L’Agentic Commerce è un modello di commercio digitale in cui una persona delega a un agente AI una parte del percorso dall’intento alla transazione: interpretazione dell’esigenza, selezione dei prodotti, confronto dei fornitori, valutazione del rischio e, negli scenari più avanzati, completamento dell’acquisto.
Per essere agentic commerce ready, un’azienda B2B deve rendere product data, dati transazionali, dati orientati all’intento, storico cliente e funzioni operative accessibili in modo sicuro, strutturato e machine-readable tramite API e protocolli compatibili con gli agenti AI.
Abstract
L’Agentic Commerce sposta una parte sostanziale del potere decisionale dalla persona all’agente AI. Per le aziende B2B questo significa preparare product data non solo leggibili dalle persone, ma machine-readable, utilizzabili dagli agenti per interpretare intenti, confrontare alternative, valutare disponibilità, costo totale, affidabilità e rischio. Il post spiega perché dati transazionali, dati orientati all’intento, dati di differenziazione e storico cliente diventano asset strategici, e perché le PMI B2B devono progettare un Agent Commerce Data Layer capace di esporre dati e azioni tramite API e protocolli come MCP, ACP e UCP.
Consiglio di lettura: Stefan Wenzel, AGENTIC COMMERCE: Wie KI-Agenten den Handel neu strukturieren und wer künftig entscheidet, aprile 2026 (disponibile anche in inglese con il titolo AGENTIC COMMERCE: How AI Is Reshaping Commerce and Shifting Decision Power).
Dalla conquista dell’attenzione alla conquista della fiducia algoritmica
Per molti anni il commercio digitale è stato costruito intorno a un obiettivo principale: portare la persona sul sito, trattenerla, guidarla nella navigazione e convertirla in cliente.
La SEO serviva a essere trovati su Google.
L’e-commerce serviva a presentare catalogo, schede prodotto, prezzi e disponibilità.
Il motore di site search interno aiutava l’utente a trovare più rapidamente il prodotto.
La personalizzazione cercava di proporre articoli coerenti con il comportamento di navigazione o di acquisto.
Con l’Agentic Commerce questo modello non scompare, ma viene messo in discussione alla radice.
Nel commercio agentico, infatti, la persona tendenzialmente non naviga sul sito, non confronta direttamente le alternative, non visita le schede prodotto di suo interesse e non prende sempre in prima persona la decisione finale. La persona esprime l’esigenza e delega a un agente AI il percorso che va dall’intento alla transazione: interpretare l’intento, cercare i prodotti coerenti, confrontarli, valutare il rischio, scegliere il fornitore, creare il carrello, richiedere un preventivo o, negli scenari più avanzati, completare l’acquisto.
Il nuovo intermediario non è il motore di ricerca, il marketplace o la piattaforma e-commerce. È l’agente AI.
Per le aziende B2B questo cambiamento è molto rilevante. Soprattutto per le aziende che producono o distribuiscono utensili, attrezzature professionali, componenti, macchine, DPI, ricambi, materiale tecnico, prodotti per manutenzione, ecc.
In tutti questi casi, infatti, la vendita dipende sempre più dalla capacità di rendere disponibili dati corretti, completi, confrontabili, aggiornati e utilizzabili da sistemi automatici. Non basta più pubblicare informazioni leggibili da una persona. Occorre preparare dati che un agente AI possa interpretare, valutare e utilizzare per prendere decisioni.
In altre parole: le API, i product data e la documentazione tecnica diventano una nuova forma di vetrina.
Come funzionano gli agenti AI dell’Agentic Commerce
Per capire perché l’Agentic Commerce è così rilevante per le aziende B2B, occorre chiarire un punto: un agente AI non è semplicemente un chatbot che risponde a una domanda.
Un chatbot tradizionale interpreta una richiesta e genera una risposta. Un agente AI, invece, può interpretare un intento, pianificare una sequenza di azioni, interrogare fonti dati, usare strumenti esterni, confrontare alternative, valutare risultati intermedi, correggere il percorso e arrivare a una decisione o a un’azione.
Nel contesto del commercio, questo significa che l’agente AI può diventare l’intermediario operativo fra l’esigenza della persona e il sistema di vendita dell’azienda. Non si limita a dire “questo prodotto potrebbe andare bene”, ma può arrivare a selezionare un prodotto, verificare disponibilità e prezzo, confrontare fornitori, creare un carrello, richiedere un preventivo o completare una transazione, nei limiti dell’autonomia concessa dall’utente. La persona tendenzialmente non vede (né approva) i passaggi intermedi, ma solo il risultato finale.
Per un’azienda B2B questo cambia il modo in cui catalogo, product data, documentazione tecnica, listini, disponibilità e storico cliente devono essere progettati. L’obiettivo non è più solo informare una persona, ma rendere i dati utilizzabili da un sistema decisionale che deve ragionare, scegliere e agire.
Il reasoning: dall’intento alla decisione
Il primo elemento alla base degli agenti AI è il reasoning, cioè la capacità di interpretare una richiesta, ricavarne un intento e pianificare i passaggi necessari per raggiungere un risultato.
Questa capacità si fonda sui Large Language Model (LLM), che permettono all’agente di comprendere una domanda espressa in linguaggio naturale e di trasformarla in un problema operativo.
