L'e-commerce agentico (o agentic commerce), ovvero lo shopping gestito da agenti di intelligenza artificiale (IA) che agiscono per conto dei consumatori, rappresenta un cambiamento epocale nel mercato. Si tratta di una trasformazione radicale dell'esperienza di acquisto, in cui l'IA è in grado di:
- Anticipare le esigenze dei consumatori.
- Navigare tra le opzioni di acquisto.
- Negoziare offerte.
- Eseguire transazioni in modo autonomo e coerente con l'intento dell’utente.
Impatto economico e velocità di diffusione
Man mano che questi modelli evolvono, il modo in cui è strutturato il commercio cambierà: la ricerca manuale viene sostituita da un processo mediato dagli agenti, che supportano sempre più le decisioni umane. E - sebbene il ritmo e l'entità dell'IA agentica non siano ancora chiari - la tecnologia sta migliorando rapidamente e l'integrazione è meno difficile e costosa rispetto alle precedenti transizioni.
Secondo il report McKinsey & Company The agentic commerce opportunity: How AI agents are ushering in a new era for consumers and merchants - di Katharina Schumacher e Roger Roberts, con Katharina Giebel - entro il 2030 il mercato retail B2C (Business-to-Consumer, ovvero la vendita diretta dall'azienda al consumatore finale) negli Stati Uniti potrebbe vedere fino a 1.000 miliardi di dollari di ricavi derivanti dall'e-commerce agentico, e le previsioni arrivano a stimare un valore tra i 3.000 e i 5.000 miliardi di dollari a livello globale.
Questa tendenza avrà un impatto ampio quanto le precedenti rivoluzioni del web e dell'e-commerce mobile, ma potrebbe diffondersi ancora più velocemente, poiché gli agenti sfruttano le infrastrutture digitali esistenti.
Le architetture chiave del commercio agentico
L'e-commerce basato su agenti IA si sta evolvendo attraverso tre principali modelli di interazione.
- Agente a sito (Agent to Site): in questo modello gli agenti interagiscono direttamente con l’interfaccia di un negozio online.
Un esempio pratico è l’acquisto di un regalo: si indicano all’agente le proprie necessità (rispetto di un budget, tempistiche di consegna, metodo di pagamento preferito) e, dopo aver filtrato in base alle indicazioni, l’agente procede all’acquisto autonomamente. - Agente ad agente (Agent to Agent): questa modalità è la più complessa e prevede transazioni autonome tra agenti digitali (lato acquirente e lato merchant) e non è prevista un’interfaccia visiva perché si tratta di una negoziazione tra algoritmi.
È il caso, per esempio, della prenotazione di una consulenza tecnica o dell’acquisto di forniture B2B. - Agente mediatore a sito (Brokered Agent to Site): in questo caso entrano in gioco sistemi intermediari che aggregano l’offerta di più siti e permettono all’agente di operare in un ambiente ottimizzato.
Per esempio, può essere usato nell’organizzazione di un viaggio: dopo la richiesta all’agente IA, questo interroga un broker di viaggi (come Skyscanner o Expedia) che a sua volta interroga siti di compagnie aeree e di alloggi presentando poi all’agente la combinazione migliore. Infine, l’agente autorizza il broker a effettuare i pagamenti ai siti per finalizzare l’acquisto.
Come si evolve l'automazione degli acquisti
Come riporta McKinsey & Company nell’articolo The automation curve in agentic commerce - di Deepa Mahajan, Hannah Mayer, Katharina Schumacher e Roger Roberts, con Katharina Giebel - l'adozione di questa tecnologia non avviene con un unico salto, ma si sviluppa lungo una curva di automazione a sei livelli, che descrive la progressiva delega del processo di acquisto da parte del consumatore all'IA.
L'obiettivo finale non è la massima autonomia, ma la delega ottimale.
I sei livelli di automazione dell'agentic commerce sono:
- Livello 0 - Convenienza programmatica: l’automazione è basata su regole fisse per l'acquisto ricorrente (per esempio nel caso di rinnovo di abbonamenti e sottoscrizioni oppure dell’ordine periodico di un prodotto).
