Agentic commerce faalt op productdata, niet op het model

Agentic commerce faalt op productdata, niet op het model. Een agent die producten zoekt, vergelijkt of aanbeveelt, kan alleen handelen op de attributen die hij kan lezen, en die attributen moeten gecontroleerd en actueel zijn. Ontbreekt een verplicht veld of is het verouderd, dan is de veilige stap stoppen en escaleren, niet gokken. Dat is het punt dat Tarun Chandrasekhar, President en Chief Product Officer bij Syndigo, maakt in You're Not Deploying an Agent. You're Deploying a Liability., gepubliceerd op 10 november 2026. Hij verwijst naar de voorspelling van Gartner dat meer dan 40% van de agentic AI-projecten eind 2027 is stopgezet, en stelt dat de oorzaken die Gartner noemt (stijgende kosten, onduidelijke businesswaarde en zwakke risicocontroles) wijzen op een probleem in de data en de verantwoordelijkheid, niet in het model.

Het onderscheid dat hij maakt is praktisch. Generatieve AI maakt een concept, en iemand kan de tekst nog beoordelen voordat iets wordt gepubliceerd. Agentic systemen bevragen andere systemen, nemen een beslissing en zetten werk in gang. Tegen de tijd dat iemand een fout opmerkt, kan die beslissing al zijn uitgevoerd. Achteraf een controlestap toevoegen is iets anders dan vooraf begrenzen wat de agent mag beslissen. In de commerce, schrijft Chandrasekhar, betekent dat dat een agent alleen mag handelen op productattributen die gecontroleerd en actueel zijn, en moet escaleren als een verplicht veld ontbreekt of verouderd is. In de eigen assessments van Syndigo heeft minder dan een kwart van de merken productdata die voldoet aan de lat waarop een agent hun producten met vertrouwen kan aanbevelen, en de meeste van die merken gingen ervan uit dat ze er klaar voor waren. Hij waarschuwt er ook voor veranderlijke feiten zoals specificaties, allergenen en het assortiment in de gewichten van een model vast te zetten, omdat die waarden verouderen; actuele feiten moeten worden opgehaald op het moment dat de agent handelt.

Twee taken die hetzelfde catalogusrecord delen

In de Pimberly-gids over agentic PIM van Noemy Miyamoto, gepubliceerd op 12 oktober en bijgewerkt op 3 november 2026, worden twee taken uit elkaar gehaald die vaak hetzelfde woord delen. Agentic PIM is werk in de catalogus: agents zien gaten, stellen een correctie voor of voeren die uit binnen de afgesproken rechten, en laten een audittrail achter. Agentic commerce is werk aan de andere kant van die catalogus: agents zoeken, vergelijken en kopen in sommige gevallen namens een shopper of zakelijke inkoper, op basis van de productdata die je beschikbaar stelt. MCP is in geen van beide gevallen zelf een agent. Het is een manier waarop een agent verbinding maakt met de data en acties van een systeem, of dat nu een PIM is of een storefront.

De rode draad is het record zelf. Shoppingagents werken zo goed als de data die ze kunnen lezen, en agentic PIM is één manier om die data op orde te houden voordat ze de catalogus verlaten. Onze artikelen over hoe DwyerOmega Akeneo MCP in productie gebruikt en over AI-controles en decision lineage gaan over rechten, beoordeling en bewijs aan de cataloguskant. Dit stuk gaat over wat er gebeurt als een externe agent jouw gepubliceerde resultaat moet kunnen vertrouwen.

Vertrouwen is nog geen paraatheid

Dat verschil tussen aanname en bewijs is inmiddels een gepubliceerde benchmark, niet alleen een observatie van een leverancier. De Product Data Maturity Index 2026 van inriver, besproken in de PIMTalk over de Product Data Paradox, onderzocht 405 industriële fabrikanten en technische groothandels in de Verenigde Staten en Europa. Van de 117 organisaties die zeiden volledig klaar te zijn voor agentic commerce, haalde er bij toetsing op operationeel bewijs niet één de lat. De index beoordeelt operaties op punten als automatisering bij de productlancering, de mate waarin SKU's publicatieklaar zijn, integratiefouten en het meten van content, niet op zelfgerapporteerd vertrouwen. Slechts 13,6% had end-to-end automatisering met een audittrail, en ongeveer een derde had op een gegeven moment 85% of meer van de actieve SKU's publicatieklaar.

Die uitkomst sluit aan bij Chandrasekhars punt dat agents gaten niet opvullen zoals iemand die een productpagina leest. Een onvolledig allergenenveld, een inconsistent attribuut of een specificatie die voor een menselijke bezoeker is geschreven, is geen klein contentprobleem zodra een agent daar op schaal over redeneert. Onze gids over productdatakwaliteit en governance beschrijft het eigenaarschap en de volledigheid waar dit op rust, en Trends in PIM, deel 2 over AI-governance behandelt de rechten achter elke agent die vervolgens mag handelen.