Nel B2B, l’intento raramente coincide con una semplice ricerca per parola chiave. Un cliente può non sapere quale prodotto cercare, oppure può descrivere un’esigenza in modo indiretto:
“Mi serve un utensile adatto a questa lavorazione.”
“Devo riordinare un DPI simile a quello acquistato l’anno scorso.”
“Cerca una scarpa antinfortunistica leggera per magazzinieri.”
“Mi serve un ricambio compatibile con una macchina già installata.”
In questi casi l’agente deve fare più cose: interpretare il contesto, individuare i criteri rilevanti, capire quali dati servono, selezionare prodotti coerenti, confrontare alternative, valutare rischi e convenienza, proporre o completare l’azione successiva.
Per questo i product data devono essere accessibili, ricchi e machine-readable. Devono aiutare l’agente a capire per quali intenti un prodotto è adatto, per quali non lo è, in quali condizioni funziona meglio, quali alternative considerare e quali vincoli tecnici o logistici possono incidere sulla scelta.
Il tool use: l’agente deve poter agire nel mondo reale
Il secondo elemento è il tool use.
Un agente AI non può basarsi solo sulla conoscenza contenuta nel modello linguistico. Per prendere decisioni commerciali deve interrogare dati aggiornati e sistemi esterni: cataloghi, PIM, ERP, e-commerce, CRM, sistemi logistici, listini, documentazione tecnica, carrelli, ordini, pagamenti, sistemi di autenticazione.
In altre parole, deve poter usare strumenti.
Nel contesto dell’Agentic Commerce, questi strumenti permettono all’agente di ottenere dati aggiornati su prodotti, disponibilità, prezzi, tempi di consegna, condizioni commerciali, compatibilità, certificazioni, storico ordini e stato delle transazioni.
Questo passaggio è fondamentale perché molte informazioni decisive per l’acquisto non sono statiche. La disponibilità cambia, i prezzi cambiano, i tempi di consegna cambiano, le condizioni cliente cambiano, i prodotti possono essere sostituiti o non più disponibili.
Per questo l’accesso ai dati deve avvenire tramite interfacce standard e API affidabili. L’agente deve poter interrogare i sistemi aziendali in modo sicuro, controllato e machine-readable.
Qui entrano in gioco protocolli come MCP, ACP e UCP.
MCP: esporre dati, sistemi e strumenti agli agenti AI
MCP, Model Context Protocol (Anthropic), è particolarmente rilevante perché risponde all’esigenza di collegare agenti AI, dati aziendali e strumenti esterni senza dover sviluppare un’integrazione specifica per ogni singolo agente o applicazione.
Per una PMI B2B, MCP è probabilmente il primo protocollo da considerare quando l’obiettivo è rendere accessibili agli agenti AI product data, documentazione tecnica, disponibilità, compatibilità, criteri di scelta e dati orientati all’intento.
Un server MCP può diventare il punto attraverso cui l’azienda espone in modo strutturato ciò che l’agente deve conoscere o utilizzare: catalogo prodotti, attributi tecnici, certificazioni, alternative, vincoli d’uso, dati di disponibilità, endpoint di ricerca o funzioni operative.
Il vantaggio è che l’azienda mantiene maggiore controllo sui propri dati. Non li inserisce in una piattaforma proprietaria, ma costruisce un accesso strutturato che può essere utilizzato dagli agenti compatibili con il protocollo.
Per le aziende B2B questo è importante perché i dati tecnici e commerciali sono spesso complessi, specifici e distribuiti in sistemi diversi. MCP può diventare un modo per rendere interrogabile questa conoscenza senza trasformare ogni integrazione in un progetto ad hoc.
ACP: quando l’agente arriva alla transazione
ACP, Agentic Commerce Protocol (Stripe, OpenAI e Meta), riguarda più direttamente la fase transazionale.
Mentre MCP è soprattutto utile per collegare agenti, dati e tool, ACP si concentra su ciò che accade quando l’agente deve completare un acquisto per conto dell’utente: checkout, carrello, pagamento delegato, autenticazione delegata, ordini, webhook e gestione degli eventi transazionali.
Nel B2B questo tema è più delicato rispetto al B2C. Molti acquisti non si concludono con un semplice pagamento immediato. Possono esserci listini riservati, condizioni di pagamento, approvazioni interne, centri di costo, ordini ricorrenti, richieste di preventivo, quantità minime, contratti quadro o flussi autorizzativi.
Per questo, nelle aziende B2B, l’adozione di protocolli transazionali agentici richiederà particolare attenzione. L’agente non dovrà solo acquistare, ma dovrà rispettare regole aziendali, ruoli, budget, autorizzazioni e condizioni contrattuali.
ACP diventa quindi interessante quando l’azienda vuole rendere possibile non solo la scoperta e la selezione del prodotto, ma anche l’esecuzione dell’ordine in un contesto controllato.
UCP: orchestrare il percorso commerciale end-to-end
UCP, Universal Commerce Protocol (Google e Shopify), punta a uno scenario più ampio: standardizzare il percorso commerciale end-to-end, dalla scoperta del prodotto alla considerazione, dall’acquisto al post-vendita.
La logica è quella di rendere prodotti e servizi acquistabili dentro esperienze conversazionali o agentiche governate da grandi ecosistemi digitali, come quello di Google. In questo scenario l’azienda fornisce dati, disponibilità, condizioni e funzioni operative, mentre l’agente o la piattaforma orchestra il rapporto con l’utente.
