Van keyword commerce naar agentic commerce
Het commentaar van James Taylor beschrijft een structurele verschuiving in hoe retail discovery en monetisatie worden gebouwd: van keyword-gestuurde, pagina-centrische e-commerce naar agentic commerce, waarbij AI-systemen namens gebruikers handelen en direct in contact komen met productdata en commerciële logica.
De kernclaim is dat personalisatie en discovery op Amazon-niveau niet langer Amazon-schaal budgetten vereisen. In plaats daarvan kunnen retailers een modulaire stack samenstellen die gericht is op transformer-gebaseerde semantische zoekopdrachten, een beslissingslaag die relevantie en monetisatie beheert, en Model Context Protocol (MCP) als de standaard manier om AI-modellen te verbinden met first-party catalogi, feeds en tools. In deze architectuur worden advertenties in AI-zoekopdrachten functionele winkelervaringen, en de governance laag van de retailer – niet een model van derden – beslist wat er wordt getoond, op welke voorwaarden en met welk economisch resultaat.
Deze visie verschijnt tegen een bredere achtergrond: grote AI-providers bewegen zich richting tool-gebruikende, "agentic" modellen die externe API's kunnen aanroepen, transacties kunnen uitvoeren en optimaliseren op gebruikersintentie in plaats van op geïsoleerde zoekopdrachten. Industriebesprekingen behandelen productcatalogi, retail media networks en MCP-achtige interfaces in toenemende mate als het belangrijkste oppervlak waarmee e-commerce zal worden blootgesteld aan deze agents. Het debat verschuift van "hoe krijg je verkeer van AI-zoekopdrachten" naar "hoe controleer ik wat AI-agents met mijn inventaris en marges kunnen doen".
Waarom de verschuiving ertoe doet: intentie boven keywords
Traditionele e-commerce zoekopdrachten zijn gebouwd rond exact-match of close-match keyword logica. Taylor wijst erop dat deze architectuur systematisch intentie mist: een zoekopdracht als "hoe rimpels verminderen" komt mogelijk niet overeen met producttitels of -attributen, ook al verwijst het duidelijk naar anti-aging huidverzorging. Volgens zijn schatting missen exact-match keywords ongeveer driekwart van de ware intentie.
Agentic commerce gaat uit van een andere primitieve: semantisch begrip van gebruikersdoelen. Transformer-gebaseerde, vector search-modellen brengen zoekopdrachten en catalogi in dezelfde embedding space in kaart, waardoor ze kunnen herkennen dat "anti-aging crème", "aging cream" en "rimples verminderen" verwijzen naar overlappende oplossingssets, zelfs als de bewoordingen verschillen.
Tegelijkertijd verschuiven aanbevelingen van segment-gebaseerde heuristiek naar gedragsintentie. In plaats van aan te nemen dat alle shoppers in een demografische cohort dezelfde dingen willen, kijkt het systeem naar signalen op sessieniveau: zoektermen, producten bekeken, reeks interacties voordat ze aan de winkelmand zijn toegevoegd, en het downstream gedrag van vergelijkbare gebruikers. Collaborative filtering en real-time event streams stellen het systeem in staat om te reageren op "wat deze persoon op dit moment probeert te doen", niet op "wie deze persoon in het algemeen is".
Deze verandering is cruciaal voor AI-agents. Agents interpreteren vrije-vorm gebruikersinstructies ("vind een cruelty-free anti-rimpel routine onder de $100", "herbouw mijn hardloopkit voor een marathon in een koud klimaat") en verwachten dat de onderliggende commerce laag ze omzet in daadwerkelijke items en aanbiedingen. Exact-match search kan geen robuuste dekking bieden voor dergelijke open-ended, long-tail verzoeken; transformer-gebaseerde semantische zoekopdrachten kunnen dit wel, mits de onderliggende data en governance aanwezig zijn.
MCP als bindweefsel tussen AI en commerce
Een centraal element in Taylor's argument is Model Context Protocol (MCP), beschreven als een open-source standaard voor het verbinden van AI-modellen met externe tools en gegevensbronnen. In de praktijk speelt MCP drie rollen:
- Het definieert hoe grote taalmodellen externe mogelijkheden ("apps") ontdekken, authenticeren en aanroepen, zoals zoekopdrachten, prijzen, inventaris of winkelwagen-API's.
