Agentna trgovina (agentic commerce) je pomak od AI koji samo preporučuje proizvod prema AI koji pokreće samu transakciju. Naime, sustav provjerava dostupnost u stvarnom vremenu, sastavlja košaricu, primjenjuje odgovarajuću cijenu i dovršava plaćanje unutar granica koje tvrtka unaprijed postavi. Trenutni tijek plaćanja unutar OpenAI-ja zahtijeva, primjerice, da kupac potvrdi svaki korak. Googleov Agent Payments Protocol ide, s druge strane, korak dalje: podržava i delegirane kupnje, pri čemu agent može djelovati bez novog odobrenja čim korisnik unaprijed ovlasti trgovca, limit potrošnje, vremenski okvir i druge uvjete. Unatoč toj razlici, oba pristupa i dalje predstavljaju značajan pomak u odnosu na obični widget s preporukama. eMarketer procjenjuje da će AI platforme u 2026. generirati 20,9 milijardi dolara maloprodajne potrošnje u SAD-u, odnosno gotovo četiri puta više nego 2025.
Ako vodite maloprodajnu platformu, komercijalni backend ili bilo što povezano s naplatom, agentna trgovina je već stigla, čak i uz ljudsku potvrdu većine narudžbi. Zapravo, pravo je pitanje uže postavljeno: mogu li vaši sustavi prepustiti odluku o kupnji softveru koji ne kontrolirate, provjeriti za što je taj softver zapravo ovlašten te i dalje vjerovati ishodu?
Od preporučivača do agentne trgovine
Maloprodajni AI nekad je stao na razini prijedloga. Widget s preporukama prikazao bi proizvod, chatbot bi odgovorio na pitanje, a osoba bi odlučila što slijedi. Danas agentna trgovina uklanja taj posljednji korak, barem u delegiranim scenarijima. Naime, kada kupac unaprijed odobri trgovca, limit potrošnje i vremenski okvir, agentu više ne treba novo odobrenje za svaku rutinsku kupnju: uspoređuje cijene kod različitih prodavača, provjerava odobreni proračun i dovršava transakciju unutar tih granica.
Najnoviji podaci o prometu tvrtke Adobe pokazuju zašto to više nije rubna pojava. Prema izvještaju TechCruncha, promet iz AI izvora prema maloprodajnim stranicama u SAD-u porastao je 393% na godišnjoj razini u prvom kvartalu 2026. Taj se promet u ožujku 2026. konvertirao 42% bolje od uobičajenog prometa, što je potpuni obrat u odnosu na ožujak 2025., kada je AI promet konvertirao 38% lošije. Uz to, ti su posjetitelji iz AI izvora proveli 48% više vremena na stranici i generirali 37% veći prihod po posjetu, a obično dolaze kasnije u procesu odlučivanja nego kupci iz tradicionalnih kanala. Riječ je, doduše, i dalje o AI-potpomognutom istraživanju proizvoda, a ne o potpuno delegiranoj kupnji. Ipak, to pokazuje da se značajan dio kupovnog puta već preselio u AI sučelja, pa trgovci počinju graditi sustave prema toj stvarnosti, umjesto da je tretiraju kao zanimljivost u analitičkoj nadzornoj ploči.
Salesforce je to upravo službeno potvrdio
- srpnja 2026. Salesforce je Agentforce Commerce iz pilot faze prebacio u opću dostupnost. Taj datum vrijedi shvatiti kao signal, a ne samo kao nadogradnju proizvoda. Konkretno, Shopper Agent sada vodi kupca od otkrivanja proizvoda do naplate na vlastitoj trgovčevoj web-trgovini. Nadalje, Buyer Agent obrađuje B2B narudžbe putem WhatsAppa i SMS-a bez potrebe za prijavom na portal, dok Merchant Agent obavlja pozadinski rad na katalogu i promocijama običnim jezikom umjesto sustavom pravila.