Per una PMI questo scenario può offrire maggiore visibilità all’interno degli ecosistemi AI e commerce, ma comporta una importante cessione di autonomia. Se la relazione con l’acquirente viene mediata dalla piattaforma, l’azienda rischia di avere meno controllo sul contatto diretto, sulla presentazione dell’offerta e sulla costruzione della relazione commerciale.
Per questo MCP, ACP e UCP non vanno considerati come alternative equivalenti. Rispondono a funzioni diverse. MCP è più vicino all’esposizione controllata di dati e strumenti. ACP è più vicino alla transazione. UCP è più vicino all’orchestrazione del percorso commerciale dentro ecosistemi più ampi.
La scelta non dovrebbe partire dal protocollo, ma dalla strategia: quali dati vogliamo esporre, quali azioni vogliamo consentire, quali ecosistemi vogliamo presidiare, quanto controllo vogliamo mantenere sulla relazione con il cliente.
La memoria a lungo termine: preferenze, storico e fiducia algoritmica
Un altro elemento decisivo degli agenti AI è la memoria a lungo termine.
Nel commercio tradizionale, la personalizzazione si basa spesso su dati di navigazione, carrelli, acquisti precedenti o segmentazioni di marketing. Nell’Agentic Commerce, invece, la memoria dell’agente diventa parte del processo decisionale.
L’agente può ricordare preferenze esplicite della persona, istruzioni ricorrenti, abitudini di acquisto, marchi preferiti, fornitori da evitare, limiti di budget, criteri di sostenibilità, esigenze tecniche, prodotti acquistati in passato, esiti positivi o negativi delle forniture.
Può ricordare, per esempio, che un cliente preferisce un determinato marchio di utensili, che accetta un prezzo leggermente superiore se il fornitore consegna in 24 ore, che per certi DPI vuole solo prodotti con documentazione scaricabile.
Questa memoria contribuisce alla costruzione di fiducia algoritmica.
Se un fornitore ha servito bene il cliente in passato, se le consegne sono state puntuali, se i resi sono stati pochi, se i prodotti riordinati hanno soddisfatto l’esigenza, l’agente può considerare quel fornitore meno rischioso rispetto a un’alternativa sconosciuta.
Per le aziende B2B questo ha una conseguenza importante: fidelizzare il cliente non significa solo aumentare la probabilità che una persona torni ad acquistare. Significa anche aumentare la probabilità che quella persona, o la sua azienda, istruisca l’agente AI a preferire un determinato fornitore, un determinato brand o una determinata famiglia di prodotti.
La preferenza esplicita diventa un segnale fortissimo. Può far deviare la decisione algoritmica anche quando altri fornitori hanno dati simili o offerte apparentemente competitive.
Orchestrazione multi-step: la differenza rispetto all’automazione
Gli agenti AI non vanno confusi con semplici processi automatizzati.
Un’automazione tradizionale esegue una procedura predefinita: se accade A, allora esegui B. È utile, ma segue regole precise.
Un agente AI, invece, può orchestrare un processo multi-step. Può definire un piano, eseguire una prima azione, valutare il risultato, modificare il percorso, interrogare un’altra fonte, confrontare alternative, chiedere conferma quando necessario, completare una transazione o fermarsi se il rischio è troppo alto.
Nel B2B questo è essenziale, perché il processo d’acquisto è spesso più articolato di un semplice “trova e compra”.
Un agente potrebbe:
- interpretare l’esigenza dell’utente
- verificare prodotti già acquistati
- cercare alternative compatibili
- controllare disponibilità e tempi
- confrontare fornitori
- calcolare il total cost
- valutare condizioni di reso
- controllare certificazioni
- creare una shortlist
- richiedere un preventivo
- generare un carrello
- sottoporre l’ordine ad approvazione oppure ordinare
- monitorare consegna e post-vendita.
Questa capacità di pianificazione, esecuzione, valutazione e adattamento è ciò che distingue l’agente AI da un normale sistema di automazione commerciale.
Trust infrastructure: autenticazione, autorizzazioni e responsabilità
Perché l’Agentic Commerce funzioni, non bastano dati e API. Serve un’infrastruttura di fiducia.
Un agente AI che acquista, richiede preventivi o accede a dati cliente deve poter dimostrare per conto di chi sta agendo. L’azienda deve sapere se l’agente rappresenta una persona, un ufficio acquisti, un’azienda, un ruolo autorizzato o un sistema terzo.
Nel B2B questo punto è particolarmente importante. I dati non sono tutti pubblici. Prezzi, listini, sconti, storico ordini, condizioni di pagamento, indirizzi di consegna, centri di costo e workflow approvativi sono informazioni riservate.
Per questo servono autenticazione, autorizzazione, consenso, audit, tracciabilità e gestione dei permessi.
Senza autenticazione, l’agente può accedere solo a dati pubblici o aggregati: catalogo, schede prodotto, disponibilità indicativa, tempi standard, policy, certificazioni.
Con autenticazione, invece, può accedere a dati specifici della relazione fra cliente e azienda: listini riservati, storico acquisti, prodotti abituali, condizioni commerciali, carrelli salvati, riordini, resi, ordini aperti, preferenze e regole interne.
