Agentic commerce je situace, kdy AI nefunguje jen jako vyhledávač, ale část výběru, porovnání a případně i samotný nákup provádí jménem zákazníka.

První díl třídílné série o tom, jak připravit produktová data a produktové informace na agentic commerce.

AI dnes dokáže z produktové stránky, technické dokumentace, tabulky nebo obrázku vytáhnout překvapivě mnoho informací. Umí je přeložit, normalizovat, porovnat a často si z nestrukturovaných podkladů vytvořit strukturu sama. To ale ještě neznamená, že e-shop může přestat řešit, co o svých produktech skutečně ví. Agent totiž může najít správný produkt – a přesto doporučit špatný nákup.

Když AI-first firma narazí na velmi ne-AI problém

Nedávno jsme navštívili zákazníka, který kolem AI rozhodně nechodí po špičkách. Cokoliv nového se objeví, to zkouší. Pomocí AI si výrazně urychlil vlastní development, automatizoval řadu interních procesů a postupně se dostal do stavu, kdy značnou část svého e-commerce businessu zvládá řídit téměř jako one-man-show. A funguje mu to.

Tohle není příběh o firmě, která podlehla AI hypu a přestala fungovat. Právě naopak. Je to velmi dobrý příklad, jak dramaticky může AI zvýšit produktivitu člověka, který ji začne používat správně.

Při debatě o dalším směřování jsme se logicky dostali k agentic commerce. Ambice byla jasná: pokud se část vyhledávání produktů, porovnávání a samotného nakupování začne přesouvat do ChatGPT a dalších AI rozhraní, chce u toho být mezi prvními. A ideálně mezi nejlepšími.

Jenže při pohledu na jeho produktový katalog jsme narazili na zajímavý paradox. S tím, jak ve firmě přibývala AI a automatizace, omezovala se postupně práce kolem samotných produktových informací. Lidé, kteří dříve zpracovávali podklady od výrobců, doplňovali parametry, kategorizovali produkty nebo připravovali jejich popisy, už z velké části nebyli potřeba. A spolu s nimi postupně téměř zmizela i samotná činnost.

„Přece teď nebudu nabírat dalšího člověka jen proto, aby ručně vyplňoval parametry produktů. Od toho máme AI.“

Člověk opravdu nemusí přepisovat každý parametr

Ano, v jedné důležité věci je ten argument správný. Nemá smysl vracet se k procesu, kdy člověk celý den přepisuje údaje z PDF do PIMu jen proto, že jsme to tak dělali posledních deset let. Moderní AI umí číst produktové stránky, dokumentaci, tabulky i obrázky. Dokáže z textu vytáhnout atributy, sjednotit jejich názvy, převádět jednotky nebo si vytvořit potřebnou strukturu, když ji potřebuje.

Google například pro své generativní výsledky nevyžaduje žádné speciální „AI schema“ a moderní modely dokážou význam i atributy získávat přímo z obsahu stránky. To ale neznamená, že strukturovaná produktová data ztrácejí význam. U variant, cen, dostupnosti nebo konkrétních nabídek mohou být naopak nejspolehlivějším způsobem, jak agentovi předat přesný stav. Není proto nutné předem ručně strukturovat každý okrajový údaj jen proto, aby mu AI vůbec rozuměla. Problém totiž není v tom, že firma přestala dělat ruční práci. Vzniká ve chvíli, kdy spolu s ruční prací zmizí i funkce, kterou tato práce ve firmě plnila.

Někdo stále musí zajistit, že informace vůbec existuje. Že patří ke správnému produktu. Že se nevztahuje k jiné variantě. Že není několik let stará. A že pokud ji AI použije jako podklad pro nákupní rozhodnutí, máme skutečný důvod považovat ji za správnou. To už není otázka copywritingu ani vyplňování políček. Je to otázka produktové pravdy – důvěryhodnosti produktových dat a odpovědnosti za jejich obsah.

AI může najít správný produkt. A přesto doporučit špatný nákup

Představte si jednoduché zadání: „Chci aku vrtačku, se kterou můžu po vybalení rovnou začít pracovat.“ Pro dnešní AI to není nijak exotický požadavek. Agent může porovnat výkon, značku, hmotnost, recenze nebo určení jednotlivých modelů a velmi pravděpodobně vybrat správnou vrtačku.