Potez oko distribucije važniji je od samog popisa značajki. Naime, Salesforce je potvrdio nativnu integraciju s ChatGPT-om istog mjeseca, a Googleov AI Mode u tražilici i aplikacija Gemini slijede kasnije ovog ljeta. Drugim riječima, AI agent kupca, koji radi unutar sučelja koje trgovac ne posjeduje, može dovršiti kupnju izravno na web-trgovini tog trgovca. Stoga Salesforce ima razlog žuriti: prema vlastitim podacima tvrtke o blagdanskoj sezoni, trgovci koji su pokrenuli vlastite shopper agente ostvarili su rast prodaje 59% brži od trgovaca koji su izostali, a promet iz AI izvora konvertirao je otprilike osam puta bolje od prometa sa društvenih mreža. Kada platforma ovih razmjera isporučuje ovako brzo, fraza “pratimo situaciju” prestaje biti prikladan odgovor.
Dvije strane agentne trgovine: kupnja i maloprodajne operacije
Vlastita podjela Salesforceovih proizvoda dobra je karta za snalaženje ovdje. Konkretno, Shopper Agent radi na strani okrenutoj kupcu (pretraga, košarica, naplata), Buyer Agent obrađuje B2B narudžbe, a Merchant Agent vodi rad na katalogu i promocijama iza kulisa. Zapravo, riječ je o dva različita problema. S jedne strane, agentna trgovina okrenuta kupcu odnosi se na to da kupčev agent pronalazi i kupuje proizvod, i dalje uz korak potvrde u većini tijekova danas. Nasuprot tome, agentne maloprodajne operacije odnose se na to da vlastiti sustavi trgovca autonomno donose odluke o cijenama, zalihama i sadržaju web-trgovine, potpuno bez kupca u tom procesu. Na operativnoj strani najviše su bitna tri obrasca: dinamičko određivanje cijena, autonomne odluke o zalihama i personalizacija web-trgovine na razini pojedine sesije.
Dinamičko određivanje cijena najjasniji je slučaj. Tradicionalni sustav određivanja cijena radi, naime, po fiksnim pravilima: uskladiti se s konkurencijom minus 5%, zadržati minimalnu maržu, otvoriti promotivni prozor prema rasporedu. Nasuprot tome, agentni sustav određivanja cijena kontinuirano optimizira cijenu unutar unaprijed definiranih granica marže, usklađenosti i promocija, koristeći žive signale o konkurenciji, potražnji i zalihama umjesto statičnog skupa pravila.
Kod upravljanja zalihama brojke postaju konkretne, i to je obrazac s najjasnijim dokazima iz stvarne proizvodne primjene. Prema izvještaju Walmarta, njihov sustav Self-Healing Inventory automatski preusmjerava viškove zaliha u trgovine kojima su potrebne, prije nego što višak postane otpis, te je tvrtki do sada uštedio više od 55 milijuna dolara. Uz to, Walmart sada širi sustav izvan SAD-a, u Kostariku, Meksiko i Kanadu.
Personalizirane web-trgovine najmanje su vidljiv obrazac, ali vjerojatno najisplativiji tamo gdje je primijenjen. Agentni sustav, naime, ne radi na temelju unaprijed izrađenih segmenata kupaca. Umjesto toga, preslaguje raspored stranice, redoslijed proizvoda i promotivni sadržaj za svaku sesiju u stvarnom vremenu, a nijedan marketinški stručnjak ne odobrava svaku pojedinu konfiguraciju.
Arhitekturni problem agentne trgovine koji se skriva ispod površine
Većina omnichannel projekata rješavala je problem koordinacije: sinkronizirati košaricu između mobitela i računala, uskladiti akciju u trgovini s akcijom na webu. To je riješeno na razini sučelja. Ipak, backend sustavi ispod toga, poput blagajne, ERP-a, upravljanja skladištem i CRM-a, uglavnom su ostali odvojeni, jer su trebali samo izgledati usklađeno kupcu-čovjeku. Nitko, naime, nije zahtijevao da međusobno komuniciraju u stvarnom vremenu.