Questa distinzione sarà decisiva. L’azienda già conosciuta dal cliente potrà trasformare la relazione storica in un vantaggio competitivo, perché l’agente disporrà di più dati per considerarla affidabile. Il nuovo fornitore, invece, dovrà compensare l’assenza di storico con dati pubblici molto solidi, completi, verificabili e aggiornati.
Regolamentazione: una condizione per la fiducia
L’ultimo elemento riguarda la regolamentazione.
L’Agentic Commerce apre questioni nuove: chi è responsabile se un agente AI acquista un prodotto sbagliato? Chi risponde se interpreta in modo non corretto una scheda tecnica? Come si distinguono raccomandazioni neutrali e raccomandazioni influenzate da interessi commerciali? Come si garantisce trasparenza quando l’utente vede solo il risultato finale e non tutte le alternative valutate?
In particolare in Europa, è probabile che il tema regolatorio diventi rilevante per definire responsabilità, trasparenza, interoperabilità, protezione dei dati e limiti dell’autonomia agentica.
Per le aziende B2B, questo non significa attendere che tutte le regole siano definite. Significa progettare fin da ora sistemi più solidi: dati verificabili, fonti tracciabili, autorizzazioni chiare, log delle azioni, separazione fra dati pubblici e dati riservati, documentazione aggiornata e responsabilità esplicite.
La fiducia nell’Agentic Commerce non dipenderà solo dall’intelligenza dell’agente AI. Dipenderà dalla qualità dell’intero ecosistema: dati, protocolli, autorizzazioni, piattaforme, regole e responsabilità.
Per questo le aziende B2B devono iniziare a prepararsi non solo sul piano tecnologico, ma anche sul piano informativo e organizzativo.
Che cosa cambia rispetto alla SEO e all’e-commerce tradizionale
Nel modello tradizionale l’azienda cerca di farsi trovare da una persona.
Nel modello dell’AI Search l’azienda cerca di farsi citare o includere nella risposta generata da un sistema AI.
Nel modello dell’Agentic Commerce l’azienda deve fare un passo ulteriore: deve rientrare nel perimetro decisionale dell’agente AI.
La differenza è sostanziale.
Essere trovati significa comparire fra i risultati.
Essere citati significa diventare una fonte della risposta.
Essere scelti da un agente significa superare una valutazione automatica che può riguardare migliaia di alternative.
L’agente AI non ragiona come un utente umano che sfoglia un catalogo. Parte da un intento: “mi serve un utensile per questa applicazione”, “devo riordinare questi DPI”, “devo acquistare un ricambio compatibile con una macchina già installata”, “cerca il fornitore più affidabile per consegna entro 48 ore”.
A partire da questo intento, l’agente deve capire quali prodotti sono adatti, quali non lo sono, quali fornitori sono affidabili, quali condizioni economiche e logistiche sono migliori, quali rischi sono accettabili e quali invece vanno evitati.
Per questo motivo i product data non possono più limitarsi a descrivere il prodotto. Devono aiutare l’agente a decidere.
I product data devono diventare decision-ready
Nel B2B molte aziende dispongono già di una grande quantità di informazioni: cataloghi, schede tecniche, manuali, certificazioni, listini, dati ERP, PIM, CRM, storico ordini, ticket di assistenza, FAQ tecniche, contenuti e-commerce.
Il problema è che spesso queste informazioni sono distribuite in sistemi diversi, scritte in formati diversi e pensate più per la consultazione umana che per la valutazione automatica.
L’Agentic Commerce richiede invece dati decision-ready, cioè dati che permettano all’agente AI di rispondere a domande come:
- questo prodotto è adatto all’intento espresso dall’utente?
- è compatibile con il contesto d’uso?
- ha limiti o controindicazioni?
- è disponibile?
- quanto costa davvero, considerando prezzo, spedizione, tempi e percentuale di reso?
- il fornitore è affidabile?
- l’acquirente ha già comprato da questo fornitore?
- esiste uno storico positivo di acquisti, consegne e riordini?
- il rischio di scegliere questo prodotto o questo venditore è basso?
Per rispondere a queste domande, i dati dell’azienda devono essere organizzati in almeno tre grandi categorie.
1. Dati transazionali: disponibilità, prezzo, tempi, costo totale
La prima categoria è quella dei dati transazionali.
Sono i dati che permettono all’agente AI di capire se l’acquisto è possibile e conveniente in quel momento.
Nel B2B questi dati includono, per esempio:
- giacenza per magazzino
- lead time
- prezzo pubblico
- prezzo riservato al cliente
- sconti contrattuali
- quantità minime ordinabili
- costi di spedizione
- tempi di consegna per area geografica o CAP
- condizioni di reso
- costi di reso
- condizioni di pagamento.
Per un agente AI, il prezzo di listino è solo una parte della valutazione. Conta il total cost, cioè il costo complessivo dell’operazione: prezzo, spedizione, tempi, rischio di reso, affidabilità del fornitore, eventuali costi indiretti.
Nel B2B tecnico-industriale questo è particolarmente importante. Un utensile, un ricambio o un DPI non vengono valutati solo per il prezzo unitario. Contano la disponibilità, la continuità di fornitura, la compatibilità, la documentazione, la conformità normativa, la puntualità della consegna e la riduzione del rischio operativo.