- Het structureert hoe productdata, attributen en commerciële regels op een gecontroleerde, machine-leesbare manier worden blootgesteld aan AI-systemen.
- Het standaardiseert een "handshake" – een veilige, controleerbare onderhandeling over wat het model namens een gebruiker mag openen en doen.
Door MCP-conforme integraties te bouwen, kunnen retailers AI-zoekinterfaces toestaan om wat in wezen interactieve winkelpuien zijn te openen, geen statische advertenties. Een "advertentie" in een AI-omgeving wordt een ingebouwde winkelstroom: roep de MCP-app van de retailer aan, voer een transformer-gebaseerde zoekopdracht uit met governance regels, toon opties en voer mogelijk transacties uit, alles zonder de AI-interface te verlaten.
Cruciaal is dat Taylor benadrukt dat retailers deze laag zelf moeten bezitten. Als een retailer eenvoudigweg een product feed in een LLM van derden dumpt zonder een tussenliggende decision engine, wordt het model – en het platform dat het bedient – effectief de veilingmeester. In dat scenario is de catalogus van de retailer slechts één item in de inventaris dat om aandacht concurreert op de marketplace van iemand anders. Eigenaar zijn van de MCP-laag betekent dat elke door AI geïnitieerde ontdekking of transactie nog steeds door de eigen relevantie-, merchandising- en margin logica van de retailer gaat.
De decisioning layer: governance voor AI-gestuurde discovery
Transformers en vector search verbeteren de relevantie, maar ze stemmen de resultaten op zichzelf niet af op de commerciële strategie. Taylor positioneert de decisioning layer als de missing link: een governance oppervlak dat verschillende logica stromen combineert:
- Semantische ranking en retrieval, gebaseerd op transformer embeddings.
- Merchandising regels (boosting, vastzetten, uitsluiting, seizoensgebonden logica).
- Margin- en yield overwegingen (prioriteit geven aan items met een hogere marge wanneer de relevantie vergelijkbaar is).
- Gesponsorde plaatsingen en retail media campagnes.
- Personalisatiesignalen afgeleid van gebruikersgedrag en context.
In de praktijk betekent dit dat elk door AI gestuurd verzoek een gerangschikte lijst met producten oplevert die wordt gevormd door zowel gebruikersintentie als bedrijfsregels. De "relevantie curve" die hieruit voortvloeit, moet robuust genoeg zijn om bestand te zijn tegen AI-onderzoek, omdat agents resultaten zullen testen en vergelijken over vele sessies en gebruikers, en optimaliseren naar hun eigen doelen zoals prijs, kwaliteit of levertijd.
Dezelfde laag ondersteunt retail media. Keyword bidding in zijn handmatige vorm wordt onhoudbaar wanneer zoekopdrachten vrije vorm, multi-constraint en long-tail zijn. Taylor citeert een test waarbij een Australisch retail media network voor benodigdheden voor huisdieren handmatige keyword bidding verving door transformer-gestuurde zoek bidding; het aandeel van "performante" zoekopdrachten met monetisatie coverage nam naar verluidt met een factor vier toe. Dit suggereert dat semantische zoekopdrachten monetiseerbare intentie veel breder aan de oppervlakte kunnen brengen dan mens-onderhouden keyword lijsten kunnen.
Implicaties voor product feeds en cataloguing standaarden
De agentic commerce stack gaat ervan uit dat productdata zowel machine-leesbaar als semantisch rijk zijn. MCP kan alleen blootleggen wat in de systemen van de retailer leeft, en transformer-zoekopdrachten kunnen alleen interpreteren wat in de catalog is gecodeerd. Dit heeft verschillende concrete implicaties voor content infrastructuur:
Attributenkwaliteit wordt fundamenteel. Beschrijvende, genormaliseerde attributen – ingrediënten, materialen, maten, pasvorm, functie, gebruiksscenario's, certificeringen, compatibiliteit, enzovoort – stellen modellen in staat om producten in embedding spaces in kaart te brengen die reële eigenschappen weerspiegelen. Schaarse, inconsistente attributen beperken het vermogen van het model om complexe zoekopdrachten te matchen of om constraints te respecteren (bijvoorbeeld "geurvrije, paraben-vrije moisturizer").
