Co v článku najdete
Strukturovaná data, produktové feedy, napojení na standardy Universal Commerce Protocol od Google a Agentic Commerce Protocol od OpenAI. Spousta e-shopů řeší novinky související s nakupováním AI agentů, ale při tom všem zapomínají na podstatnou věc rozhodující o samotném prodeji: Když celou transakci za člověka provádí stroj, dokáže to utáhnout pokladna?
V ChatGPT už se živě obchoduje
Nezávislá agentura pro testování softwaru QAwerk prověřila přes 300 klientských e-commerce projektů v Severní Americe, Evropě i Africe a objevila jasně zřetelnou skutečnost: Dostat produkty do výstupů a odpovědí platforem umělé inteligence je dnes ta jednodušší část úkolu. Zdaleka největší zádrhely provázející agentní nákupy se skrývají v pasážích, které ještě vůbec nikdo netestuje.
Podle údajů globální e-shopové platformy Shopify vzrostl za období od ledna 2025 do února 2026 počet objednávek přicházejících z AI vyhledávání patnáctinásobně. Dnes nákupy řídí dva stěžejní samostatné protokoly vzniklé v minulém roce a standardy na nich postavené:
- Universal Commerce Protocol od Google (UCP)
- Agentic Commerce Protocol od OpenAI (ACP)
- Agentforce Commerce od Salesforce (ti se prozíravě rozhodli přidat k UCP, než aby vyvíjeli vlastní konkurenční standard).
Jako první rozjeli ostrý provoz v ChatGPT prodejci na Etsy, virtuálním tržišti pro řemeslníky a rukodělné tvůrce. Vzápětí je následovali obchodníci na Shopify včetně značek jako Glossier, Spanx nebo Vuori. OpenAI sice od té doby ustoupila od přímého placení uvnitř chatu a přesunula finále nákupů přímo do aplikací jednotlivých prodejců, tím ale celá stěžejní otázka získává ještě víc na váze.
AI Agent nenakupuje ani trochu jako člověk
Je to naprosto jednoduché. Lidský zákazník prochází zboží nekonzistentním tempem, nechá se rozptýlit, opustí košík a vrátí se k němu až za několik hodin. Naproti tomu agent umělé inteligence posílá blesková strukturovaná volání API, okamžitě vyhodnotí produkt podle zadaných kritérií a v několika vteřinách se rozhoduje, jestli nakoupit, nebo ne. Taková rychlost dává systémům vyladěným na lidské chování pořádně zabrat.
Rychlostní limity a detekce botů existují proto, aby zachycovaly nechtěný automatizovaný provoz. Jenže přesně tak se chová i regulérní AI agent. Logika nákupní relace postavená na jediné souvislé návštěvě nakupujícího člověka nekompromisně zablokuje agenta, který si nejprve zjišťuje informace o produktu, ukončí relaci a teprve později se vrátí nákup dokončit.
Tým QAwerk testoval multiagentní systémy v dalších regulovaných oborech a narážel pořád na stejnou potíž. Většina testovacích plánů ověřuje pouze správné výsledky ze systému. Skoro nikdo už ale nezjišťuje, jestli okolní infrastruktura vůbec snese nelidského aktéra, který se v ní pohybuje strojovou rychlostí. Bez toho se ani skvěle hodnocený a výborně optimalizovaný produkt stejně nakonec konverze nedočká. Veškerá práce na SEO i na viditelnosti v AI vyhledávačích tak stojí až daleko za tímto základním problémem.
Kde to opravdu drhne? Jinde, než si asi myslíte
Žádný dramatický příběh konkrétního selhání platby, produktových dat nebo vratky kvůli chování AI agenta se nekoná. Experti z QAwerk nezaznamenali jediný ověřený produkční incident, kdy by agent sám o sobě způsobil kolaps zákaznické platby. Opakovaně se však setkávali s mnohem nenápadnějším problémem, který nabírá na síle ve chvíli, kdy se nakupujícím místo člověka stává stroj.
V jednom klientském projektu inženýři odhalili, že si dvě samostatné komponenty držely vlastní kopie stejných dat o tarifu, ovšem s drobnými odchylkami v cenách a parametrech. Lidský zákazník si takového rozdílu dost možná ani nevšimne, případně jednoduše načte stránku znovu. Agent umělé inteligence ale nemá k dispozici žádný vizuální kontext ani lidský úsudek, který by mu pomohl. Jestliže vybere tarif podle jednoho datového zdroje a pokladna ho následně ověřuje vůči druhému, tak rozpor v ceně, SKU nebo dostupnosti zasekne celou transakci ve stavu, který už agent sám nedokáže rozklíčovat.
Tým tyto duplicity odstranil a data centralizoval, takže každá část nákupní cesty už čerpala jen z jediného primárního zdroje. Nejčastějším scénářem selhání v agentním nakupování tak nebývá to, že by agent vybral špatný produkt. Jde o nesoulad mezi systémy ohledně samotného stavu nákupu:
- Skladový systém hlásí, že je varianta dostupná, ale pokladna tvrdí, že je vyprodaná.
- Požadavku vyprší časový limit a pošle se znovu na koncový bod, který na to není připravený.
- Systém vratku na straně obchodníka stornuje dřív, než se aktualizovaný stav objednávky vůbec dostane k agentovi, který ji zadal.
Člověk dokáže nad takovým zmatkem mávnout rukou a dohledat, co se vlastně stalo. Umělá inteligence ale vyžaduje, aby každé API, každý produktový feed i každý stav objednávky seděly na sto procent hned od začátku.