Una nota importante: normalizzare i dati secondo standard condivisi
Per rendere i product data realmente utilizzabili dagli agenti AI, le aziende B2B dovrebbero considerare anche l’adozione di standard condivisi di identificazione, classificazione e descrizione dei prodotti, come gli standard GS1 (https://www.gs1.org/).
Il punto non è solo tecnico. Un agente AI deve poter confrontare prodotti, fornitori e condizioni commerciali in modo coerente. Se ogni azienda descrive i propri prodotti esclusivamente secondo la propria visione interna – con attributi, unità di misura, categorie, codici e denominazioni non normalizzati – il confronto automatico diventa più difficile, meno affidabile o addirittura impossibile.
Nel commercio agentico, invece, i prodotti devono essere descritti secondo una logica il più possibile condivisa: identificatori univoci, attributi strutturati, unità di misura coerenti, categorie confrontabili, relazioni chiare fra prodotto, variante, confezione, disponibilità e condizioni di vendita.
Per le aziende B2B questo significa superare una visione puramente proprietaria del catalogo. I dati non servono solo a rappresentare il prodotto “come lo vede l’azienda”, ma anche a renderlo comprensibile e confrontabile da parte di sistemi esterni: motori di ricerca, marketplace, chatbot, AI search e agenti AI.
In prospettiva Agentic Commerce, la normalizzazione dei dati riduce il rischio che il prodotto venga interpretato male, confrontato in modo scorretto o scartato perché non sufficientemente leggibile dalla macchina. Al contrario, product data coerenti con standard riconosciuti aumentano la probabilità che l’agente AI possa includere il prodotto nel proprio perimetro decisionale e valutarlo correttamente rispetto alle alternative.
2. Dati orientati all’intento: adatto, non adatto, compatibile, sconsigliato
La seconda categoria è quella dei dati orientati all’intento.
È probabilmente la più importante dal punto di vista editoriale e tecnico.
Molti cataloghi B2B sono ancora organizzati soprattutto per categorie merceologiche: utensili, abrasivi, DPI, attrezzature, ricambi, strumenti di misura, abbigliamento da lavoro, articoli promozionali, cancelleria personalizzabile, packaging, accessori.
Questa classificazione è necessaria, ma non basta.
L’agente AI parte dall’intento della persona, non necessariamente dalla categoria merceologica corretta. L’utente può non sapere quale prodotto cercare. Può descrivere un problema, un’applicazione, una condizione d’uso, un vincolo tecnico o un obiettivo commerciale.
Per esempio:
“Mi serve un guanto per manipolare componenti leggermente oleosi.”
“Devo scegliere una scarpa antinfortunistica leggera per magazzinieri.”
“Mi serve un utensile adatto a lavorazioni ripetitive su acciaio.”
“Devo riordinare prodotti compatibili con quelli acquistati l’anno scorso.”
Per essere selezionato dall’agente AI, il prodotto deve quindi dichiarare in modo strutturato non solo che cos’è, ma anche:
- per quali applicazioni è adatto
- per quali applicazioni non è adatto
- in quali condizioni funziona meglio
- in quali condizioni va evitato
- con quali prodotti, componenti o macchine è compatibile
- quali alternative sono più indicate in altri casi
- quali vincoli tecnici o normativi devono essere considerati
- quali settori o contesti d’uso sono più coerenti.
Questa è una grande opportunità per le aziende B2B. Perché molte informazioni di questo tipo sono già presenti nella conoscenza aziendale, ma spesso non sono espresse nei product data in modo sistematico.
Il lavoro da fare è trasformare conoscenza tecnica, esperienza commerciale, FAQ, manuali, schede prodotto e storico delle domande dei clienti in answer asset per l’AI Search e in dati leggibili e azionabili da parte dell’agente AI.
3. Dati di differenziazione: perché scegliere proprio questo fornitore
La terza categoria è quella dei dati orientati alla differenziazione.
Qui il tema diventa particolarmente importante per i rivenditori.
Nel settore tecnico-industriale molti distributori vendono prodotti fabbricati da brand noti o articoli a marchio privato con caratteristiche tecniche equivalenti. Lo stesso utensile, lo stesso DPI o lo stesso componente può essere presente nei cataloghi di più rivenditori.
Se i product data sono uguali o quasi uguali, su che base l’agente AI sceglie un rivenditore anziché un altro?
I dati differenzianti possono riguardare:
- disponibilità più affidabile
- tempi di consegna migliori
- total cost più competitivo
- condizioni di reso più chiare
- accuratezza dei dati
- conformità a norme e certificazioni
- status di distributore autorizzato
- assistenza tecnica
- segnali E-E-A-T Experience, Expertise, Authoritativeness e Trustworthiness machine readable
- affidabilità e velocità delle API (nel 2026 è consigliato un accesso ai dati sotto i 200 ms)
- storico positivo delle transazioni
- preferenze esplicite dei clienti
- tassi di riordino
- ridotta percentuale di resi
- continuità di fornitura.
Questo punto è decisivo. Nel commercio agentico la differenziazione non è di tipo marketing. È un insieme di segnali che l’agente AI può utilizzare per ridurre il rischio della decisione.
Il ruolo dello storico transazionale
Uno degli aspetti più interessanti dell’Agentic Commerce riguarda lo storico delle transazioni fra azienda e cliente.
