Agentic commerce og produktfeeds: en guide til detailhandlere

Produktdata tilhører ikke kun ét team. Det er spredt over e-handel, indkøb, logistik, compliance og drift. Så hvorfor samler spørgsmålene om agentic commerce sig hos betalingsteams?

Samtaler om agentic commerce starter ofte hos betalingstjenesteudbydere, kortnetværk og betalingsinfrastruktur. Den tidlige vejledning om, hvad der faktisk er muligt, hvad der er realistisk, og hvad der kan vente, når derfor typisk virksomheden via betalingsteamet først.

Da produktdata berører så mange afdelinger, er betalingsteamets tværgående indsigt desuden utrolig nyttig. Du ejer måske ikke dataene, men du har et overblik på tværs af e-handel, økonomi, svindel, juridisk afdeling og drift, som de færreste teams har. Det gør dig godt rustet til at samle de rigtige mennesker om de rigtige spørgsmål.

De fleste detailhandlere har allerede et produktfeed. Det ligger måske i et PIM-system, kommer fra din handelsplatform, ligger i et Google Merchant-feed eller er en blanding af alle tre. Du optimerer sandsynligvis allerede dit katalog til mennesker og søgemaskiner med klare titler, gode beskrivelser og velorganiserede kategorier.

Men det betyder ikke, at dit feed er klar til AI.

AI-platforme stiller strenge krav til produktfeeds, herunder specifikke felter, konsistent formatering og opdaterede data, hvilket ofte rækker ud over, hvad et standard feed til e-handel indeholder. Traditionel optimering til e-handel handler om at gøre produktsiderne attraktive for mennesker. AI-systemer har andre prioriteter, såsom om dine data er strukturerede, komplette og maskinlæsbare.

Modsat en traditionel kunderejse på en hjemmeside sker dette ikke kun én gang ved betalingen. AI-systemer kan kontrollere priser, tilgængelighed og købsbetingelser flere gange i løbet af en enkelt interaktion. Inkonsistente eller forældede data bliver derfor hurtigt synlige.

Der er også et strukturelt lag i dette. Hver AI-platform har sine egne krav, så detailhandlere er i øjeblikket nødt til at tilpasse deres produktdata til hver enkelt platform separat. Det betyder, at du skal gentage det samme arbejde med datamapping, formatering og opdatering på tværs af platforme, med løbende vedligeholdelse, hver gang kravene ændres.

De fleste større detailhandlere er et sted midt i denne proces. Nogle data er strukturerede, nogle er spredt over flere systemer, og nogle er ikke tilgængelige i realtid. Spørg dig selv om følgende for at forstå, hvor I står:

• Kan vores feed forbindes til lagerbeholdning i realtid?

• Afspejler det live tilgængelighed?

• Viser det nøjagtige priser og købsbetingelser?

• Kan vi tilpasse det til at matche kravene fra forskellige AI-platforme?

Manglerne i din opsætning af produktfeeds vil sandsynligvis strække sig over flere teams og systemer. Arbejdet handler derfor lige så meget om koordinering, som det handler om teknologi. Her er en praktisk måde at gribe det an på:

1. Validér dit eksisterende feed mod AI-specifikationer

Det første trin er at tjekke dit feed op mod platformens faktiske krav i stedet for at antage, at det virker, fordi dit katalog fungerer i dag. AI-platforme er specifikke omkring, hvilke data de har brug for, og friske, nøjagtige data er et afgørende signal, de bruger til at beslutte, hvad de vil vise. Hvis dit feed mangler felter, er forældet eller inkonsistent, kan dine produkter vise fejl, der svækker tilliden til dine data. Eller også bliver de slet ikke vist.

2. Samarbejd med andre teams for at lukke datahullerne

De produktinformationer, du har brug for, findes sandsynligvis allerede et sted i virksomheden, de ejes bare af forskellige teams. Den første udfordring er derfor koordinering. Du skal:

• Find ud af, hvad der mangler: Se på de påkrævede felter, og identificér, hvad der ikke er i dit nuværende feed. Typiske mangler er vægt, dimensioner, leveringstidslinjer, returpolitikker og lovgivningsmæssige detaljer.

• Find ud af, hvor det ligger: Disse felter ejes ofte af logistik, drift, økonomi eller compliance, ikke af e-handelsteamet.

• Saml de rigtige mennesker: Du behøver ikke at genopbygge dine systemer. Målet er at sikre, at dataene kan tilgås og bruges, som AI-platformene kræver det.

I de fleste tilfælde betyder det, at du skal afstemme data på tværs af dit PIM, din handelsplatform, dit ordrestyringssystem (OMS), lagerværktøjer, feeds til markedspladser og Google Merchant Center. De vigtigste spørgsmål er:

• Hvilket system er den primære kilde til sandhed for priser, tilgængelighed og købsbetingelser?

• Hvem har ansvaret for at holde de data nøjagtige og opdaterede?

3. Beslut, hvem der ejer de AI-klar produktdata

Uanset hvor mange systemer dine produktdata strækker sig over, forventer AI-platforme, at de leveres i et enkelt, konsistent og opdateret format. Detailhandlere griber dette an på et par forskellige måder, som hver især har sine fordele og ulemper:

• Udbyg dit PIM: Ved at tilføje felter og AI-logik til dit PIM beholder du ejerskabet tæt på dit katalog og dine indkøbsteams, men det kan kræve betydeligt udviklingsarbejde.