Jenže tím ještě nákup nekončí. Stejný model se může prodávat jako kompletní sada s baterií a nabíječkou, ale také jako takzvané holé tělo pro zákazníka, který už kompatibilní baterie vlastní. Na produktové fotografii přitom baterie klidně být může. Obecný popis může mluvit o celé produktové řadě. Technické parametry vrtačky budou v obou případech stejné.

AI tedy může správně pochopit, co je to za produkt, aniž by měla dostatečný podklad k tomu, co přesně zákazník v konkrétní nabídce dostane.

AI nenašla špatný produkt. Našla správný produkt, ale špatný nákup.

A právě tady začíná být debata o produktových informacích pro agentic commerce zajímavá. Rozhodující totiž není jen to, zda agent produkt najde a pochopí, ale jestli dokáže ověřit, že konkrétní nákup skutečně odpovídá tomu, co zákazník potřebuje.

Produkt není totéž, co zákazník skutečně kupuje

V e-commerce máme tendenci mluvit o „produktu“ jako o jedné věci. Pro nákupní rozhodnutí je ale užitečnější rozlišovat několik vrstev. Je tu samotný produkt, například konkrétní model běžeckých bot. Pak jeho varianta – černá barva ve velikosti EU 43. Dále konkrétní nabídka: obchod A je prodává za 2 299 Kč za určitých podmínek. A nakonec aktuální stav: právě tato velikost je teď dostupná v českém skladu a na konkrétní adresu ji lze doručit do pátku.

Nejde jen o naši teoretickou konstrukci. Stejnou granularitu dnes používají i současné e-commerce specifikace. OpenAI například pracuje s položkami, produktovými skupinami, nabídkami, variantami, cenami i dostupností.

Agent nekupuje model produktu. Kupuje konkrétní provedení od konkrétního prodejce za podmínek platných právě teď.

A to je mnohem náročnější úloha než jen pochopit, co je produkt zač. Vezměme další jednoduchý požadavek: „Chci černé boty velikosti EU 43 a potřebuji je do pátku.“ Agent může správně najít model, správnou barvu i kategorii. Ale pokud produktová stránka uvádí obecné „skladem“, zatímco zrovna velikost 43 skladem není, doporučení selže. Stejně tak pokud termín dodání platí pro jiný sklad, jiný region nebo už jednoduše není aktuální.

Znovu to znamená, že problém není v tom, že AI produkt nechápe. Spočívá v tom, že správný nákup vyžaduje přesnější a aktuálnější odpověď.

„Agent si to přece dohledá sám.“

Ano. A tohle je důležitý protiargument, který bychom neměli shazovat. Moderní nákupní systémy nejsou odkázané pouze na jeden produktový feed. OpenAI u Shopping Research popisuje kombinování dat obchodníků s veřejnými produktovými stránkami a dalšími retailovými zdroji. Agent tedy může hledat u výrobce, číst manuál, porovnat více prodejců nebo získat informaci z veřejné dokumentace. A právě proto není potřeba předem ručně strukturovat každý okrajový atribut všech produktů.

Jenže stejný přístup má své hranice. Dynamické informace jako cena, dostupnost nebo sleva nemusí odpovídat aktuálnímu stavu a před nákupem je potřeba je ověřit. A někdy ani nejde o aktuálnost.

Představte si monitor s USB-C. Agent správně přečte, že monitor má USB-C port. Zákazník ale požaduje připojení notebooku jedním kabelem. To znamená, že USB-C musí podporovat obrazový signál a zároveň poskytovat notebooku dostatečné napájení. Samotná existence USB-C konektoru nic takového negarantuje. AI tedy může údaj správně přečíst, ale následně z něj nesprávně odvodit vlastnost, kterou zdroj nikdy nepotvrdil.

Dohledaný údaj není totéž co potvrzený údaj.