Nel B2B lo storico è un patrimonio enorme. Contiene informazioni su che cosa il cliente ha acquistato, con quale frequenza, quali marchi preferisce, quali prodotti riordina, quali articoli ha reso, quali forniture sono andate a buon fine, quali condizioni commerciali sono state applicate, quali indirizzi di consegna sono utilizzati, quali centri di costo sono coinvolti, quali persone approvano gli acquisti.
Per un agente AI, questi dati sono preziosi perché permettono di ridurre l’incertezza.
Se un cliente ha acquistato più volte da un certo fornitore, se le consegne sono state puntuali, se non ci sono stati resi problematici, se determinati prodotti vengono riordinati con regolarità, l’agente AI può considerare quel fornitore meno rischioso rispetto a un venditore nuovo.
Questo non significa che il venditore storico debba sempre vincere. Ma significa che parte con un vantaggio: può trasformare la relazione già costruita con il cliente in fiducia algoritmica.
Naturalmente questi dati non sono pubblici. Non possono essere esposti genericamente agli agenti AI. Sono resi accessibili solo tramite autenticazione, consenso e autorizzazione, quando l’agente agisce per conto di una determinata persona o azienda.
Qui emerge una distinzione fondamentale.
Senza autenticazione, il venditore può esporre dati pubblici, aggregati o non personali: disponibilità, tempi standard, certificazioni, policy, metriche generali di affidabilità.
Con autenticazione, invece, può esporre dati specifici della relazione con quel cliente: listino riservato, storico ordini, prodotti abituali, condizioni commerciali, indirizzi, carrelli salvati, preferenze, riordini, resi, workflow di approvazione.
Per le aziende B2B questo è un punto strategico. Nell’Agentic Commerce la relazione diretta con il cliente diventa ancora più importante, perché alimenta segnali che l’agente AI può usare per scegliere in modo più sicuro.
La piattaforma e-commerce non basta: serve un Agent Commerce Data Layer accessibile via API
Per essere agentic commerce ready non è necessario adottare una piattaforma e-commerce orientata nativamente sulle applicazioni dell’intelligenza artificiale. Una PMI può usare una piattaforma e-commerce B2B tradizionale, purché sia sufficientemente aperta via API e permetta di costruire uno strato di dati leggibile agli agenti AI.
Questo strato può essere definito Agent Commerce Data Layer.
Il suo compito è raccogliere, normalizzare, arricchire ed esporre dati provenienti da sistemi diversi, per esempio:
- ERP
- PIM
- e-commerce
- CRM
- DAM
- documentazione tecnica
- manuali
- schede PDF
- sistemi di ticketing
- storico ordini
- sistemi logistici
- listini e condizioni commerciali.
L’obiettivo non è creare un altro catalogo duplicato, ma predisporre una vista del patrimonio informativo aziendale pensata per l’interrogazione automatica, cioè machine readable.
Questo livello dovrebbe esporre agli agenti AI in particolare:
- product data pubblici e normalizzati
- attributi tecnici
- compatibilità
- destinazioni d’uso
- limiti d’uso
- disponibilità e tempi di consegna
- prezzo o logica di prezzo
- total cost
- certificazioni
- endpoint per carrello, preventivo e ordine
- logiche di autenticazione
- autorizzazioni
- audit
- rate limit.
In questo scenario la piattaforma e-commerce non è più soltanto il punto di arrivo della navigazione umana. Diventa una fonte operativa all’interno di un ecosistema più ampio.
MCP, ACP, UCP: perché i protocolli contano
Se le API sono la nuova vetrina, i protocolli sono le porte attraverso cui gli agenti AI possono accedere ai dati e alle funzioni dell’azienda.
MCP, ACP e UCP rispondono a esigenze diverse, come già sottolineato in precedenza.
MCP, Model Context Protocol (Anthropic), è rilevante perché permette agli agenti AI di collegarsi a fonti dati e strumenti esterni. Per una PMI B2B può essere il primo protocollo da considerare per esporre product data, documentazione tecnica, criteri di scelta, disponibilità, compatibilità e informazioni orientate all’intento.
ACP, Agentic Commerce Protocol (Stripe, OpenAI e Meta), è più orientato sulla transazione: carrello, checkout, pagamento delegato, ordini, webhook. Diventa rilevante quando l’agente non si limita a selezionare o confrontare prodotti, ma può completare l’acquisto per conto dell’utente.
UCP, Universal Commerce Protocol (Google e Shopify), punta a uno scenario più ampio di scoperta, considerazione, acquisto e post-vendita, soprattutto all’interno di ecosistemi AI e commerce governati da grandi piattaforme come Google.
Per una PMI il punto non è scegliere oggi un solo protocollo e scommettere tutto su quello. Il punto è progettare dati esportabili, normalizzati e flessibili, in modo da poterli esporre nei formati e attraverso i protocolli che si affermeranno.
In altre parole: non bisogna partire dal protocollo. Occorre partire dai dati.
Chi è meglio posizionato nel B2B
Nell’Agentic Commerce non tutte le aziende partono dallo stesso punto.
Sono meglio posizionate le aziende che dispongono già di alcuni asset:
- brand riconosciuto
- clienti fidelizzati
- catalogo ben strutturato
- dati prodotto completi
- disponibilità affidabile
- logistica efficiente
- gestione chiara dei resi
- competenze di settore riconoscibili
- storico transazionale diretto
- capacità di esporre dati via API
- qualità e aggiornamento dei sistemi informativi.
