezionati. Il lancio in Canada e Australia è previsto per il prossimo anno (2027), mentre non sono ancora state ufficializzate date per il mercato europeo.

La nuova ricerca: AI, LLM e Generative Engine Optimization (GEO)

Come abbiamo anticipato quindi, il comportamento di ricerca sta cambiando radicalmente. Nelle interfacce AI, i prompt degli utenti sono tre volte più lunghi rispetto alle query tradizionali.

Gli utenti inoltre esprimono ricerche complesse basate su una logica che non è più ristretta alla matrice di product data tradizionale (titolo, descrizione, materiale, colore, ecc), ma al tempo stesso non vengono aggiunti più attributi: ciò che cambia è come gli utenti trovano i prodotti.

Qui il matching non è più una ricerca di parole chiave, ma bensì un ragionamento: l’LLM deve utilizzare più variabili nello stesso momento (prezzo, performance, compatibilità), e interpretare criteri soggettivi o con molti sinonimi (certificazioni, badge, claim) per inferire ciò che nessun brand dichiara esplicitamente.

“Con supporto per iperpronazione” o “protegge dal sole” non sono attributi del feed. Per rispondere, l’LLM ripiega su review, forum e Reddit; su specifiche tecniche indirette (raccomandazioni, costruzione, formulazione) e su segnali impliciti come foto, misure, reputazione del brand.

Ecco che allora si rendono necessarie nuove informazioni e un miglioramento sostanziale dei product data che consentono una risposta incrementale e permettono ai brand di mantenere una rilevanza quanto mai fondamentale in customer journey in continua evoluzione.

Non da ultimo, la Generative Engine Optimization (GEO) diventa un perno fondamentale per colmare le lacune informative dei brand spingendoli a trasformare dati di prodotto “piatti” in contenuti ricchi di contesto, essenziali per rispondere alle odierne query conversazionali lunghe e complesse.

La rinnovata importanza del Product Feed: Conversational Attributes

Se negli ultimi quindici anni il feed prodotti di Google Merchant Center è stato il minimo comune denominatore dei cataloghi ecommerce (riutilizzato per campagne social, marketplace, comparatori e retargeting) ora con l’avvento dell’Agentic Commerce, cessa definitivamente di essere una mera lista statica di prezzi e giacenze e si trasforma nel knowledge layer primario che alimenta il processo decisionale degli agenti intelligenti.

La vera opportunità di differenziazione risiede infatti nel fornire quegli attributi di prodotto che i modelli di AI non possono dedurre o estrarre in modo affidabile dai dati standard attualmente a disposizione.
Dobbiamo sempre ricordare che in assenza di informazioni autorevoli e strutturate, gli LLM tendono a “provare a indovinare”, ad esempio, deducendo arbitrariamente se un capo d’abbigliamento è eco-sostenibile oppure no. Fornire all’AI dati di prodotto arricchiti e precisi riduce sensibilmente la disinformazione e le cosiddette “allucinazioni”, garantendo che l’utente riceva raccomandazioni accurate e prevenendo così potenziali delusioni o resi post-acquisto.

Arricchire i dati espande inoltre esponenzialmente le probabilità che un prodotto venga intercettato e proposto dall’AI come risposta di riferimento. L’utilizzo di dati strutturati come abbiamo già detto è un criterio fondamentale per la GEO e per posizionarsi nelle nuove SERP ibride di Google. Inoltre, integrare questi attributi nei feed conversazionali alimenta e potenzia sia i formati pubblicitari emergenti (come OpenAI Ads), sia i canali di revenue consolidati (come Google Shopping e Performance Max).

Infine, la capacità di fornire dati proprietari e iper-dettagliati crea una barriera difensiva a livello di visibilità web. Questo scenario premia fortemente i produttori e i brand strutturati, garantendo loro un vantaggio decisivo rispetto ai rivenditori multimarca o ai competitor con minori risorse, i quali si trovano ora a dover affrontare costi e complessità crescenti per l’acquisizione e l’integrazione di dati di prodotto all’altezza dei nuovi standard richiesti dall’AI.

Per rispondere a questa esigenza, Google ha introdotto all’interno delle specifiche di Merchant Center i Conversational Attributes, attributi opzionali progettati specificamente per spiegare le sfumature di prodotto agli agenti conversazionali. Il fatto che questi attributi siano “opzionali” indica semplicemente che il prodotto rimane all’interno di un database che però l’AI non citerà. Ciò era confermato dalla documentazione stessa, la quale affermava che l’omissione di questi elementi “garantisce quasi certamente una diminuzione della visibilità nelle risposte generate dall’AI”. Pertanto, seppur tecnicamente consentito, all’atto pratico non è consigliabile.