Agentna trgovina ruši tu pretpostavku. Agentu koji donosi odluku o cijeni, naime, potrebni su živi podaci o zalihama, dok agentu koji preslaguje web-trgovinu trebaju aktualni podaci o marži po šifri proizvoda (SKU). Kada ti sustavi ne dijele zajednički sloj podataka, agent djeluje na temelju zastarjelih ili nepotpunih informacija, pa pogrešna odluka donesena trenutačno često biva gora od spore.
Unificirana trgovina (unified commerce) uobičajen je arhitekturni odgovor na ovaj problem. Riječ je o zajedničkom, operativnom sloju u stvarnom vremenu koji svakom kanalu daje dosljedan pregled proizvoda, cijena, zaliha, narudžbi i podataka o kupcima. Takav pristup ne zahtijeva uvijek zamjenu svakog backend sustava, no zahtijeva uklanjanje sukobljenih verzija istine među njima. Upravo je to preduvjet koji većina demonstracija dobavljača rješenja za agentnu trgovinu preskače.
Benchmark tvrtke Manhattan Associates za 2026. obuhvatio je više od 400 specijaliziranih trgovaca diljem Sjeverne Amerike, EMEA-e i Latinske Amerike. Prema tim podacima, samo je 7% postiglo status lidera u unificiranoj trgovini, dok je 33% ostalo u osnovnoj kategoriji. Ipak, lideri su ostvarili gotovo dvostruko veću stopu rasta od najmanje zrelih trgovaca. Upravo je taj jaz stvarno usko grlo, a ne izbor AI modela.
Što zapravo koči većinu trgovaca u agentnoj trgovini
Jaz uglavnom nije prvenstveno pitanje proračuna. Naime, većinu trgovaca koče infrastrukturne odluke donesene prije pet do deset godina, odluke koje su u to vrijeme bile posve razumne.
Zastarjeli POS sustavi najčešće su usko grlo, jer su izgrađeni za bilježenje transakcije, a ne za napajanje sloja podataka u stvarnom vremenu. Stoga izvlačenje živih podataka o prodaji iz zastarjelog POS sustava, bez potpune zamjene platforme, obično znači middleware, prilagođene konektore i stalno održavanje. Posljedično, svaki dodatni sloj između izvornog sustava i agenta dodaje kašnjenje i još jednu točku mogućeg kvara.
Fragmentacija podataka drugi je problem: podaci o kupcima nalaze se u CRM-u, zalihe u ERP-u, ponašanje na webu u analitičkoj platformi, a podaci o marži u tablici koju financije ažuriraju mjesečno. Istraživanje tvrtke Commercetools o spremnosti za agentnu trgovinu pokazalo je, primjerice, da 81% trgovaca kaže da problemi s kvalitetom podataka utječu na poslovne odluke barem povremeno: 45% povremeno, 36% često. Zapravo, agent ne može zaključivati na temelju podataka koji nisu povezani. Stoga se objedinjavanje tih podataka mora dogoditi prije nego što bilo koji agent krene u produkciju, a ne poslije.
Treća prepreka dobiva najmanje pažnje: autorizacija. Tko je, primjerice, u organizaciji zapravo odobrio AI sustavu da promijeni cijenu ili otkaže narudžbu prema dobavljaču? Uistinu, u većini tvrtki nitko nije zapisao što agent smije raditi, pod kojim uvjetima i tko to odobrava. Bez toga čak i tehnički sposobni sustavi mjesecima ostaju u pilot fazi, jer nitko ne želi biti osoba koja povlači tu odluku.
Trgovačkom agentu treba više od pristupa API-ju
Dati agentu pristup živom protoku podataka najlakši je dio. Teži dio, onaj koji većina tekstova o agentnoj trgovini preskače, jest naknadno dokazati da je agent učinio samo ono što je smio. Konkretno, to se svodi na četiri stvari.
Identitet: koji je agent uputio zahtjev i u čije ime. Autorizacija: koji limit potrošnje, popis trgovaca ili kategorija mu je dopušten. Zaštitni mehanizmi izvršenja: idempotentnost kako ponovljeni zahtjev ne bi izazvao dvostruku naplatu ili dvostruku narudžbu, limiti potrošnje i mogućnost poništavanja. Revizija: zapis o tome koja je košarica odobrena, po kojem mandatu i s kojim podacima.