- Livello 1 - Assistenza: gli agenti aiutano l'utente a pensare e prendere decisioni facendo analisi, confrontando opzioni, sintetizzando i risultati della ricerca al posto suo ma non eseguono l'acquisto.
- Livello 2 - Assemblaggio: gli agenti passano dall'analisi alla selezione degli articoli, trovando compromessi e risolvendo vincoli (come il bilanciamento tra prezzo e velocità di consegna), per restituire un carrello pronto per l'acquisto. Al consumatore non resta che approvare o meno la soluzione proposta.
- Livello 3 - Autorizzazione: il consumatore delega azioni e l'agente esegue l'intero flusso di lavoro entro limiti chiari (per esempio fissando un budget per la spesa oppure il giorno preferito per la consegna), chiedendo intervento umano solo in caso di deviazioni dalle regole.
- Livello 4 - Autonomia: l'agente agisce in base a obiettivi stabili piuttosto che a transazioni singole (come "mantenere la spesa sotto un certo budget mensile" oppure "non esaurire le scorte di determinati prodotti "). L'agente anticipa i bisogni, confronta le opzioni e ottimizza i risultati. L'intervento umano è necessario solo per le eccezioni.
- Livello 5 - Autonomia in rete: qui si delinea un orizzonte futuro in cui il commercio avverrà da-agente-ad-agente di default. In questo contesto, gli agenti personali intrattengono trattative direttamente con una rete di agenti specializzati per ottimizzare in autonomia tutti gli aspetti della transazione, come prezzi, logistica, pagamenti e programmi fedeltà.
Le sfide per le aziende e il valore del dato
Per McKinsey & Company, brand, retailer, marketplace, fornitori di servizi logistici e di pagamento dovranno affrontare questa nuova realtà, ripensando i propri modelli di business.
Si assisterà a un passaggio dalle destinazioni verticali tradizionali a un ecosistema di agenti orizzontale e integrato, in cui gli agenti personali si prenderanno carico di tutte le esigenze del consumatore.
"Per avere successo, i brand devono ripensare l'intera catena di coinvolgimento non più solo per gli esseri umani che hanno lavorato per comprendere, ma per gli agenti che ora agiscono per loro conto”
Becca Coggins, McKinsey senior partner.
In questo nuovo sistema, disporre di dati verificabili e strutturati è centrale: la loro qualità, intesa come usabilità e applicabilità da parte di aziende e retailer, ha un forte impatto economico: secondo una ricerca Gartner del 2020, una scarsa qualità dei dati costa in media almeno 12,9 milioni di dollari all'anno.
Gartner individua le principali sfide e gli ostacoli comuni a molte organizzazioni sono:
- Incoerenza dei dati tra le fonti: i dati sono spesso archiviati in silos non interconnessi ed è possibile si creino sovrapposizioni, lacune o incongruenze che rendono difficile la standardizzazione.
- Mancanza di risorse: le organizzazioni possono avere un programma di qualità dei dati in un reparto o in un dominio specifico, ma non riescono a scalarlo a causa di una scarsità di competenze, esperienza e risorse.
- Assenza di titolarità: la mancanza di attribuzione delle responsabilità sulla qualità dei dati all'interno delle organizzazioni e la scarsa comprensione del legame tra i dati specifici di un'area e i risultati aziendali complessivi rappresentano un ostacolo alla governance collaborativa della qualità del dato.
- Crescenti requisiti normativi: normative come il GDPR (General Data Protection Regulation, Regolamento UE 2016/679 che disciplina la privacy) impongono una maggiore responsabilità sulla gestione dei dati personali.
Per affrontare le sfide del commercio agentico, le aziende devono assicurarsi che i loro dati siano di una qualità impeccabile, non solo per rispettare le normative, ma soprattutto per garantire che i prodotti siano rintracciabili, comprensibili e negoziabili dagli agenti di IA. La qualità dei dati non è più un costo, ma l'infrastruttura strategica che determina la visibilità e la competitività dell'azienda nel futuro del commercio.
