من مشاوره حرفه‌ای برای یک خرده‌فروش در Upper East Side نیویورک ارائه می‌دهم و در آخرین جلسه ویدیویی‌مان درباره یک مسیر جدید بحث کردیم. داده های ساختاریافته، فیدهای فهرست، اتصال به پروتکل تجارت جهانی گوگل یا پروتکل بازرگانی عامل OpenAI. با این حال، ما در مورد آنچه باعث فروش می شود صحبت نکردیم: وقتی معامله توسط یک عامل هوش مصنوعی انجام می شود، نه یک شخص، آیا صندوق نقدی زیر هنوز کار می کند؟
هارلی فینکلشتاین، مدیر عامل Shopify، در جریان فراخوان درآمد فوریه 2026 شرکت به برخی از این سؤال پاسخ داد، و این مقدار کمی نیست. تعداد سفارش‌هایی که از طریق جستجوی مبتنی بر هوش مصنوعی به دست می‌آیند از ژانویه 2025 15 برابر شده است، و آنها قبلاً از طریق پروتکل‌های ساخته‌شده در سه سال گذشته هدایت می‌شوند: پروتکل تجارت جهانی Google، پروتکل تجارت عامل OpenAI، و تجارت Agentforce Salesforce، که به‌جای ایجاد استاندارد UCP تصمیم گرفت. فروشندگان Etsy وارد ChatGPT شدند و بازرگانان Shopify مانند Glossier، Spanx و Vuori دنبال کردند. از آن زمان OpenAI از تسویه حساب اصلی چت عقب نشینی کرده و خریدها را به برنامه های خرده فروش منتقل کرده است، و باعث می شود که سوال اساسی حادتر شود تا کمتر مرتبط.
من به کنستانتین کلیاگین ایمیل زدم تا بفهمم بعد از آن چه اتفاقی می افتد. او QAwerk را در سال 2015 برای ارائه شریک آزمایشی مناسب برای نرم افزار تأسیس کرد و از آن زمان تاکنون این آژانس بیش از 300 پروژه مشتری را در آمریکای شمالی، اروپا و آفریقا آزمایش کرده است. پاسخ او به سوال دید این بود که نشان دادن محصول در نتایج پلتفرم هوش مصنوعی بخش آسان است، اما بیشتر اصطکاک فعلی در پایین دست است، در بخشی که هنوز کسی آن را آزمایش نکرده است.
یک نماینده چیزی مانند یک شخص نمی‌خرد
قاب بندی کلیاگین با شنیدن آن ساده است: خریدار انسانی به طور نامنسجم پیمایش می کند، حواسش پرت می شود، گاری را رها می کند و ساعاتی بعد به آن باز می گردد. عامل هوش مصنوعی تماس های سریع و ساختار یافته API را آغاز می کند، محصول را بر اساس معیارهایی که به آن داده شده ارزیابی می کند و در عرض چند ثانیه تصمیم می گیرد. این سرعت دقیقاً همان چیزی است که سیستم های تنظیم شده برای انسان را خراب می کند.
محدودیت سرعت و تشخیص ربات برای تشخیص رفتار خودکار به نظر می رسد و این دقیقاً همان چیزی است که یک نماینده خرید قانونی به نظر می رسد. منطق جلسه که حول یک بازدید مداوم انسانی ساخته شده است، نماینده ای را که در مورد یک محصول پرس و جو می کند، جلسه را می بندد و بعداً برای نهایی کردن خرید بازمی گردد، خفه می کند. تیم Klyagin سیستم‌های چند عامله را در سایر صنایع تحت نظارت آزمایش کرده است و به طور مداوم همان دلیل اصلی را پیدا کرده است: اکثر طرح‌های تضمین کیفیت تضمین می‌کنند که سیستم خروجی درستی تولید می‌کند، و تقریباً هیچ‌یک تضمین نمی‌کنند که زیرساخت‌های اطراف می‌توانند یک بازیگر غیرانسانی را که در آن با سرعت یک ماشین حرکت می‌کند، تحمل کنند.
در اینجا، یک محصول با موقعیت مناسب و بهینه سازی شده هنوز نمی تواند تفاوتی ایجاد کند. کار بهینه سازی موتور جستجو و دیده شدن هوش مصنوعی که اکثر خرده فروشان در حال حاضر روی آن تمرکز کرده اند کاملاً بالاتر از آن است.
الگوی شکست آن چیزی نیست که فکر می کردید
من از Klyagin یک مثال واقعی از پرداخت، اطلاعات محصول، یا عدم موفقیت بازپرداخت که به طور خاص توسط یک عامل هوش مصنوعی ایجاد شده است، خواستم و انتظار یک داستان دراماتیک را داشتم. او یک مورد تولید تایید شده را ندیده است که در آن یک نماینده خودش باعث شکست خرید مشتری شود، و او حاضر نبود یک خطای رایج تجارت الکترونیک را به عنوان یک شکست عامل بپوشاند، به همین دلیل است که پاسخ واقعی او ارزشمندتر از یک حکایت ساخته شده است.
تیم او بارها مشکل ظریف تری را شناسایی کرده است که در لحظه ای جدی می شود که خریدار نرم افزار باشد تا یک شخص. در یک پروژه مشتری، قیفی به نام Pridefit، مهندسان متوجه شدند که دو جزء مجزا کپی‌های خود را از همان داده‌های طراحی نگهداری می‌کنند، اما تفاوت‌های جزئی در قیمت و ویژگی‌ها بین این دو وجود دارد. ممکن است یک خریدار انسانی متوجه آن نشود یا فقط صفحه را به روز کند. یک عامل هوش مصنوعی هیچ زمینه بصری یا قضاوتی برای عقب نشینی ندارد. اگر طرحی را بر اساس یک منبع داده انتخاب کند و تسویه حساب دیگری را تأیید کند، عدم تطابق قیمت، SKU یا در دسترس بودن می‌تواند تراکنش را در حالتی متوقف کند که نماینده به تنهایی قادر به رفع آن نباشد.