• Brug din handelsplatform: At eksponere produktdata via API'er og oprette direkte forbindelse til AI-platforme kan være hurtigere at sætte op, men det kan gøre dig afhængig af din platforms roadmap.

• Byg dit eget oversættelseslag: At oprette en tjeneste, der henter data fra forskellige systemer, standardiserer dem og formaterer dem til hver AI-platform, giver dig fuld kontrol, men kræver løbende vedligeholdelse, efterhånden som kravene ændres.

• Samarbejd med en betalings- eller infrastrukturpartner: At lade en partner håndtere, hvordan dine data forberedes og deles med AI-platforme, kan reducere det skræddersyede udviklingsarbejde, men betyder, at du forlader dig på et eksternt lag.

Der er ikke ét rigtigt svar. Den bedste fremgangsmåde afhænger af jeres udviklerkapacitet, hvor meget kontrol du ønsker at beholde, hvor mange platforme du planlægger at understøtte, og hvor ofte dine data ændres. Sektorer i hurtig bevægelse, såsom rejser, markedspladser og fødevarer, vil have brug for en stærkere integration i realtid end mere statiske kataloger.

I praksis handler det mindre om at vælge et værktøj og mere om at beslutte, hvordan dine systemer arbejder sammen for at holde produktdata nøjagtige, opdaterede og klar til AI.

Nogle AI-platforme lader nu virksomheder skabe brandede oplevelser i deres grænseflader. Hvis I har bygget en MCP-server, kan du bruge den til at drive en af disse oplevelser ved at forbinde din server til platformen, opbygge en samtalebaseret oplevelse, der følger platformens konventioner, og lade brugerne vælge dit brand, før de interagerer.

Detailhandlere, der vælger denne løsning, falder typisk i to lejre.

Nogle bruger den til at eksperimentere med AI-native brandoplevelser. Dette fungerer som regel bedst, hvor kunderne allerede søger direkte efter brandet, hvor kunderejsen har gavn af trinvis vejledning, eller hvor produktet er komplekst at konfigurere.

Andre har fokus på at sikre, at deres produkter vises i generelle AI-søgninger ved siden af andre brands, når brugerne stiller brede spørgsmål. For de fleste betalingsansvarlige er dette den vigtigste prioritet.

Hvilken tilgang, der giver mening, afhænger af dit brand og dine kunder, og de udelukker ikke hinanden. Uanset om du bygger en brandet oplevelser eller optimerer til generel produktsøgning, er den underliggende forberedelse den samme. Du skal bruge strukturerede, maskinlæsbare produktdata, nøjagtige signaler om priser og tilgængelighed, klare politikker og en måde at tilpasse dig på, efterhånden som platformskravene udvikler sig.

Baseret på vores samtaler med store detailhandlere og AI-platforme er infrastruktur den mest presserende udfordring inden for agentic commerce. Så det er der, vi fokuserer.

Vi samarbejder med detailhandlere og AI-platforme for at dele, hvad der efterspørges i dag, hjælpe betalingsteams med at beslutte, hvad der er værd at gøre nu, og støtte forberedelsen uden at gennemtvinge beslutninger, som kan være svære at rulle tilbage senere. Vi bidrager også til drøftelser om nye standarder, så du ikke behøver at binde dig til en bestemt løsning for tidligt.

På infrastrukturniveau fokuserer vi på de områder, hvor AI-grænseflader møder reelle handelssystemer. Vores mål er at mindske fragmentering, understøtte flere standarder og hjælpe dig med at undgå separate integrationer for hver ny platform.

Vores fokus er hele vejen igennem at hjælpe detailhandlere med at bevare kontrollen over deres data og kunderelationer.

Ingen forventer, at du har fuldstændig styr på agentic commerce endnu. Men de samtaler, du allerede har med betalingstjenesteudbydere og partnere, giver dig et klarere billede af, hvad der er realistisk, end de fleste teams har. Det stiller dig i en god position til at hjælpe din organisation med at fokusere på de rigtige ting. Her er, hvad du skal huske:

• At have et produktfeed betyder ikke, at du er klar. AI-styret produktsøgning kræver eksplicitte specifikationer, obligatoriske felter og opdaterede data, som går ud over traditionelle feeds til e-handel.

• De største barrierer er fragmenterede data, uklart ejerskab og antagelser om, hvad der allerede findes. Disse kan løses, men de kræver koordinering på tværs af afdelinger.

• Du behøver ikke at satse på en enkelt AI-platform for at forberede dig. Rene, strukturerede og maskinlæsbare produktdata kan genbruges på tværs af AI-assistenter og søgeoverflader.

• Fokusér på parathed uden at binde dig. Byg fundamenter, som du kan tilpasse, efterhånden som standarder og AI-platforme udvikler sig, i stedet for at binde dig til specifikke implementeringer for tidligt.

Gode produktdata er udgangspunktet. Men at få det til at fungere på tværs af AI-platforme betyder også, at du skal holde dem opdaterede, oversætte dem til forskellige formater og tilpasse dem, efterhånden som kravene ændres. Som en, der arbejder på tværs af teams, er du godt placeret til at drive den udvikling.

Overvejer du, hvordan agent-klar produktdata ser ud for din virksomhed? Kontakt os.