Per i produttori, l’Agentic Commerce può rafforzare il valore del brand e della documentazione tecnica ufficiale.
Per i rivenditori, invece, la sfida è dimostrare all’agente AI perché conviene acquistare da loro anche quando il prodotto è disponibile presso produttori e altri venditori.
Per i distributori tecnico-industriali, i differenziali possono essere l’ampiezza del catalogo, la disponibilità reale, la consulenza tecnica, la rapidità di fornitura, la qualità delle schede prodotto, la compatibilità documentata, l’integrazione con i processi del cliente, purché questi punti di vantaggio siano machine readable per gli agenti AI.
Il rischio: essere esclusi senza saperlo
Uno degli aspetti più delicati dell’Agentic Commerce è che l’agente AI può valutare molte alternative senza generare traffico verso i siti scartati.
Nel modello SEO tradizionale, un’azienda poteva osservare impression, clic, visite, ranking, conversioni. Nel modello agentico, invece, potrebbe essere valutata e scartata prima ancora che si generi una visita al sito.
La persona vede solo il risultato finale: il prodotto selezionato, il fornitore consigliato, il carrello proposto, il preventivo generato.
Tutto ciò che accade prima può rimanere invisibile.
Questo cambia profondamente il modo in cui le aziende devono misurare la propria presenza digitale. Non basta chiedersi: “Siamo posizionati su Google?”. Occorre chiedersi: “I nostri dati sono abbastanza completi, affidabili e accessibili perché un agente AI possa prenderci in considerazione?”.
Le criticità dell’Agentic Commerce nel 2026
L’Agentic Commerce è ancora uno scenario in evoluzione. Nel 2026 restano aperti molti problemi.
Il primo riguarda la monetizzazione. Non è ancora chiaro come si svilupperà la pubblicità nell’era degli agenti AI. Se gli interessi commerciali delle piattaforme influenzeranno in modo poco trasparente le decisioni degli agenti, la fiducia delle persone potrebbe indebolirsi.
Il secondo riguarda la volatilità. I sistemi AI sono probabilistici e le inclusioni nel perimetro decisionale possono cambiare. Un’azienda potrebbe essere considerata in uno scenario e ignorata in un altro.
Il terzo riguarda la manipolabilità. Product data costruiti per ingannare gli agenti, API che mostrano dati diversi da quelli visualizzati dagli utenti, recensioni false, contenuti ottimizzati in modo scorretto o prompt injection nei dati potrebbero compromettere la qualità delle decisioni.
Il quarto riguarda le allucinazioni. Se l’agente AI interpreta male dati incompleti, incoerenti o ambigui, può prendere decisioni sbagliate con conseguenze reali: acquisti non adatti, fornitori non corretti, prodotti incompatibili, tempi non rispettati.
Per questo motivo la qualità dei dati non è solo un tema tecnico o SEO. Diventa un tema di responsabilità.
Che cosa possono fare oggi le aziende B2B
Per una PMI B2B non è necessario attendere che lo scenario sia completamente definito o che l’intervento regolatorio della UE intervenga per rendere più trasparente, più interoperabile e meno dipendente dal potere delle piattaforme l’Agentic Commerce. Ci sono attività utili in ogni caso, perché migliorano non solo la preparazione all’Agentic Commerce, ma anche l’e-commerce attuale, la SEO, la GEO, la search interna, i chatbot, la qualità del servizio e la gestione del catalogo.
La prima attività è fare un audit dei product data. Occorre capire quali dati sono presenti, quali mancano, quali sono duplicati, quali sono incoerenti, quali non sono aggiornati e quali non sono accessibili via API.
La seconda è arricchire i product data con la dimensione degli intenti. Per ogni prodotto o famiglia di prodotti occorre esplicitare applicazioni, contesti d’uso, compatibilità, limiti, alternative, criteri di scelta.
La terza è rendere machine-readable i dati transazionali: disponibilità, prezzo, lead time, total cost, reso, documentazione, certificazioni.
La quarta è valorizzare i dati differenzianti: brand, autorizzazioni, affidabilità logistica, assistenza tecnica, storico transazionale, preferenze esplicite, riordini, resi, metriche di servizio.
La quinta è progettare un livello API solido, sicuro e performante. Gli agenti AI non possono basarsi su esportazioni occasionali, file disallineati o pagine non strutturate. Hanno bisogno di dati accessibili, coerenti e aggiornati.
La sesta è predisporre un Agent Commerce Data Layer, collegato ai sistemi aziendali e pronto a esporre dati e azioni verso agenti AI, chatbot, motori di ricerca generativi, piattaforme commerce e protocolli emergenti.
La settima è ragionare sulla fiducia. Nell’Agentic Commerce non si compete per attirare l’attenzione della persona. Si compete per essere considerati affidabili dall’agente AI.
Mini glossario dell’Agentic Commerce B2B
Agentic Commerce
L’Agentic Commerce è un modello di commercio digitale in cui una persona delega a un agente AI una parte del percorso che va dall’intento alla transazione. L’agente interpreta l’esigenza, seleziona prodotti coerenti, confronta fornitori, valuta disponibilità, costo totale e rischio, e può arrivare a creare un carrello, richiedere un preventivo o completare l’acquisto nei limiti dell’autonomia concessa dall’utente.
