Från sökordsbaserad handel till agentbaserad handel
Kommentaren av James Taylor beskriver ett strukturellt skifte i hur detaljhandelsupptäckt och intäktsgenerering är uppbyggda: från sökordsdriven, sidcentrerad e-handel till agentbaserad handel, där AI-system agerar å användarnas vägnar och gränssnitt direkt med produktdata och kommersiell logik.
Huvudpåståendet är att personalisering och upptäckt på Amazon-nivå inte längre kräver budgetar på Amazon-skala. Istället kan återförsäljare sätta ihop en modulär stack centrerad kring transformerbaserad semantisk sökning, ett beslutsfattande lager som styr relevans och intäktsgenerering och Model Context Protocol (MCP) som standard sätt att ansluta AI-modeller med egna kataloger, feed och verktyg. I denna arkitektur blir annonser i AI-sökningar funktionella shoppingupplevelser, och återförsäljarens styrningslager – inte en tredjepartsmodell – bestämmer vad som visas, på vilka villkor och med vilket ekonomiskt resultat.
Denna vision framträder mot en bredare bakgrund: stora AI-leverantörer rör sig mot verktygsanvändande, "agentbaserade" modeller som kan anropa externa API:er, göra transaktioner och optimera utifrån användaravsikt snarare än isolerade sökningar. Diskussioner i branschen behandlar alltmer produktkataloger, detaljhandelsmedienätverk och MCP-liknande gränssnitt som den primära ytan genom vilken e-handeln kommer att exponeras för dessa agenter. Debatten förskjuts från "hur man får trafik från AI-sökningar" till "hur man kontrollerar vad AI-agenter kan göra med mitt lager och marginaler".
Varför skiftet är viktigt: avsikt framför sökord
Traditionell e-handelsökning har byggts kring exakt matchning eller nära matchande sökordslogik. Taylor påpekar att denna arkitektur systematiskt missar avsikt: en sökning som "hur man minskar rynkor" kanske inte matchar några produkttitlar eller attribut, även om den tydligt hänvisar till anti-aging hudvård. Enligt hans uppskattning missar exakta matchningssökord ungefär tre fjärdedelar av den sanna avsikten.
Agentbaserad handel utgår från en annan primitiv: semantisk förståelse av användarens mål. Transformerbaserade vektorsökningsmodeller kartlägger sökningar och kataloger in i samma inbäddningsutrymme, vilket gör att de kan känna igen att "anti-aging kräm", "åldringskräm" och "minska rynkor" pekar på överlappande lösningsuppsättningar, även om formuleringen skiljer sig åt.
Samtidigt flyttar rekommendationer från segmentbaserad heuristik till beteendeavsikt. Istället för att anta att alla shoppare i en demografisk kohort vill ha liknande saker, tittar systemet på signaler på sessionsnivå: sökord, produkter som visas, sekvens av interaktioner innan de läggs i varukorgen och det nedströms beteendet hos jämförbara användare. Samverkande filtrering och realtids händelseströmmar gör att systemet kan svara på "vad den här personen försöker göra just nu", inte på "vem den här personen är i allmänhet".
Denna förändring är avgörande för AI-agenter. Agenter tolkar friformsanvisningar från användarna ("hitta en grymhetsfri anti-rynkrutin under 100 USD", "återskapa mitt löparkit för ett maraton i kallt klimat") och förväntar sig att det underliggande handelslagret löser dem till faktiska artiklar och erbjudanden. Exakt matchningssökning kan inte leverera robust täckning för sådana öppna, långsvansförfrågningar; transformerbaserad semantisk sökning kan det, förutsatt att underliggande data och styrning är på plats.
MCP som bindväv mellan AI och handel
Ett centralt element i Taylors argument är Model Context Protocol (MCP), som beskrivs som en öppen standard för att ansluta AI-modeller med externa verktyg och datakällor. I praktiken spelar MCP tre roller:
- Definierar hur stora språkmodeller upptäcker, autentiserar och anropar externa funktioner ("appar") som sökning, prissättning, lager eller varukorgs-API:er.
