Idag dyker det fortfarande upp helt autonoma AI-agenter för konsumenter, men programvaran som driver dessa agenter dyker upp på fler platser.

För att möjliggöra den här typen av köp tillkännagav Mastercard i april sin Agent Pay- teknik, som gör det möjligt för verifierade AI-baserade shoppingagenter att göra transaktioner för konsumenters och företags räkning.

En agentisk handelsagent fungerar genom att börja med en användarförfrågan, eller prompt. Till skillnad från traditionella AI-system, som ger statiska, engångssvar, är moderna agenter byggda för att tolka dessa förfrågningar, beakta sammanhang, anpassa sig i farten och bestämma hur de ska gå vidare.

Inputen kan också starta en konversation för att kickstarta en målinriktad handling. Om du till exempel ställer en väldigt bred förfrågan som ”Jag behöver en ny skjorta” kan AI-återförsäljaren svara och fråga om mer specifika frågor, till exempel om du vill ha ett mönster eller en viss typ av tyg, eller för vilket tillfälle skjortan ska bäras.

Agenter automatiserar sedan research och produktutveckling. Istället för att bara söka på en enda webbplats kan agenten söka på flera e-handelsplattformar, få tillgång till och analysera produktspecifikationer, recensioner och betyg, jämföra priser i realtid och utvärdera leveranstider, returpolicyer och andra logistiska detaljer.

Därifrån presenterar agenten inte bara en lista med alternativ, utan kan aktivt resonera igenom dem baserat på användarens initiala parametrar och sin egen förståelse av vad som utgör en bra affär eller bästa passform.

Det finns tre viktiga komponenter hos AI-agenter som hjälper dem att fatta beslut:

• Minne: Nyare AI-agenter kan komma ihåg en användares preferenser, storlekar och tidigare köp, vilket gör det enklare att identifiera ett idealiskt svar på en shoppingfråga.
• Verktyg: Agenter har tillgång till API:er och externa databaser som låter dem hitta ny information och vidta åtgärder.
• Resonemang: En agent kan dela upp en komplex förfrågan i strukturerade, handlingsbara steg, istället för att bara erbjuda ett enda, statiskt svar. Den kan avgöra vilka verktyg den behöver tillgång till, vilken information den behöver samla in och hur den kan uppnå sina mål.

Agenthandel kan vara säker med rätt skyddsräcken, tillstånd och teknik på plats. Denna nya form av handel medför dock definitivt nya utmaningar för återförsäljare, teknikföretag och konsumenter, särskilt i de fall där köp inte går som planerat.

Hur skulle till exempel en återbetalning eller chargeback fungera om en agent, inte en person, gör ett köp? Eller vem skulle vara ansvarig om något går fel – konsumenten, företaget som skapade boten, återförsäljaren eller kanske någon annan?

Tydliga och lättangivna användarbehörigheter kommer att vara avgörande i denna nya miljö, eftersom ju mer autonomi en AI-agent har, desto viktigare blir det att sätta tydliga gränser och riktlinjer.

Transparens kommer också att vara avgörande för att bygga förtroende, där användarna får en tydlig förklaring till varför en agent vidtog vissa åtgärder. Den transparensen kommer att vara särskilt användbar om cyberbrottslingar försöker lura en AI-agent genom att utlösa köp med vilseledande signaler eller härma legitima erbjudanden.

Standarder och ramverk för att styra dessa agenter kommer också att behövas så att både användare och handlare kan veta hur transaktioner kan lösas när problem uppstår och konsumenter kan lita på att deras köp- och betalningsdata kommer att skyddas.

Agenthandel förväntas snabbt expandera till många delar av e-handeln inom det närmaste året, med möjligheten att vissa användare kommer att använda en chatbot för att göra de flesta av sina framtida köp.

Dessa AI-agenter förväntas bli mer komplexa och specialiserade, med potential för mer automatisering för användare om de vill det. Dessutom skulle det kunna finnas fler system med flera agenter, där flera av dessa AI-botar arbetar tillsammans för att slutföra mer komplicerade uppgifter som en enda bot inte skulle kunna göra på egen hand.