Agente AI
Un agente AI è un sistema basato su intelligenza artificiale capace di interpretare un obiettivo, pianificare azioni, usare strumenti esterni, interrogare fonti dati, valutare risultati intermedi e adattare il proprio percorso. Nel commercio B2B, un agente AI può supportare o eseguire attività come ricerca prodotto, confronto fra fornitori, verifica della disponibilità, riordino, richiesta di preventivo o acquisto.
Product data decision-ready
I product data decision-ready sono dati prodotto progettati non solo per descrivere un articolo, ma per aiutare un agente AI a prendere decisioni. Includono attributi tecnici, compatibilità, applicazioni consigliate, limiti d’uso, alternative, disponibilità, condizioni commerciali, certificazioni e informazioni utili a valutare se un prodotto è adatto a un determinato intento.
Dati transazionali
I dati transazionali sono le informazioni che permettono all’agente AI di capire se l’acquisto è possibile, conveniente e affidabile in un dato momento. Nel B2B includono disponibilità, prezzo, listino cliente, sconti, lead time, quantità minime ordinabili, costi di spedizione, condizioni di pagamento, tempi di consegna, costi di reso e total cost dell’operazione.
Dati orientati all’intento
I dati orientati all’intento descrivono il prodotto in relazione alle esigenze dell’utente. Indicano per quali applicazioni il prodotto è adatto, per quali non è adatto, in quali condizioni funziona meglio, con quali prodotti o macchine è compatibile, quali vincoli tecnici presenta e quali alternative considerare in scenari diversi.
Dati di differenziazione
I dati di differenziazione sono i segnali che permettono all’agente AI di distinguere un fornitore da un altro, soprattutto quando più rivenditori offrono prodotti uguali o simili. Possono riguardare affidabilità della disponibilità, rapidità di consegna, accuratezza dei dati, assistenza tecnica, certificazioni, status di distributore autorizzato, storico positivo delle transazioni, tassi di riordino, percentuale di resi e preferenze esplicite dei clienti.
Fiducia algoritmica
La fiducia algoritmica è il livello di affidabilità che un agente AI attribuisce a un prodotto, a un fornitore o a un brand sulla base dei dati disponibili e degli esiti precedenti. Può essere rafforzata da consegne puntuali, dati aggiornati, basso tasso di reso, storico positivo, preferenze esplicite dell’utente, documentazione verificabile e riduzione del rischio percepito.
Agent Commerce Data Layer
L’Agent Commerce Data Layer è lo strato informativo che raccoglie, normalizza, arricchisce ed espone agli agenti AI i dati provenienti da ERP, PIM, e-commerce, CRM, documentazione tecnica, sistemi logistici e storico ordini. Il suo obiettivo è rendere product data, dati transazionali, dati orientati all’intento e funzioni operative accessibili in modo sicuro, strutturato e machine-readable.
MCP
MCP, Model Context Protocol, è un protocollo pensato per collegare agenti AI, fonti dati e strumenti esterni. In uno scenario B2B può essere usato per rendere accessibili agli agenti product data, documentazione tecnica, criteri di scelta, compatibilità, disponibilità, endpoint di ricerca e funzioni operative, mantenendo maggiore controllo sull’esposizione dei dati aziendali.
ACP
ACP, Agentic Commerce Protocol, è un protocollo orientato alla fase transazionale dell’Agentic Commerce. Riguarda funzioni come carrello, checkout, pagamento delegato, autenticazione delegata, ordini e webhook. Nel B2B diventa rilevante quando l’agente AI non si limita a selezionare o confrontare prodotti, ma può completare o avviare una transazione rispettando regole, ruoli, condizioni commerciali e autorizzazioni.
UCP
UCP, Universal Commerce Protocol, è un protocollo orientato a standardizzare il percorso commerciale end-to-end, dalla scoperta del prodotto alla considerazione, dall’acquisto al post-vendita. È rilevante negli scenari in cui prodotti, dati e funzioni commerciali vengono resi disponibili all’interno di ecosistemi AI e di e-commerce più ampi, nei quali la relazione con l’utente può essere mediata dalla piattaforma.
Conclusione: il B2B deve prepararsi alla vendita leggibile dagli agenti
L’Agentic Commerce non significa che domani tutti gli acquisti B2B saranno completati autonomamente da agenti AI. Nei settori tecnici, regolati o complessi, è probabile che convivano scenari diversi: ricerca assistita, confronto automatico, raccomandazioni, richiesta preventivo, riordino guidato, acquisto approvato da una persona.
Ma la direzione è chiara.
Una parte crescente del processo di acquisto sarà mediata da sistemi AI capaci di leggere dati, interpretarli, confrontarli e trasformarli in decisioni operative.
Per le aziende B2B questo significa che cataloghi, schede prodotto, documentazione tecnica, dati ERP, listini, disponibilità, storico clienti e API devono essere ripensati come infrastruttura decisionale.
Le aziende che si muoveranno per prime avranno un vantaggio. Non solo perché saranno più visibili agli agenti AI, ma perché potranno iniziare prima a costruire fiducia algoritmica.
Nel commercio digitale tradizionale bisognava conquistare l’attenzione delle persone.
Nel commercio agentico bisognerà conquistare anche la fiducia degli agenti AI.
E questa fiducia si costruisce con dati corretti, completi, aggiornati, accessibili e orientati alla decisione.