تیم Klyagin اطلاعات تکراری و متمرکز برنامه را حذف کرد، بنابراین هر قسمت از قیف از یک منبع واحد بیرون کشیده شد. اما الگویی که او اغلب انتظار دارد در تجارت نماینده ببیند، معمولاً این نیست که نماینده محصول اشتباهی را انتخاب کند. سیستم‌ها در مورد وضعیت خرید اختلاف نظر دارند: فید موجودی می‌گوید نسخه موجود است، در حالی که پرداخت می‌گوید تمام شده است، درخواست مهلت زمانی در نقطه پایانی که به درستی ضعیف نیست دوباره امتحان می‌شود، یا اعتبار از طرف تاجر پاک می‌شود قبل از اینکه وضعیت سفارش به‌روزرسانی شده به عاملی که آن را آغاز کرده است برسد. اغلب می توان از چنین ناهماهنگی چشم پوشی کرد و متوجه شد که واقعاً چه اتفاقی افتاده است. نماینده باید با هر API، هر فید محصول و هر وضعیت سفارش موافقت کند.
3 بررسی برای انجام قبل از پیگیری پروتکل 4
Klyagin مشتریان را از طریق سه آزمایش خاص راهنمایی می‌کند، و من فکر می‌کنم هر خرده‌فروشی که در حال حاضر بر روی همگام‌سازی کاتالوگ و نشانه‌گذاری ساختاری تمرکز دارد، باید هر سه را قبل از افزودن چهارمین پلتفرم هوش مصنوعی به کاتالوگ خود تکمیل کند.
- API پرداخت را آزمایش کنید تا عامل در واقع به آن ضربه بزند. نه یک جلسه آهسته انسان در یک زمان، بلکه چندین تماس موازی متوالی به سرعت انجام می شود. تسویه حسابی که میلیون‌ها جلسه انسانی را بدون حادثه مدیریت کرده است، می‌تواند در اولین باری که با آن الگوی ترافیک روبرو می‌شود، شکست بخورد، و اکثر فروشندگانی که در حال حاضر به شبکه UCP یا ACP متصل می‌شوند واقعاً نمی‌دانند که آیا این کار را انجام خواهند داد یا خیر.
- دقت اطلاعات محصول را همانطور که دستگاه می خواند، بررسی کنید، نه نحوه نمایش آن توسط مرورگر. صفحه‌ای که برای یک بازدیدکننده انسانی کاملاً سازگار به نظر می‌رسد می‌تواند از دو منبع متفاوت باشد، و هیچ راهی وجود ندارد که یک نماینده متوجه شکافی مانند شخصی که صفحه را پیمایش می‌کند، باشد.
- بازپرداخت و بازپرداخت را در اولین تلاش به درستی بررسی کنید. وقتی دستگاه درخواستی را آغاز می‌کند، هیچ نماینده خدمات مشتری وجود ندارد که نقص یا حالتی را شناسایی کند که هرگز دوباره همگام‌سازی نمی‌شود.
هیچ یک از این سه نیاز به بلوغ بیشتر UCP، ACP یا Agentforce Commerce ندارند. آنها در حال آزمایش پایه هستند و هر سه پروتکل به این بستگی دارد که کدام یک یا کدام ترکیب در نهایت منجر به بازار شود.
برداشت من
من فکر می‌کنم توالی‌های برگشتی در صنعت وجود دارد. همه در حال مسابقه دادن هستند تا در ChatGPT و Gemini لیست شوند، قبل از اینکه بررسی کنند که پرداخت آنها واقعاً می تواند فروش را با رسیدن نماینده تکمیل کند، و دید را در بالای پایه ای ایجاد می کند که هیچ کس بارگذاری آن را آزمایش نکرده است. سئوی فنی باعث می شود محصول در نتایج نماینده جایگاهی پیدا کند. در مورد اینکه آیا یک نماینده می تواند آن را بخرد یا نه حرفی ندارد، و در حال حاضر آن مشکل دیگر، مشکل تر مشکلی است که تقریباً هیچ کس روی آن کار نمی کند.
Klyagin انتظار دارد که تضمین کیفیت در چند سال آینده به دو مسیر هماهنگ تقسیم شود. یکی که به طور مداوم تجربه انسانی را تأیید می کند، و دیگری که تأیید می کند که آیا یک عامل می تواند داده ها را تجزیه کند، تماس های API برقرار کند و در حین حرکت در سیستم با سرعت ماشین، نتیجه قابل پیش بینی دریافت کند. این مربوط به همان تغییری است که تیم‌های QA تجارت الکترونیک یک دهه پیش برای ساخت مجموعه‌های آزمایشی مخصوص موبایل انجام دادند، و خرده‌فروشانی که اکنون آن را در اولویت طراحی قرار داده‌اند، پیش از تغییر حجم در حال حاضر در اعداد خود Shopify، یک شروع واقعی برای افرادی خواهند داشت که هنوز صرفاً بر روی کشف تمرکز دارند.
اگر استراتژی تجارت الکترونیک شما برای سال 2026 دیگر در نتایج پلتفرم هوش مصنوعی نشان داده نمی شود، بخشی از مشکل را حل کرده اید که هرگز قسمت سخت نبود.
منابع بیشتر:
تصویر ویژه: tete_escape/Shutterstock