• native_commerce (checkout_eligibility): un flag booleano (true/false) che abilita la comparsa del pulsante “Buy Now” direttamente nelle AI di Google (Gemini, AI Mode) per i merchant abilitati. In assenza di questo, il prodotto non può essere acquistato direttamente all’interno delle interfacce AI. La formattazione di questo attributo dipende dal formato di origine dei dati (TSV o CSV – XML – Merchant API).
• question_and_answer: consente di inserire coppie strutturate di domande e risposte frequenti (FAQ) redatte da produttori, merchant o consumatori (es. compatibilità con accessori, dettagli di vestibilità, indicazioni d’uso).
  Valore di esempio: “Ha un jack per cuffie?”:”Questa versione non ha un jack per cuffie.”; “Supporta il Bluetooth?”:”Supporta completamente il Bluetooth 6.0.”
• document_link: permette di associare fino a 5 URL diretti a file PDF ufficiali (manuali d’uso, schede tecniche, istruzioni di montaggio, certificazioni di sicurezza), consentendo all’agente di analizzare la documentazione tecnica originale.
  Valore di esempio: https://example.com/manual.pdf
• related_product: specifica le relazioni logiche tra gli articoli del catalogo secondo tassonomie precise (required_part, accessory, often_bought_with, substitute), abilitando l’agente a costruire carrelli completi e coerenti in una singola sessione.
  Valore di esempio: required_part:id:AZ7B, accessory:gtin:811571013579
• variant_option & item_group_title: mappano in modo esplicito la composizione delle varianti di prodotto (es. larghezza della pianta, quantitativo di memoria, tipo di finitura).
  Valore di esempio: Shoe width:narrow,size:8
• popularity_rank: un punteggio percentuale (0–100) che indica la popolarità relativa dell’articolo all’interno dell’inventario del merchant, fornendo un segnale oggettivo per le raccomandazioni algoritmiche.
  Valore di esempio: 95.5

Come fare quindi ad implementarli senza rischiare disallineamenti di business? Per i team di marketing infatti, il timore principale è alterare i feed primari impattando le campagne Performance Max o Google Shopping. Google raccomanda l’adozione dei Supplemental Feeds (feed supplementari) che consentono di associare gli attributi conversazionali e di abilitare l’idoneità al checkout nativo agli ID prodotto esistenti senza modificare il feed principale, garantendo continuità operativa ed escludendo qualsiasi rischio di sospensione del catalogo primario.

AI “Readiness” Assessment

Per capire se i tuoi prodotti sono pronti per essere letti e raccomandati dalle intelligenze artificiali, stanno emergendo diversi strumenti di diagnosi:

Google Merchant Center AI Performance Analysis (beta)

Analizza come i prodotti vengono scoperti in AI Mode, AI Overviews nella SERP o nell’app Gemini.
Alcune delle funzionalità presenti nel report sono:

• Share of voice: misura la visibilità del tuo brand nelle esperienze basate sull’AI nella rete di Ricerca Google e Gemini rispetto a brand simili
• Shopping funnel performance: permette di ottenere informazioni nelle fasi del percorso d’acquisto, tra cui scoperta, valutazione e acquisto
• Product term insights: individua i termini di prodotto più popolari cercati dagli utenti nelle conversazioni di ricerca, inclusa la share of voice per ciascuno di essi
• Product attributes insights: individua le specifiche di prodotto più cercate dagli utenti (ad esempio colore, stile, materiale). È possibile utilizzare il punteggio di completezza degli attributi per identificare quali dei prodotti sono privi di questi attributi

Audit di Scansionabilità e Robots.txt

Per verificare che i crawler delle principali AI (es: Googlebot, StoreBot, ChatGPT-User) non siano bloccati dall’accesso alle pagine prodotto e alle immagini. Questo punto in particolare è spesso trascurato dai brand.

Tool di Analisi

Per analizzare le URL delle schede prodotto e verificare se i microdati Schema.org e le istruzioni del file robots.txt consentono agli agenti AI di leggere e raccomandare il catalogo, come Shopify Agentic Readiness Tool o Channable AI Product Search Audit.