- Strukturerar hur produktdata, attribut och kommersiella regler exponeras för AI-system på ett kontrollerat, maskinläsbart sätt.
- Standardiserar en "handskakning" – en säker, granskningsbar förhandling om vad modellen får komma åt och göra å användares vägnar.
Genom att bygga MCP-kompatibla integrationer kan återförsäljare tillåta att AI-sökningsgränssnitt öppnar vad som i huvudsak är interaktiva butiksfronter, inte statiska annonser. En "annons" i en AI-miljö blir ett inbäddat shoppingflöde: anropa återförsäljarens MCP-app, köra en transformerbaserad sökning med styrningsregler, visa alternativ och eventuellt göra transaktioner, allt utan att lämna AI-gränssnittet.
Avgörande är att Taylor betonar att återförsäljare själva bör äga detta lager. Om en återförsäljare bara dumpar en produktfeed i ett tredjeparts LLM utan en ingripande beslutsmotor, blir modellen – och plattformen som driver den – effektivt auktionsförrättaren. I det scenariot är återförsäljarens katalog bara en till del av inventariet som bjuder på uppmärksamhet på någon annans marknadsplats. Att äga MCP-lagret innebär att varje AI-initierad upptäckt eller transaktion fortfarande går igenom återförsäljarens egen relevans-, merchandising- och marginallogik.
Beslutsfattande lager: styrning för AI-driven upptäckt
Transformatorer och vektorsökning förbättrar relevansen, men de anpassar inte i sig resultaten till affärsstrategin. Taylor positionerar beslutsfattande lagret som den saknade länken: en styrningsyta som kombinerar flera strömmar av logik:
- Semantisk rangordning och hämtning, baserat på transformerinbäddningar.
- Merchandisingregler (ökning, fastsättning, uteslutning, säsongslogik).
- Överväganden kring marginal och avkastning (prioritera artiklar med högre marginal när relevansen är jämförbar).
- Sponsrade placeringar och detaljhandelsmediakampanjer.
- Personalisierungssignaler härledda från användarbeteende och kontext.
I praktiken innebär detta att varje AI-driven begäran producerar en rankad lista över produkter formade av både användarens avsikt och affärsregler. Den "relevanskurva" som uppstår måste vara robust nog för att stå emot AI-granskning, eftersom agenter kommer att testa och jämföra resultat över många sessioner och användare och optimera mot sina egna mål som pris, kvalitet eller leveranstid.
Samma lager underbygger detaljhandelsmedia. Sökordsbudgivning i sin manuella form blir ohållbar när sökningar är formlösa, flera begränsningar och långa svansar. Taylor citerar ett test där ett australiskt detaljhandelsmedienätverk för husdjursartiklar ersatte manuell sökordsbudgivning med transformer-driven sökningsbudgivning; andelen "presterande" sökningar med intäktsgenereringstäckning ökade enligt uppgift fyrfaldigt. Detta tyder på att semantisk sökning kan lyfta fram intäktsgenererbar avsikt mycket bredare än vad människo underhållna sökordslistor kan.
Implikationer för produktfeeds och katalogstandarder
Den agentbaserade handelsstacken förutsätter att produktdata är både maskinläsbar och semantiskt rik. MCP kan bara exponera vad som finns i återförsäljarens system, och transformersökning kan bara tolka vad som är kodat i katalogen. Detta har flera konkreta implikationer för innehållsinfrastrukturen:
Attributkvaliteten blir grundläggande. Deskriptiva, normaliserade attribut – ingredienser, material, storlekar, passform, funktion, användningsområden, certifieringar, kompatibilitet och så vidare – gör att modeller kan kartlägga produkter till inbäddningsutrymmen som återspeglar egenskaper i verkliga världen. Glesa, inkonsekventa attribut begränsar modellens förmåga att matcha komplexa frågor eller att respektera begränsningar (till exempel "parfymfri, parabenfri fuktkräm").