Více vyplněných polí ještě neznamená pravdivější popis

Generativní AI přitom bude právě v produktových datech mimořádně užitečná. Může odstranit obrovské množství manuální práce. Výzkum Amazonu publikovaný v roce 2025 dobře ukazuje potenciál i hranice tohoto přístupu. U sledovaných 234 produktů se podařilo zvýšit úplnost atributů z 16,8 % na 94,8 %. Správnost ale současně mírně klesla z 77,3 % na 76,2 %. To není důkaz, že AI enrichment nefunguje. Právě naopak. Ukazuje, jak dramaticky může automatizace zvýšit množství dostupných dat. Zároveň ale krásně ilustruje jednu důležitou věc: vyplněné pole a správná informace nejsou totéž.

AI může informaci extrahovat. Může ji normalizovat. Může navrhnout pravděpodobnou hodnotu. Pokud je ale daný údaj rozhodující pro správnost nákupu, potřebujeme také vědět, odkud pochází, ke kterému produktu nebo variantě se vztahuje a jak moc mu můžeme věřit.

Automatizace problém nevytvořila

A tím se můžeme vrátit k našemu zákazníkovi. Bylo by velmi snadné udělat z jeho příběhu jednoduché ponaučení: „Neměli jste propouštět lidi, kteří vyplňovali produktová data.“ Jenže to by podle mě bylo úplně špatně.

Firma neudělala chybu tím, že automatizovala práci, kterou dnes může stroj zvládnout rychleji a levněji. Problém vzniká tehdy, když spolu s touto prací zmizí i její datová funkce.

Dříve někdo získával podklady od výrobce, rozlišoval jednotlivé varianty a balení, přiřazoval parametry, hledal rozpory, propojoval produkty s příslušenstvím, určoval, který zdroj je správný, a někdy jednoduše zjistil, že určitá informace chybí a je potřeba ji od výrobce získat.

To všechno dnes nemusí dělat člověk. Část může dělat AI, část integrace, část pravidla a část automatické kontroly. Firma ale stále potřebuje někoho nebo něco, co určuje, jaké informace musí existovat, odkud pocházejí, ke kterému objektu patří, jak se ověřují a kdy se obnovují.

Ruční práce může zmizet. Datová odpovědnost ne.

Nejde o více dat. Jde o správné odpovědi

A právě tady bych byl opatrný s druhým extrémem. Řešením není rozhodnout se, že teď kompletně vyčistíme celý katalog, doplníme všechny parametry a ručně projdeme statisíce produktů. To by šlo přesně proti tomu, co nám AI umožňuje.

Při některých otázkách může agent bez problémů pracovat s dokumentací až ve chvíli položení dotazu. U jiných může AI informaci spolehlivě extrahovat. Některé atributy budou pro nákup prakticky bezvýznamné. A pak budou informace, na kterých správnost nákupu stojí.

Je baterie součástí balení? Je příslušenství kompatibilní právě s touto generací? Vejde se výrobek do konkrétního prostoru? Je dostupná právě požadovaná varianta? Dorazí na konkrétní adresu v požadovaném termínu? To jsou otázky, u kterých nemusí být dostatečná datová strategie, že „AI si to asi nějak zjistí“.

Proto podle mě agentic commerce nezačíná tím, že e-shop připojí další AI nástroj. Začíná mnohem obyčejnější otázkou: Máme na důležité nákupní otázky dostatečně spolehlivou odpověď?

A pokud ne, není automaticky řešením najmout dalšího člověka. Nejdřív musíme zjistit, které informace skutečně stojí za to řešit.

Co tedy řešit jako první?

Materiál může být u jednoho produktu příjemný detail a u jiného podmínka, bez které je celý nákup špatně. Totéž platí pro kompatibilitu, obsah balení, rozměry, dostupnost nebo dopravu.

Proto ve druhém dílu této série nepůjdeme cestou „doplňte všechny atributy“. Podíváme se na mnohem praktičtější otázku: které produktové informace mají pro agentic commerce skutečně největší hodnotu – a které máme připravit jako první?

Tento článek je prvním dílem třídílné série o produktových informacích pro agentic commerce. Ve druhém dílu se podíváme na to, jak data prioritizovat podle skutečné rozhodovací hodnoty – a proč není cílem dokonale vyplněný katalog.