Strumenti e metodi per arricchire il Feed Prodotto

Per potenziare la visibilità del catalogo in un web sempre più AI-centrico, è quindi necessario integrare gli attributi conversazionali di cui abbiamo discusso.

Al momento è già possibile utilizzare diverse Feed Management Platforms come Channable, DataFeedWatch e Lengow che consentono ai team di marketing di mappare e ottimizzare i dati di prodotto su scala e che stanno integrando funzionalità automatiche di estrazione e rielaborazione dati proprio a questo scopo, ma una delle sfide principali in molte categorie merceologiche è che i dati di prodotto rilevanti (ovvero quegli attributi unici, di nicchia e contestuali che l’AI ricerca) sono spesso irreperibili o troppo costosi da aggregare.

Questo scenario dovrebbe quindi stimolare un ragionamento strategico verso nuove metodologie di acquisizione, strutturazione e reperimento dei dati di prodotto rilevanti, che sono riassumibili con:

• Acquisizione e integrazione diretta dei dati: per i rivenditori multimarca questo comporta un aumento sostanziale delle responsabilità nelle fasi di product onboarding, setup degli articoli e gestione dell’ecosistema dati (PIM e Digital Shelf).
  Per i produttori e brand invece, questo si tradurrà in una crescente pressione da parte dei retailer, che esigeranno cataloghi sempre più ricchi e differenzianti. Se i brand non forniranno questi dati, i retailer saranno incentivati a generarli o recuperarli altrove a basso costo. Questa dinamica sta rilanciando i progetti interni di data meshing, ottimizzando l’integrazione tra PIM, DAM, ERP e CMS per sbloccare e mettere a sistema dati di prodotto preziosi.
• Partnership editoriali: Nei settori caratterizzati da una stampa specializzata autorevole o da forti community di appassionati (es. tech, beauty, automotive), produttori e rivenditori hanno un forte incentivo a collaborare con i publisher. Questi attori editoriali creano costantemente nuovi data point sui prodotti (tramite test, recensioni tecniche e approfondimenti). Stiamo infatti assistendo a un crescente interesse verso accordi di licensing commerciale tra editori e retailer per l’utilizzo di questi dati arricchiti.
• Contenuti Generati dagli Utenti (UGC): È la soluzione ideale per ottenere tutti quei dati molto richiesti dagli utenti (e dall’AI), ma che il brand non può o non vuole comunicare in prima persona per questioni di brand safety, conformità normativa o responsabilità legale. In questi casi, estrarre e strutturare le informazioni direttamente dalle recensioni e dalle Q&A degli utenti permetterà di trasformarle in dati autorevoli “de-facto”. L’UGC rappresenta anche un eccellente strumento di crowdsourcing per recuperare informazioni altrimenti impossibili da mappare, specialmente quando l’inventario fisico non è gestito direttamente in-house.

Come attivare il Checkout Agentico

Per rendere infine possibile l’agentic commerce resta ovviamente un grosso tema da smarcare: la gestione del “checkout agentico”.

Prima di tutto è opportuno chiarire che a tutti gli effetti il brand rimarrebbe il Merchant of Record (MoR), con gestione diretta del cliente, definizione dei prezzi e l’unico responsabile di incassi, spedizioni, assistenza clienti e resi.

Inoltre, per abilitare l’acquisto diretto, nell’esempio delle AI di Google (Gemini, AI Mode, in Search), l’integrazione con Google Pay è obbligatoria e resa possibile proprio grazie alla standardizzazione tecnica tramite l’UCP.

Affinché un agente AI possa effettuare l’acquisto di un prodotto in totale autonomia ha bisogno di accedere istantaneamente a un metodo di pagamento valido e a un indirizzo di spedizione pre-salvato. Google Wallet e Google Pay fungono quindi da “cassaforte” per questi dati. Invece di far compilare form all’utente (che vanificherebbe il processo di automazione dell’AI), Google Pay permette all’agente di chiudere la transazione in background in modo fluido e invisibile.

La sicurezza, nodo centrale degli acquisti delegati, viene quindi assicurata dal fatto che Google Pay non trasmette mai i dati reali della carta di credito al server dell’ecommerce, ma bensì invia un token criptato e monouso che il Payment Service Provider (PSP) sa come leggere. Questo protegge l’utente dalle frodi e solleva (Google in questo caso) dalla responsabilità di trasmettere in chiaro dati finanziari sensibili tramite un’interfaccia AI.