Ovo nije teorija. Googleov Agent Payments Protocol gradi, naime, kriptografski provjerljiv lanac između onoga što je kupac tražio, onoga što je odobreno i onoga što je stvarno naplaćeno. Konkretno, Intent Mandate bilježi zahtjev za kupnju i njegove granice, Cart Mandate bilježi točan popis artikala i cijenu, a Payment Mandate prenosi to odobrenje platnoj mreži. Ovisno o tijeku, kupac odobrava u stvarnom vremenu ili unaprijed ovlašćuje agenta da djeluje kasnije unutar tih unaprijed definiranih granica. U svakom slučaju, lanac potpisanih mandata ostavlja revizijski trag: što je zatraženo, što je agent smio kupiti i što je plaćeno.
OpenAI-jev Agentic Commerce Protocol koristi, s druge strane, srodan pristup: OpenAI nikada ne postaje ugovorna strana prodavača. Naime, svaki delegirani token plaćanja ograničen je na točno određeni iznos i rok valjanosti, vezan uz konkretnog trgovca, prije nego što zahtjev uopće vidi trgovčev vlastiti procesor plaćanja. Trgovcima koji grade infrastrukturu za agentnu trgovinu treba, dakle, upravo takav ograničen i evidentiran sloj autorizacije, a ne samo otvoren API. To vrijedi bilo da izlažu svoju web-trgovinu tuđem kupovnom agentu ili vode vlastite agente za cijene i zalihe.
Što nas je naučila izgradnja maloprodajne platforme povezane s POS-om
U ranijoj studiji slučaja opisali smo cjelokupnu izgradnju platforme za angažman kupaca povezane s POS-om, za američki maloprodajni startup s mrežom dilera i partnera. Ukratko, klijent nije imao unificirani sloj podataka, a potpuna zamjena POS sustava nikada nije bila opcija. Upravo je to ograničenje oblikovalo cijeli projekt.
Rješenje nije bila zamjena platforme. Umjesto toga, izgradili smo konektorsku arhitekturu koja je POS podatke prenosila u središnji sloj gotovo u stvarnom vremenu, bez diranja izvornog sustava. Tako su lojalnost, automatizacija recenzija i personalizirane kampanje radile na temelju istih aktualnih transakcijskih podataka.
Izgradili smo je na .NET-u, AngularJS-u, Google Cloudu i Kubernetesu. Naime, taj je stack podržavao multi-tenant postavku koja je mogla rasti kroz partnerske mreže, bez pretvaranja svakog novog klijenta u zaseban inženjerski projekt. Također smo od faze proof-of-concepta ugradili sigurnost usklađenu sa standardom SOC 2, umjesto da je naknadno dodajemo.
Ono što je taj projekt jasno pokazao izravno se odnosi na agentnu trgovinu: djelomična ažuriranja zaliha, kašnjenja u sinkronizaciji POS-a, dva kanala koja istovremeno prikazuju različite brojke. Naime, to su rubni slučajevi u kojima agentni sustavi ili izdrže ili se sruše.
Kada se isti taj konektorski sloj preda vanjskom AI agentu, a ne samo vlastitim nadzornim pločama, pojavljuje se novi popis zahtjeva. Konkretno: strojno čitljiv katalog proizvoda koji agent stvarno može obraditi, krajnja točka za zalihe u stvarnom vremenu umjesto noćne sinkronizacije, ograničena prava pristupa za svakog agenta umjesto jednog zajedničkog API ključa, idempotentan put naplate, definirano rezervno rješenje za slučaj kašnjenja sinkronizacije POS-a te zapisnik svake radnje koju je agent poduzeo i razloga za nju.
Odakle početi ako ne krećete od nule
Trgovci koji su ove godine stvarno napredovali nisu pokrenuli cjelovit program transformacije tvrtke. Umjesto toga, odabrali su uzak opseg, dokazali njegovu vrijednost i tek onda proširili.
