Il boom più o meno concreto dell'AI agentica sta rendendo altrettanto "agentici" molti settori, processi e attività in cui l'intelligenza artificiale ha avuto sinora un ruolo importante ma più che altro dietro le quinte. L'eCommerce è certamente uno di questi: nel loro shopping online i consumatori sono ormai abituati a funzioni come i motori di raccomandazione e ad interfacce come i chatbot, che sull'AI si basano, e ora sono pronti - secondo i sostenitori dell'AI agentica - al logico passo successivo: l'agentic commerce. 

In estrema sintesi, l'agentic commerce è una forma di shopping digitale in cui tutto, idealmente, viene delegato ad agenti AI: cercare oggetti secondo le indicazioni ricevute, consultare l'offerta dei vari store online, comprare quello che l'AI giudica più opportuno. L'utente di fatto non va più a visitare gli store online: affida tutto alle capacità dell'intelligenza artificiale.

Si tratta di un approccio che presenta alcune questioni difficilmente ignorabili. Quale raggio d'azione abbia effettivamente un agente AI in funzione dei modelli AI e delle piattaforme che lo sostengono. Come effettivamente l'agente prenda le sue decisioni di acquisto. Che valore legale abbiano le sue azioni. Come l'agentic commerce cambierà la pubblicità online. Come si possano gestire - e garantire - i pagamenti digitali avviati da un agente AI. Come tutto questo possa, e debba, essere soggetto a normative specifiche che di fatto ora non esistono. Le possibilità dell'agentic commerce sono insomma molte, ma al momento molti sono anche i suoi limiti.

Sul piatto "buono" della bilancia Juniper Research - che ha pubblicato di recente un report specifico sull'argomento - mette due importanti elementi abilitati dall'AI: una maggiore personalizzazione e una "product discovery" particolarmente efficace. Tra i fattori di freno - che tratteremo in un altro articolo - gli analisti inseriscono invece, principalmente, le questioni collegate alla fiducia dei consumatori, alla sicurezza delle transazioni, alla qualità dei dati su cui l'agentic commerce si deve basare.

Lato personalizzazione degli acquisti, Juniper Research sottolinea che i modelli LLM possono elaborare una quantità di dati sempre maggiore riguardo le preferenze degli utenti e le loro abitudini di acquisto. Di conseguenza, in teoria un agente può raccomandare prodotti sempre più adatti al suo utente. E non solo: grazie alla capacità degli LLM di cogliere elementi di contesto dalle conversazioni passate - fatte salve le ovvie considerazioni di privacy - gli agenti possono arrivare a proporre suggerimenti legati a esigenze che l’utente non ha espresso esplicitamente lanciando una specifica ricerca, ma ha genericamente indicato in precedenza.

Gli agenti che operano lato venditore sanno - e sapranno ancora di più - riconoscere i modelli di spesa passati del singolo acquirente e proporre offerte e sconti agli agenti che operano per suo conto. Questi agenti possono anche "mercanteggiare" digitalmente - entro parametri assegnati, beninteso - per raggiungere accordi che arrivino a una transazione soddisfacendo entrambe le parti. Questa (nuova) dinamica tra l'altro dà più peso alle relazioni stabili tra chi vende e chi compra, permettendo ai primi di indirizzare meglio il proprio pubblico e ai secondi di trovare prodotti o servizi più in linea con i propri interessi.

Una ricerca complessa

Un ruolo altrettanto importante, ma meno semplice, gli agenti di AI lo giocheranno nella ricerca dei prodotti da acquistare, ricerca che nell'immaginario degli utilizzatori umani è già adesso un punto di forza importante. Invece di portare avanti interminabili ricerche con Google e compagnia, si indica cosa si vuole al proprio "agente degli acquisti" e si aspetta solo la consegna del prodotto comprato.

Questa "product discovery" però è parecchio insidiosa, perché lavora estraendo informazioni rilevanti da query conversazionali non strutturate. La prima fase consiste nello scomporre i prompt dell’utente in criteri oggettivi: intervalli di prezzo, descrizioni dei prodotti, tempi di consegna. Quando i criteri sono vaghi - come è di solito nelle conversazioni umane, ricche di espressioni ambigue come “prezzi bassi” o "consegna rapida” - un agente può interrogare database di parole chiave che corrispondano ai termini di ricerca, interpretando anche significati sinonimici per aumentare le corrispondenze. I risultati sono poi filtrati in base a parametri definiti (come prezzo o tempi di spedizione) e ordinati secondo metriche di adeguatezza, arrivando infine all’acquisto del prodotto più idoneo.

I "cataloghi" su cui gli agenti di eCommerce ragionano sono i dati su inventari e prodotti forniti in tempo reale dalle API dei merchant. Più venditori sono interfacciati agli agenti AI, più aumentano le capacità di discovery e quindi la probabilità di individuare prodotti o servizi in linea con le esigenze dell’utente. Inoltre, gli agenti possono accedere ad altre informazioni (come recensioni, valutazioni e altri dati di contesto) utili per identificare aspetti che rendono un prodotto più o meno indicato per un utente.

Si capisce come la product discovery sia un ambito particolarmente complesso: ci sono tante criticità che un agente può incontrare nel tentativo di individuare prodotti pertinenti. Una delle sfide principali riguarda la corrispondenza tra i parametri derivati dall’interpretazione delle richieste dell’utente e i prodotti disponibili. Le API dei merchant possono fornire informazioni incoerenti, incomplete o categorizzate in modo inadeguato, con il rischio di generare classificazioni imprecise. Va anche tenuto conto di una certa quota di "non detto" da parte dell'utente: spesso diamo per scontato che un prodotto abbia determinate caratteristiche per sua stessa natura, ma non è necessariamente così. E sono comunque informazioni perse, dal punto di vista dell'agentic commerce.