Gap Inc. Avslöjar AI-teknologier för passningsvägledning och konversationshandel
Gap Inc. tillkännagav två AI-drivna teknologier den 24 mars 2026 på Shoptalk Spring: personlig passningsvägledning driven av Bold Metrics Agent Sizing Protocol och stöd för Googles Universal Commerce Protocol (UCP). Dessa verktyg integreras i konversationsflöden för shopping, levererar storleksrekommendationer under köptillfällen och möjliggör sömlös utcheckning inom AI-miljöer som Google Searchs AI Mode och Gemini-appen[1][3]. Företagets Office of AI positionerar dessa som kärnan i att transformera online shopping av kläder, hantera osäkerhet kring passform – en nyckelbarriär – och optimera för agentbaserad handel där produkter visas transaktionsklara i svarstjänster[1][2].
Detta följer Gap Incs tidigare AI-initiativ, som lanseringarna i november 2025 för trendkurer, smartare rekommendationer och intelligent passform för denim, allt byggt på Google Clouds enhetliga dataarkitektur[6]. Chief Technology Officer Sven Gerjets betonade en disciplinerad strategi: att skala AI för att lösa kundproblem som passningssäkerhet och friktion vid utcheckning, snarare än att jaga nyheter[1][3].
Implikationer för e-handels produktfeeds och katalogstandarder
AI-integration på denna nivå höjer direkt produktfeeds genom att bädda in dynamisk passningsintelligens, och gå bortom statiska storlekstabeller till prediktiva, kontextmedvetna data inom konversationsgränssnitt. Detta säkerställer att feeds inte bara är beskrivande utan handlingskraftiga, vilket stödjer realtidspersonalisering som anpassar sig till förändrade sökmönster från nyckelordsbaserade till LLM-drivna sökningar[1][2]. Om du vill förbättra din feed, kolla in vår artikel om Product feed - NotPIM.
Katalogstandardisering drar nytta av att UCP möjliggör enhetlig produktrepresentation över AI-nativa plattformar, vilket gör inventeringen "transaktionsklar" utan anpassade anpassningar per kanal. För kläder, där variationer i storlekar kvarstår, standardiserar detta protokoll attribut som mått och passningsprofiler, vilket potentiellt minskar diskrepanser som plågar e-handel över flera plattformar[3]. Tidigt antagande signalerar en ritning för feeds optimerade på "LLM-skiktet", där noggrannhet i AI-svar dikterar synlighet[1].
Förbättrad kortkvalitet, fullständighet och sortimentshastighet
Kortkvalitet och fullständighet förbättras genom AI-drivna attribut som Agent Sizing Protocol, som genererar personliga rekommendationer från kroppsmått, vilket minimerar vaga beskrivningar till förmån för exakta, användarspecifika data. Detta tacklar kläders höga returer – som beräknas av National Retail Federation till 19,3 % av onlineförsäljningen (849,9 miljarder dollar) 2025 – genom att förhandsladda passningssäkerhet i produktkort och chattflöden[3]. För mer information om hur du kan förbättra produktkortens kvalitet, överväg att läsa vår artikel om hur man skapar säljdrivande produktbeskrivningar utan att spendera en förmögenhet - NotPIM.
Sortimentshastigheten accelererar när AI-arbetsflöden, som redan används internt för att rendera koncept till fotorealistiska bilder på några minuter, utökas till kundinriktade resultat[6]. No-code-element i dessa verktyg möjliggör snabb implementering av funktioner som "Wear It With"-parningar eller trendredigeringar, vilket förkortar time-to-market för nya stilar samtidigt som fullständigheten bibehålls genom automatiserad berikning[6]. Resultatet: fullständigare kort som utvecklas med användarinteraktioner, vilket ökar konverteringen utan manuell kurering.
No-Code AI och skiftet till Agentic Commerce Infrastructure
No-code AI sänker barriärerna för att skala dessa möjligheter, integrera passform och utcheckning via protokoll som UCP utan skräddarsydd teknik per plattform. Detta bäddar in intelligens i kärninfrastrukturen – Gap Incs AI-klara ombyggnad på Google Cloud – vilket möjliggör applikationer över hela företaget från design till leverans[2][6].
För e-handels infrastruktur för innehåll ligger betydelsen i agentbaserade system där shopping helt och hållet kringgår webbplatser, och sker i ambienta AI-utrymmen som Gemini, som når hundratals miljoner[3]. Detta kräver innehållspipeliner som prioriterar strukturerade, AI-parsabla data framför traditionella visuella element, vilket främjar hastighet i utdata samtidigt som kvaliteten upprätthålls. När återförsäljare anpassar sig kan sådana disciplinerade implementeringar omdefiniera standarder, även om datasekretessbekymmer i AI-partnerskap förblir en noterad friktionspunkt[5]. För att förstå hur du bättre kan hantera dina produktdata, kolla in vårt inlägg om att skapa en produktsida - NotPIM.
MediaPost rapporterar Gap som den första stora modeåterförsäljaren med Gemini-utcheckning[3]; Gap Inc. pressmeddelande, 24 mars 2026[1].
När AI-driven passningsvägledning och agentbaserad handel får fäste blir behovet av robust produktdatahantering ännu mer kritiskt. Gap Incs drag lyfter fram skiftet mot rikare, kontextmedveten produktinformation. För plattformar som NotPIM understryker detta vikten av våra kärnfunktioner: att säkerställa att produktfeeds är rena, standardiserade och enkelt integreras med dynamiska, AI-drivna funktioner. Genom att tillhandahålla effektiva lösningar för feedomvandling, berikning och kataloghantering gör vi det möjligt för e-handelsföretag att anpassa sig snabbt och dra nytta av dessa framväxande trender.