Počnite s objedinjavanjem podataka prije nego što dirnete bilo kojeg agenta. Zatim mapirajte koji podaci postoje, gdje se nalaze i što nedostaje. Potom izgradite ili nabavite konektorski sloj koji čini POS, zalihe i podatke o kupcima dostupnima na jednom mjestu. Tretirajte to kao sporiji, manje glamurozan, ali nužan preduvjet, jer to i jest.
Kada je taj sloj stabilan, odaberite najvrjedniji i najmanje rizičan slučaj upotrebe za prvog agenta: dinamičko određivanje cijena u jednoj kategoriji ili nadopunjavanje zaliha vođeno potražnjom za najprodavanijim proizvodima. Zatim jasno ograničite njegov opseg. Uz to, izgradite mogućnost ljudske intervencije prije pokretanja, a ne tek nakon što vas na to prisili neki incident. Naposljetku, testirajte ga na kontrolnoj skupini tijekom 60 do 90 dana i pošteno procijenite rezultat prije širenja.
Gartner procjenjuje da će do kraja 2026. 40% korporativnih aplikacija uključivati integrirane, zadatku prilagođene AI agente, u odnosu na manje od 5% u 2025. Slično tome, Bain procjenjuje da će agentna trgovina do 2030. činiti 15 do 25% ukupne maloprodaje putem interneta u SAD-u, tržište vrijedno 300 do 500 milijardi dolara. Štoviše, globalna procjena tvrtke McKinsey iste godine seže do 3 do 5 bilijuna dolara.
To je puno novca koji juri za problemom koji većina tvrtki još nije riješila. Naime, rad na podacima i upravljanju, obavljen rano i bez puno buke, upravo je ono što razdvaja ta dva ishoda: jedan trgovac uspješno skalira agenta, dok drugi u 2027. objašnjava zašto pilot projekt nikada nije zaživio.
Kako Allmatics pristupa ovome
Naš rad na Web/Mobile Development i AI/ML Development obuhvaća upravo ovaj sloj. Konkretno, to znači konektorsku arhitekturu koja izlaže POS, zalihe i podatke o kupcima u stvarnom vremenu bez prisilne zamjene platforme. Također znači definiranje ovlasti agenta, odnosno razdvajanje onoga što sustav smije predložiti od onoga što smije samostalno izvršiti. Detaljno smo opisali cjelokupnu izgradnju POS maloprodajne platforme ako vam trebaju detalji arhitekture spomenute gore, dok je naš širi pogled na infrastrukturu za maloprodaju i e-trgovinu dobra polazna točka ako ste tek na ranijoj fazi razmišljanja o ovome.
Ako odlučujete gdje bi AI agent trebao stajati unutar vaše maloprodajne arhitekture, tu je odluku jeftinije donijeti dobro tijekom product discoveryja nego je ispravljati nakon što agent već radi na produkcijskim podacima.
Često postavljana pitanja
Što je agentna trgovina? Agentna trgovina je AI u maloprodaji koji djeluje u ime kupca ili tvrtke: uspoređuje opcije, prilagođava cijene, upravlja zalihama ili dovršava kupnju, umjesto da samo preporučuje proizvod za odluku čovjeka. Uz to, zahtijeva pristup podacima u stvarnom vremenu i jasno definirane ovlasti za izvršenje, a ne samo za predlaganje.
Je li agentna trgovina isto što i chatbot za kupovinu? Ne. Chatbot odgovara na pitanja i čeka ljudsku odluku. Nasuprot tome, agentni sustav poduzima sljedeći korak: izvršava promjenu cijene, ponovnu narudžbu ili naplatu, unutar granica koje tvrtka unaprijed definira.
Što treba trgovcu prije uvođenja agenta? Unificirani sloj podataka koji povezuje POS, zalihe i podatke o kupcima u stvarnom vremenu, uzak i jasno definiran prvi slučaj upotrebe te jasno pravilo upravljanja o tome što agent smije raditi bez ljudskog odobrenja. Naime, izostanak objedinjenog sloja podataka najčešći je razlog zašto pilot projekti zastanu.