Signal
Agentisk handel faller på produktdata, inte på modellen
Stephan Spijkers, independent PIM Selection · 2026-11-11 · 8 min läsning

Agentisk handel faller på produktdata, inte på modellen. En agent som handlar, jämför eller rekommenderar en produkt kan bara agera på de attribut den kan läsa, och de attributen måste vara verifierade och uppdaterade. När ett obligatoriskt fält saknas eller är inaktuellt är det säkra draget att stanna och eskalera, inte att gissa. Det är argumentet som Tarun Chandrasekhar, President och Chief Product Officer på Syndigo, för i Du driftsätter inte en agent. Du driftsätter en risk., publicerad den 10 november 2026. Han hänvisar till Gartners prognos att mer än 40 % av projekten med agentisk AI kommer att avbrytas till slutet av 2027, och säger att orsakerna Gartner listar (stigande kostnader, otydligt affärsvärde och svaga riskkontroller) pekar på ett problem med data och ansvar, snarare än ett problem med modellen.
Skillnaden han drar är praktisk. Generativ AI skriver utkast, och en person kan granska texten innan något publiceras. Agentiska system frågar andra system, tar ett beslut och sätter igång arbete nedströms. När någon märker ett fel kan beslutet redan vara utfört. Att lägga till ett granskningssteg i efterhand är inte samma sak som att begränsa vad agenten får besluta. I handeln, skriver Chandrasekhar, betyder det att en agent bara ska agera på produktattribut som är verifierade och uppdaterade, och eskalera när ett obligatoriskt fält saknas eller är inaktuellt. I Syndigos egna bedömningar har färre än en fjärdedel av varumärkena produktdata som når ribban för att en agent ska kunna rekommendera deras produkter med tillförsikt, och de flesta av de varumärkena trodde att de var i gott skick. Han varnar också för att baka in fakta som ändras, som specifikationer, allergener och sortiment, i en modells vikter, eftersom de värdena blir inaktuella. Fakta som gäller just nu måste hämtas i det ögonblick agenten agerar.
Två jobb som delar samma katalog
Noemy Miyamotos Pimberly-guide till agentiskt PIM, publicerad den 12 oktober och uppdaterad den 3 november 2026, skiljer två jobb som ofta delar samma ord. Agentiskt PIM är arbete inne i katalogen: agenter märker luckor, föreslår eller gör en rättelse inom sina behörigheter och lämnar ett granskningsspår. Agentisk handel är arbete på andra sidan av den katalogen: agenter söker, jämför och, i vissa fall, köper åt en shoppare eller en företagsköpare, och läser den produktdata du exponerar. MCP är inte en agent i något av fallen. Det är ett sätt för en agent att koppla sig till ett systems data och åtgärder, oavsett om systemet är ett PIM eller en butiksyta.
Den röda tråden är själva posten. Shoppingagenter fungerar bara så bra som den data de kan läsa, och agentiskt PIM är ett sätt att hålla den datan i form innan den lämnar katalogen. Våra texter om DwyerOmegas användning av Akeneo MCP i produktion och om AI-skyddsräcken och beslutsspår tar upp behörigheter, granskning och bevis på katalogsidan. Den här texten tittar på vad som händer när en extern agent måste lita på det publicerade resultatet.
Tilltro är inte samma sak som beredskap
Luckan mellan antagande och bevis är nu ett publicerat riktmärke, inte bara en iakttagelse från en systemleverantör. inrivers mognadsindex för produktdata 2026, presenterat i PIMTalk om Product Data Paradox, frågade 405 industriella tillverkare och grossister i USA och Europa. Av de 117 organisationer som sa att de var fullt redo för agentisk handel nådde ingen den operativa ribban när den testades. Indexet poängsätter driften på bevis som automatisering av lansering, hur stor andel av SKU som är redo att publiceras, integrationsfel och mätning av innehåll, i stället för på självrapporterad tilltro. Bara 13,6 % hade automatisering hela vägen med ett granskningsspår, och bara omkring en tredjedel hade 85 % eller mer av de aktiva SKU:erna redo att publiceras vid ett givet tillfälle.
Resultatet stämmer med Chandrasekhars poäng att agenter inte fyller luckor på det sätt en person som läser en produktsida gör. Ett ofullständigt allergenfält, ett attribut som inte stämmer, eller en specifikation skriven för en mänsklig besökare, är inte en liten innehållsfråga när en agent resonerar över den i skala. Vår guide till datakvalitet och datastyrning för produktdata lägger ut ägarskapet och fullständighetsarbetet som det här vilar på, och Trender i PIM, del 2 om AI-styrning tar upp rättigheterna bakom varje agent som sedan får agera.