Taxonomie en ontwerponwerpen doen er meer toe dan ooit. Categoriebomen, producttypen en relatiestructuren (varianten, bundels, accessoires, substituten) moeten coherent en stabiel zijn. Hoewel transformers inconsistente naamgeving kunnen compenseren, kunnen ze geen hiërarchie uitvinden die niet bestaat.
Ongestructureerde content heeft structuur nodig. Beschrijvingen, FAQs en reviews bevatten rijke signalen, maar zijn vaak noisy. Retailers gebruiken AI in toenemende mate om attributen te extraheren en terminologie uit deze content te normaliseren in gestructureerde velden, die vervolgens semantische zoekopdrachten en MCP-apps voeden.
Media assets worden onderdeel van de semantische laag. Afbeeldingen en video's worden nu routinematig ingebed door multimodale modellen; duidelijke alt-teksten, bijschriften en tagging vergroten hun nut voor zoekopdrachten en aanbevelingen, en voor agents die visuele aspecten van producten willen verifiëren. In de praktijk draait investeren in cataloguing standaarden minder om SEO in de enge, pagina-ranking zin en meer om de catalogus begrijpelijk te maken voor een groeiend ecosysteem van AI-agents. Dezelfde gestructureerde feeds die advertenties en marketplaces aandrijven, moeten nu in staat zijn gespreksgerichte, taakgerichte interacties aan te drijven.
Product cards: volledigheid als randvoorwaarde voor voorspelling
Taylor beschouwt personalisatie als "gewoon goede voorspelling". Om voorspelling op schaal te laten werken, moeten product cards compleet, consistent en up-to-date zijn. De druk is hier tweeledig:
Aan de discoverzijde verlagen ontbrekende attributen, verouderde afbeeldingen of dubbelzinnige titels de waarschijnlijkheid dat semantische zoekopdrachten het product zullen ophalen voor relevante zoekopdrachten. Als het systeem geen onderscheid kan maken tussen vergelijkbare items, kan het terugvallen op veiligere, beter beschreven alternatieven.
Aan de monetisatiezijde verzwakt onvolledige commerciële metadata – marge, promotie status, co-op funding eligibility, voorraad drempels – de decisioning layer. De engine kan niet betrouwbaar optimale kandidaten identificeren voor gesponsorde of high-margin plaatsingen.
Agentic commerce voegt een extra constraint toe: AI-agents zullen de resultaten in toenemende mate benchmarken over bronnen. Als een retailer consequent duidelijkere, rijkere product representaties aanbiedt – ingrediëntenlijsten, maatgidsen, compatibiliteitsdata, milieu- of ethische indicatoren – hebben agents meer bewijs om de aanbeveling van zijn inventaris te rechtvaardigen. Dunne of sjabloon-contente, ooit een toelaatbaar compromis, wordt een concurrentiële aansprakelijkheid.
Deze dynamiek versterkt de investeringen in content operations: geautomatiseerde attribt enrichment vanuit leveranciersdata, grootschalige beeldstandaardisatie, AI-ondersteunde copywriting met human review en continue kwaliteitsmonitoring. Het doel is niet alleen om "een productpagina te hebben", maar om een machine-geoptimaliseerde representatie te produceren die betrouwbare inferentie ondersteunt.
Speed to market: automatisering over de catalog lifecycle
Het artikel belicht indirect een ander effect van agentic commerce: de snelheid van assortimentuitbreiding wordt beperkt door de langzaamste handmatige stap in de catalog pipeline. Om transformer search en MCP-integraties volledig te benutten, moeten nieuwe producten met hoogwaardige data vanaf dag één worden onboarded.
Retailers herarchitectureren daarom catalog workflows rond automatisering:
Leveranciers feeds worden automatisch genormaliseerd en gevalideerd, met AI-modellen die verschillende attributenschema's in een verenigd schema in kaart brengen.
Gaten in verplichte attributen worden in real-time gemarkeerd voor leveranciers of interne teams, vaak met voorgestelde waarden gegenereerd uit verpakkingsafbeeldingen, specificatiebladen of vergelijkbare items.
Initiële titels, opsommingstekens en beschrijvingen worden opgesteld door modellen en beoordeeld door redacteuren, waardoor de time-to-publish wordt verkort en redactioneel toezicht wordt gewaarborgd.