Tři kontroly, které stojí za to provést
Každý obchodník, který se dnes soustředí na synchronizaci katalogů a strukturované značkování, by měl ještě před zapojením AI platformy do nákupů spustit trojici důležitých testů. Ty odhalí, do jaké míry je, nebo není systém připravený.
Otestujte API pokladny
Naložte pokladně pořádnou zátěž, tak, jako když do ní agent skutečně vstupuje. Ne jednu pomalou lidskou návštěvu za druhou, ale celou řadu paralelních volání spouštěných v rychlém sledu. Pokladna, která bez problémů zvládla miliony lidských relací, může hned při prvním setkání se strojovým typem provozu selhat. A většina obchodníků, kteří se v současnosti připojují k UCP nebo ACP, reálně vůbec netuší, jak se jejich pokladna v takové chvíli zachová.
Zkontrolujte přesnost produktových dat
Dívejte se na svá data tak, jak je čte stroj, ne jak je vykresluje prohlížeč. Stránka, která se lidskému návštěvníkovi zdá naprosto konzistentní, může ve skutečnosti tahat údaje ze dvou rozdílných zdrojů. Agent přitom nemá šanci si této mezery všimnout tak jako člověk, který si stránku projde celou.
Ověřte vrácení zboží a refundaci
Tyto akce musí "klapnout" správně hned na první pokus. Když celý požadavek zahájí stroj, na druhé straně nesedí žádný operátor zákaznické podpory schopný zachytit částečné selhání nebo stav, který se zpětně nikdy nesynchronizuje.
Ani jeden z těchto tří kroků nevyžaduje, abyste čekali, až UCP nebo ACP dospějí. Testují totiž samotné základy, na nichž moderní protokoly stojí, bez ohledu na to, který z nich (nebo která jejich kombinace) nakonec na trhu zvítězí.
Viditelnost v AI je jen část úkolu
Vypadá to, že v současné chvíli všichni postupují přesně opačně, než by měli. Soutěží o to, kdo se dřív dostane do odpovědí ChatGPT a Gemini, aniž by si nejdřív ověřili, jestli jejich pokladna dokáže prodej skutečně dokončit, jakmile do ní agent dorazí.
Buduje se viditelnost na základech, které ještě nikdo nepodrobil pořádnému zátěžovému testu. Kvalitní technické SEO sice zajistí produktu místo ve výsledcích vyhledávání AI agenta, ale nemá vůbec nic společného s tím, jestli si ten produkt dokáže agent taky skutečně koupit. Což je podstatně složitější problém, ale v podstatě nikdo se mu dnes nevěnuje.
Odborníci z agentury QAwerk očekávají, že se testování kvality v následujících několika letech rozdělí do dvou propojených směrů. Jeden bude prověřovat zkušenosti živých lidí a druhý bude hlídat, jestli agent dokáže správně zpracovat data, dokončit volání API a získat předvídatelný výsledek ve chvíli, kdy se údaje systémem řítí strojovou rychlostí.
Jde vlastně o stejný posun, jakým prošly testovací týmy v e-commerce před deseti lety při vytváření sad určených pro testy na mobilních zařízeních. Obchodníci, kteří z toho udělají technickou prioritu ještě dříve, než se posun v objemu nákupů naplno projeví, což se podle čísel ze Shopify už reálně děje, získají obrovský náskok před všemi, kteří řeší výhradně viditelnost v AI vyhledávání.
Jestliže se vaše e-commerce strategie pro rok 2026 zastaví pouze u toho, abyste se objevili ve výsledcích vyhledávání AI platforem, vyřešíte jen tu část problému, která ve skutečnosti nikdy nebyla tou složitější.
Často kladené otázky (FAQ)
Proč e-shopy přicházejí o konverze z AI vyhledávačů, i když mají v pořádku SEO?
Dostatečná viditelnost a správná strukturovaná data v AI platformách řeší jen první polovinu nákupní cesty. Pokud zákazníkův AI agent narazí na nepřipravenou pokladnu, striktní limity API nebo nekonzistentní produktová data napříč systémy, transakci nedokončí. Obchodník tak přijde o prodej až v samotném finále nákupního procesu.
V čem se nákupní chování AI agenta nejvíce liší od živého člověka?
Zatímco lidský zákazník postupuje nekonzistentně, váhá a nevadí mu drobné nesrovnalosti na stránce, AI agent posílá blesková API volání a vyžaduje absolutní datovou přesnost. Při jakémkoliv rozporu v ceně, SKU či skladové dostupnosti mezi datovým zdrojem a pokladnou se stroj okamžitě zasekne. Agent nemá lidský úsudek ani vizuální kontext, aby vzniklou chybu sám rozklíčoval.
Jaké technické testy by měl e-shop provést před zapojením do AI nakupování?
V první řadě zátěžově otestujte API pokladny pomocí sérií paralelních volání v rychlém sledu, abyste zjistili, jak zvládá strojový provoz. Následně ověřte, zda produktová data neobsahují duplicity a zda systém čerpá výhradně z jednoho primárního zdroje. V neposlední řadě si nasimulujte automatické vrácení zboží a refundaci bez zásahu operátora zákaznické podpory.
Zdroj: searchengineland.com, searchenginejournal.com, marketingland.com, facebook.com, cpcstrategy.com
Autor: Martin Kulhánek
Foto zdroj: AI, pixabay.com