Taxonomi och ontologidesign spelar mer roll än någonsin. Kategoriträd, produkttyper och relationsstrukturer (varianter, buntar, tillbehör, ersättningar) måste vara sammanhängande och stabila. Även om transformatorer kan kompensera för inkonsekvent namngivning, kan de inte uppfinna en hierarki som inte finns.
Ostrukturerat innehåll behöver struktur. Beskrivningar, vanliga frågor och svar och recensioner bär rika signaler men är ofta bullriga. Återförsäljare använder alltmer AI för att extrahera attribut och normalisera terminologi från detta innehåll till strukturerade fält, som sedan matar semantisk sökning och MCP-appar.
Media tillgångar blir en del av det semantiska lagret. Bilder och videor bäddas nu rutinmässigt in av multimodala modeller; tydlig alt-text, bildtexter och taggning ökar deras användbarhet för sökningar och rekommendationer och för agenter som vill verifiera visuella aspekter av produkter. I praktiken handlar investeringar i katalogstandarder mindre om SEO i den smala, sidrankningsmässiga meningen och mer om att göra katalogen förståelig för ett växande ekosystem av AI-agenter. Samma strukturerade feeds som driver annonser och marknadsplatser måste nu kunna driva konversations- och uppgiftsorienterade interaktioner.
Produktkort: fullständighet som en förutsättning för förutsägelse
Taylor ramar in personalisering som "bara bra förutsägelse". För att förutsägelsen ska fungera i stor skala måste produktkorten vara kompletta, konsekventa och hållas uppdaterade. Trycket här är dubbelriktat:
På upptäcksidan minskar saknade attribut, föråldrade bilder eller tvetydiga titlar sannolikheten för att semantisk sökning hämtar produkten för relevanta sökningar. Om systemet inte kan skilja mellan liknande artiklar, kan det ställa in sig på säkrare, bättre beskrivna alternativ.
På intäktsgenereringssidan försvagar ofullständiga kommersiella metadata – marginal, kampanjstatus, stödberättigande, lagertrösklar – beslutsfattningslagret. Motorn kan inte pålitligt identifiera optimala kandidater för sponsrade eller högmarginalplaceringar.
Agentbaserad handel lägger till en extra begränsning: AI-agenter kommer alltmer att jämföra resultat över källor. Om en återförsäljare systematiskt erbjuder tydligare, rikare produktrepresentationer – ingredienslistor, storleksvägledning, kompatibilitetsdata, miljö- eller etiska indikatorer – har agenter mer bevis för att motivera att rekommendera sitt lager. Tunt eller mallat innehåll, en gång en tolererbar kompromiss, blir ett konkurrensmässigt ansvar.
Denna dynamik förstärker investeringar i innehållsoperationer: automatiserad attributberikning från leverantörsdata, storskalig bildstandardisering, AI-assisterad copywriting med mänsklig granskning och kontinuerlig kvalitetsövervakning. Målet är inte bara att "ha en produktsida" utan att producera en maskinoptimerad representation som stöder pålitlig inferens.
Marknadsintroduktionshastighet: automatisering genom hela katalogens livscykel
Artikeln lyfter indirekt fram en annan effekt av agentbaserad handel: hastigheten för sortimentets expansion begränsas av det långsammaste manuella steget i katalogpipelinen. För att fullt utnyttja transformersökning och MCP-integrationer måste nya produkter ombordkoppas med data av hög kvalitet från dag ett.
Återförsäljare omstrukturerar därför katalogarbetsflöden runt automatisering:
Leverantörsfeeds normaliseras och valideras automatiskt, med AI-modeller som kartlägger disparata attributscheman till ett enhetligt schema.
Hål i obligatoriska attribut flaggas i realtid för leverantörer eller interna team, ofta med föreslagna värden genererade från förpackningsbilder, specifikationsark eller liknande artiklar.
Initiala titlar, punkter och beskrivningar utarbetas av modeller och granskas av redaktörer, vilket minskar publiceringstiden samtidigt som den redaktionella tillsynen bevaras.
Kategoritilldelning och variantgruppering är semi-automatiserad med hjälp av kluster- och likhetsmodeller, vilket minskar felklassificering och föräldralösa produkter.