Het werk zit in de productdataketen

De ShoppingTomorrow-expertgroep PIM & AI komt tot dezelfde conclusie, maar vanuit de keten in plaats van vanuit een paraatheidsscore. In Agentic commerce starts with product data. Not with AI., gepubliceerd op 8 oktober 2026, betoogt Arnout Schutte van ConnectingTheDots, dat samen met Truvio host is van de groep en met Squadra als voorzitter, dat een agent alleen kan werken met productinformatie die hij kan vinden, begrijpen en vertrouwen. Ontbreekt informatie, spreken bronnen elkaar tegen of is een claim niet te herleiden, dan wordt het product moeilijker te vergelijken en kan het buiten het advies vallen. De belangrijkste conclusie van de bluepaper is te beginnen bij de data en processen waarop een agent moet kunnen vertrouwen: productinformatie die volledig, correct, actueel, consistent en herleidbaar is, van het onboarden van leveranciers via verrijking en publicatie naar webshops, marktplaatsen en AI-kanalen.

De cases in die bluepaper laten het werk zien als een stroom, niet als een modelkeuze. Azerty, een van de beschreven organisaties, verwerkt dagelijks ongeveer 20 miljoen records uit zo'n 100 databronnen. Productinformatie voor meer dan 400.000 producten wordt centraal verwerkt en gedistribueerd naar webshops, ERP, een datalake en marktplaatsen, en een nieuw product kan binnen tien minuten met de juiste specificaties live staan. Het doel in dat verhaal is niet nóg een assistent toevoegen, maar de productdata laten stromen. De toets van Schutte geldt voor een shoppingagent evengoed als voor een interne agent: wat een AI-agent niet ziet, bestaat niet.

Wat een shoppingagent werkelijk leest

Voor de meeste shoppers betekent die zichtbaarheid nog vooral onderzoek, geen afgeronde aankoop. De Black Friday 2026-gids van Pimberly over agentic commerce, gepubliceerd op 6 november 2026, beschrijft het huidige patroon helder: de meeste AI-tools kopen nog niet. Ze lezen productpagina's en feeds, en vertellen shoppers wat ze hebben gevonden. Een BCG-onderzoek dat daar wordt aangehaald, vond dat slechts 4% van de consumenten een agent zelf een aankoop zou laten afronden. Wat vandaag kloppend moet zijn, is de data die die tools lezen. Prijs, voorraad, identifier, verzending en retouren moeten overeenkomen op de productpagina, in de feed en in de gestructureerde markup. Een actieprijs op de pagina die afwijkt van de feed, een GTIN die niet te controleren is of een voorraadstatus die de magazijnvoorraad niet heeft bijgehouden, is precies de soort onduidelijkheid die een agent niet met gezond verstand rechtzet.

De protocollen die nu rond checkout ontstaan, veranderen die invoer niet. In de merchantgids van WISEPIM over het Universal Commerce Protocol is UCP de open standaard van Google, aangekondigd in januari 2026, voor catalogus, winkelwagen, checkout, identiteit en orders. ACP, van OpenAI en Stripe, dekt checkout in ChatGPT. AP2 regelt de betaalautorisatie, en MCP kan catalogus- of checkoutfuncties als transport dragen. UCP en ACP concurreren bij de checkout; MCP en AP2 doen dat niet. Beide checkoutprotocollen hebben nog steeds een catalogus nodig die een machine kan lezen zonder te gokken: stabiele product- en variant-ID's, platte tekst als beschrijving, barcodes met een type, prijzen, beschikbaarheid en expliciete opties zoals maat en kleur. Onze gids over AI-ready productdata voor shoppingagents behandelt de identifiers, feeds en gestructureerde waarden waar dit op steunt.

De eerste agent is niet het moeilijke deel

Hetzelfde record moet daarna standhouden als meer dan één agent ermee werkt. In het Akeneo-artikel van Casey Paxton, Your First AI Agent Is the Easy Part: What Happens After the Pilot?, gepubliceerd op 26 oktober 2026, is Snowleader het geslaagde eerste voorbeeld. De outdoorretailer beheert ongeveer 450.000 SKU's van meer dan 400 merken, met wel 17.000 nieuwe producten bij een seizoenslancering. Beschrijvingen worden gegenereerd uit gestructureerde productdata, met prompts per productfamilie en merkstijl, en het contentteam beoordeelt het resultaat. Volgens Snowleader verkortte dat de tijd voor het schrijven van beschrijvingen met ongeveer 20%. Dat is een echt resultaat, en het blijft een pilot voor één taak.

Daarna komen de volgende vragen snel: een agent die leveranciersbestanden onboardt, een die ontbrekende attributen aanvult, een kwaliteitsagent die een resultaat valideert voordat een contentagent schrijft, een localisatieagent die goedgekeurde tekst voor elke markt klaarzet. Zodra meerdere agents op hetzelfde productrecord werken, hebben ze één beheerde bron nodig, een duidelijke volgorde, en een manier om te zien welke bron is gebruikt, wat is voorgesteld, wie het heeft goedgekeurd en wat er is gewijzigd. Zonder dat kan de ene agent een specificatie bijwerken terwijl de andere tekst schrijft op basis van een oudere waarde, of kan een vertaling uitgaan voordat de wijziging stroomopwaarts is goedgekeurd. De twee vragen van Chandrasekhar gelden ook dan: wat "correct" betekent voor de data waar de agent over redeneert, en wie verantwoordelijk is als dat niet zo is. De organisaties die agents in productie blijven draaien, schrijft hij, zijn de organisaties die geverifieerde data en duidelijke verantwoordelijkheid eerst op orde hadden, voordat ze een agent lieten handelen.