Categorie-toewijzing en variant-groepering worden semi-geautomatiseerd met behulp van clustering- en similarity-modellen, waardoor misclassificatie en weesproducten worden verminderd.
Wanneer dergelijke pipelines actief zijn, kunnen MCP-blootgestelde apps direct nieuwe SKU's opnemen in AI-gestuurde discovery en advertising. Zonder deze is er een vertraging waarbij de eigen catalog van de retailer onzichtbaar is voor agents voor veel high-intent zoekopdrachten – een direct verlies aan inkomsten en aan trainingssignaal. Om te begrijpen hoe u de productinformatie correct kunt voorbereiden en uploaden, kunt u overwegen ons artikel "Hoe product cards te uploaden" te lezen.
No-code, AI en de democratisering van retail media architecture
Taylor benadrukt dat personalisatie "in Amazon-stijl" beschikbaar is voor retailers zonder Amazon-schaal budgetten, mits ze modulaire retail media platforms en standaarden zoals MCP gebruiken. Dit weerspiegelt een bredere trend: veel componenten van de agentic commerce stack zijn nu toegankelijk als services of no-code modules in plaats van als op maat gemaakte in-house builds.
In de praktijk betekent dit:
Vector search en recommendation engines kunnen worden geïntegreerd via API's, afgestemd door configuratie in plaats van aangepast onderzoek.
MCP-adapters en -connectors kunnen een keer worden geïmplementeerd en hergebruikt worden over meerdere AI-partners, waardoor de integratie-overhead wordt verminderd.
Business teams kunnen merchandising regels, margin prioriteiten en campaign logica definiëren via grafische interfaces, met wijzigingen die worden doorgevoerd naar de decisioning layer zonder code-implementaties.
Predictive bidding en budget allocatie voor retail media kunnen worden geautomatiseerd met behulp van modellen die optimaliseren naar ROAS of andere KPI's, waardoor specialisten zich kunnen concentreren op strategie en creativiteit.
De constraint verschuift van engineering capaciteit naar datadiscipline en governance. Retailers die schone feeds, coherente taxonomieën en duidelijke commerciële regels kunnen onderhouden, zullen in staat zijn om met relatief bescheiden technische inspanningen in agentic ecosystemen te stappen. Degenen die dat niet kunnen, zullen merken dat geen hoeveelheid no-code tooling kan compenseren voor slechte onderliggende data.
Strategische implicaties voor e-commerce en content infrastructuur
Samen schetsen de ontwikkelingen die in Taylor's stuk worden beschreven een nieuwe referentie architectuur voor e-commerce in het AI-tijdperk:
- Discovery wordt bemiddeld door transformers en agents in plaats van door statische SERPs en exact-match zoekvakken.
- De primaire asset van de retailer is niet alleen inventaris, maar de decisioning layer die controleert hoe die inventaris wordt blootgesteld aan AI-systemen.
- Productdata en content worden hergedefinieerd als input voor machine prediction, niet alleen als mens-leesbaar marketingmateriaal.
- Retail media wordt onlosmakelijk verbonden met search en recommendation; monetisatie logica wordt rechtstreeks in relevantie algoritmen ingebed.
- Standaarden zoals MCP zorgen ervoor dat, naarmate AI-interfaces zich vermenigvuldigen, retailers eenmalig kunnen verbinding maken en vele keren kunnen distribueren zonder controle op te geven.
Voor content- en catalogusteams verhoogt dit de lat. Hun werk ondersteunt nu niet alleen de merkervaring en conversie, maar ook het vermogen van de retailer om te worden "begrepen" – en gekozen – door een groeiende klasse van autonome agents. In deze omgeving is investeren in gestructureerde data, semantische zoekopdrachten en een robuuste decisioning layer minder een optimalisatie en meer een operationele vereiste om überhaupt deel te nemen aan agentic commerce.
De verschuiving naar agentic commerce, zoals benadrukt in het artikel, onderstreept het cruciale belang van hoogwaardige, gestructureerde productdata. Bij NotPIM erkennen we dit als de basis voor succes in het evoluerende e-commerce landschap. Ons platform stelt retailers in staat om deze uitdagingen rechtstreeks aan te pakken door datatransformatie, verrijking en catalog management te stroomlijnen – waardoor ze AI-agents de gedetailleerde, consistente productinformatie kunnen bieden die ze nodig hebben om discovery en verkoop effectief te stimuleren.