När sådana pipelines är på plats kan MCP-exponerade appar omedelbart införliva nya SKU:er i AI-driven upptäckt och annonsering. Utan dem finns det en fördröjning under vilken återförsäljarens egen katalog är osynlig för agenter för många sökningar med hög avsikt – en direkt förlust av intäkter och träningssignal. För att förstå hur man förbereder och laddar upp produktinformationen på rätt sätt kan du överväga att läsa vår artikel, "Hur man laddar upp produktkort".
Kodfritt, AI och demokratiseringen av detaljhandelsmediaarkitektur
Taylor betonar att personalisering i "Amazon-stil" är tillgänglig för återförsäljare utan budgetar i Amazon-nivå, förutsatt att de använder modulära detaljhandelsmediaplattformar och standarder som MCP. Detta återspeglar en bredare trend: många komponenter i den agentbaserade handelsstacken är nu tillgängliga som tjänster eller kodfria moduler snarare än som skräddarsydda interna byggen.
I praktiken betyder detta:
Vektorsök- och rekommendationsmotorer kan integreras via API:er, justerade genom konfiguration snarare än anpassad forskning.
MCP-adaptrar och -anslutningar kan implementeras en gång och återanvändas över flera AI-partners, vilket minskar integrationskostnaderna.
Affärsteam kan definiera merchandisingregler, marginalprioriteringar och kampanjlogik via grafiska gränssnitt, med ändringar som sprids till beslutsfattande lagret utan kodutrullning.
Förutsägande budgivning och budgetfördelning för detaljhandelsmedia kan automatiseras med hjälp av modeller som optimerar mot ROAS eller andra KPI:er, vilket frigör specialister för att fokusera på strategi och kreativitet.
Begränsningen förskjuts från ingenjörskapacitet till datadisciplin och styrning. Återförsäljare som kan underhålla rena feeds, sammanhängande taxonomier och tydliga kommersiella regler kommer att kunna kopplas in i agentbaserade ekosystem med relativt beskedlig teknisk ansträngning. De som inte kan kommer att upptäcka att ingen mängd kodfria verktyg kan kompensera för dåliga underliggande data.
Strategiska implikationer för e-handel och innehållsinfrastruktur
Sammantaget skissar utvecklingen som beskrivs i Taylors artikel en ny referensarkitektur för e-handel i AI-eran:
- Upptäckt medieras av transformatorer och agenter snarare än av statiska SERP:er och exakta matchande sökrutor.
- Återförsäljarens främsta tillgång är inte bara inventariet, utan beslutsfattningslagret som kontrollerar hur detta inventarie exponeras för AI-system.
- Produktdata och innehåll omdefinieras som indata till maskinförutsägelse, inte bara som läsbara marknadsföringsmaterial.
- Detaljhandelsmedia blir oskiljaktigt från sökning och rekommendation; intäktsgenereringslogik är inbäddad direkt i relevansalgoritmer.
- Standarder som MCP säkerställer att, när AI-gränssnitt sprids, kan återförsäljare ansluta en gång och distribuera många gånger utan att ge efter kontrollen.
För innehålls- och katalogteam höjs detta ribban. Deras arbete underbygger nu inte bara varumärkesupplevelse och konvertering, utan också återförsäljarens förmåga att "förstås" – och väljas – av en växande klass av autonoma agenter. I denna miljö är investeringar i strukturerad data, semantisk sökning och ett robust beslutsfattande lager mindre en optimering och mer ett driftskrav för att överhuvudtaget delta i agentbaserad handel.
Skiftet mot agentbaserad handel, som framhävs i artikeln, understryker den kritiska vikten av högkvalitativ, strukturerad produktdata. På NotPIM inser vi detta som grunden för framgång i det föränderliga e-handelslandskapet. Vår plattform ger återförsäljare möjlighet att ta itu med dessa utmaningar direkt genom att effektivisera datatransformering, berikning och kataloghantering – vilket gör att de kan förse AI-agenter med den detaljerade, konsekventa produktinformation de behöver för att effektivt driva upptäckt och försäljning.