Arbetet sitter i produktdataflödet
Expertgruppen för PIM och AI hos ShoppingTomorrow når samma slutsats från driftkedjan, snarare än från en beredskapspoäng. I Agentisk handel börjar med produktdata. Inte med AI., publicerad den 8 oktober 2026, argumenterar Arnout Schutte på ConnectingTheDots, som är värd för gruppen tillsammans med Truvio och med Squadra som ordförande, för att en agent bara kan arbeta med produktinformation den kan hitta, förstå och lita på. Om information saknas, motsäger sig själv eller inte går att verifiera blir produkten svårare att jämföra och kan falla ur rekommendationen. Huvudslutsatsen i bluepapern är att börja med den data och de processer en agent måste kunna lita på: produktinformation som är fullständig, korrekt, uppdaterad, enhetlig och spårbar, från leverantörsintag via berikning och publicering till webbutiker, marknadsplatser och AI-kanaler.
Fallen i den bluepapern visar arbetet som ett flöde, inte som ett modellval. Azerty, en av organisationerna som beskrivs, bearbetar omkring 20 miljoner poster om dagen från ungefär 100 datakällor. Produktinformation för mer än 400 000 produkter hanteras centralt och fördelas till webbutiker, ERP, en datasjö och marknadsplatser, och en ny produkt kan vara live med rätt specifikationer inom tio minuter. Att lägga till ännu en assistent är inte målet i den berättelsen. Att få produktdataflödet att fungera är det. Schuttes mening är det praktiska testet för en shoppingagent lika väl som för en intern agent: om en AI-agent inte kan se det, finns det inte.
Vad en shoppingagent faktiskt läser
För de flesta shoppare betyder den synligheten fortfarande efterforskning, inte ett avslutat köp. Pimberlys Black Friday-guide 2026 till agentisk handel, publicerad den 6 november 2026, säger det nuvarande mönstret rakt ut: de flesta AI-verktyg köper inte ännu. De läser produktsidor och flöden, och berättar sedan för shopparen vad de hittade. En BCG-undersökning som citeras där fann att bara 4 % av konsumenterna skulle låta en agent slutföra ett köp på egen hand. Det som måste stämma, i dag, är den data de verktygen läser. Pris, lager, identifierare, frakt och returer måste stämma överens mellan produktsidan, flödet och den strukturerade märkningen. Ett kampanjpris på sidan som inte stämmer med flödet, en GTIN som inte går att verifiera, eller en lagerstatus som inte hunnit ikapp lagret är precis den sortens oklarhet som en agent inte reparerar med omdöme.
Protokollen som nu formas runt kassan ändrar inte den indatan. I WISEPIM:s handlarguide till Universal Commerce Protocol är UCP Googles öppna standard, tillkännagiven i januari 2026, för katalog, varukorg, kassa, identitet och order. ACP, från OpenAI och Stripe, täcker kassan inne i ChatGPT. AP2 hanterar betalningsauktorisering, och MCP kan bära katalog- eller kassaförmågor som en transport. UCP och ACP konkurrerar i kassan. MCP och AP2 gör det inte. Båda kassaprotokollen behöver ändå en katalog som en maskin kan läsa utan att gissa: stabila produkt- och variant-ID, beskrivningar i klartext, streckkoder med en typ, priser, tillgänglighet och tydliga val som storlek och färg. Vår guide till AI-redo produktdata för shoppingagenter tar upp identifierarna, flödena och de strukturerade värden som det här vilar på.
Den första agenten är inte den svåra delen
Samma post måste sedan hålla när mer än en agent arbetar på den. Casey Paxtons Akeneo-text Din första AI-agent är den lätta delen: vad händer efter piloten?, publicerad den 26 oktober 2026, använder Snowleader som det lyckade första fallet. Friluftsåterförsäljaren hanterar omkring 450 000 SKU över mer än 400 varumärken, med upp till 17 000 nya produkter i en säsongslansering. Bolaget tar fram beskrivningar från strukturerad produktdata, med promptar satta per produktfamilj och varumärkeston, och med innehållsteamet som granskar resultatet. Snowleader rapporterar att det kapade tiden för att skriva beskrivningar med omkring 20 %. Det är en verklig vinst, och det är fortfarande en pilot med en enda uppgift.
Nästa frågor kommer snabbt: en agent som tar in leverantörsfiler, en som fyller saknade attribut, en kvalitetsagent som validerar ett resultat innan en innehållsagent skriver, en lokaliseringsagent som förbereder godkänd text för varje marknad. När flera agenter agerar på samma produktpost behöver de en styrd källa, en tydlig ordning och ett sätt att se vilken källa som användes, vad som rekommenderades, vem som godkände det och vad som ändrades. Utan det kan en agent uppdatera en specifikation medan en annan skriver text från ett äldre värde, eller en översättning kan gå ut innan ändringen uppströms är godkänd. Chandrasekhars två frågor gäller fortfarande där: hur ”rätt” ser ut för den data agenten ska resonera över, och vem som är ansvarig när den inte är det. De organisationer som fortfarande kör agenter i produktion, skriver han, blir de som lade verifierad data och tydligt ansvar på plats innan de lät en agent agera.
Diagnos
Behöver du faktiskt ett PIM?
Kör komplexitetsindexet innan du budgeterar programvara eller tar in en systemintegratör.
Mötet hålls på engelska.
Budget
Gör en första TCO
Översätt katalogens form till ett kostnadsintervall över tre år, på under tio minuter.
Mötet hålls på engelska.
