
在智能体商业模式下,商品发现将交由 AI 购物智能体完成。最终胜出的零售商,靠的是机器可读的数据和开放的商品目录协议,而不是最大的广告预算。 NIQ 以及正在兴起的 UCP/MCP标准 都指向同一个结论:现在最关键的动作,是扫描你的商品目录、开放标准化端点,并在竞争对手锁定优势之前,先在低风险场景中测试由智能体主导的购买。
要点速览:
- 目前多数品牌的组织方式仍是围绕AI辅助购物建立的,但要转向智能体参与式商业,就必须开放标准化的商品目录端点,并提供结构化、机器可读的数据。
- 要建立信任,透明度和人工接管控制至关重要,因为消费者在给予智能体对交易的完全自主权之前,希望先看到清晰明确的政策。
- 应优先修复商品目录数据,并开放兼容UCP/MCP的协议,确保AI购物智能体能够有效发现并获取你的商品。
- 自主补货和实时库存数据将成为竞争优势的关键,尤其对于快消品以及小而灵活的品牌更是如此。
- 现在就运行一次发现可索引性扫描,并在低风险品类中试点由智能体主导的购买,是理解并适应未来AI主导购物的关键步骤。
AI 购物的未来是什么?智能体商业的三个层级
零售领导者需要先建立一套统一术语,才能明确优先级,因为“AI 购物”实际上涵盖了技术成熟度不同的三个层级,每个层级的影响和风险都不同。
AI 辅助购物 仍是大多数零售商目前所处的阶段。消费者使用聊天机器人或搜索工具研究选项,然后点击进入网站,手动比较并购买。AI 参与决策,但不介入交易。
AI 介导购物 则更进一步。助手会跨多个网站比较商品、汇总评价,并推荐具体 SKU,但最终仍由消费者自行完成结账。这也是当前大量 ChatGPT 和 Gemini 购物流量所在的阶段:高意向、已完成预筛选的访客,在进入网站前通常已经倾向于某个商品。
智能体商业 才是真正改变一切的层级。在这一阶段,自主智能体会代表消费者搜索、比较、议价并完成购买,通常依据用户预先设定的预算或规则执行。NIQ 在 2026 年的研究指出,大多数品牌目前仍只围绕第一层级组织业务,这会导致当智能体而非人类开始主导商品发现时,它们在结构上变得不可见。
贯穿这三个层级的行为变化核心是“委托”,而不是“自动化”。消费者不是要求软件更快完成杂务,而是将日常、低风险购买中的判断权交给系统,这涉及完全不同的信任机制。预计大多数零售商会在下一个规划周期内从第一层级进入第二层级,而智能体自主结账会率先出现在消耗品和重复购买品类中。

AI 购物已开始影响收入的七个场景
其中一些应用场景已经开始带来可量化销售额。另一些仍处于早期阶段,但方向已经足够明确,继续等待并不是中立选择。
- AI 对话式推荐 消费者向 ChatGPT 或 Perplexity 咨询某类商品时,模型会根据商品信息对隐含问题的回答能力来推荐品牌。
- 视觉与多模态搜索 消费者上传照片或截图后,智能体会将其与商品目录属性进行匹配,而这只有在相关属性以结构化形式存在时才可实现。
- 自主补货 消耗品(如咖啡、补充剂、清洁用品)的订阅与复购流程,是全面智能体结账风险最低的切入点。
- 智能体发起的价格与库存检查 智能体越来越多地会在多个零售商之间查询后再做决定,相当于代表消费者实时进行比价。
- 库存驱动的个性化 动态组合推荐与替代商品推荐会根据智能体当前确认的实时库存变化,而不是依据昨天静态数据源中声明的数据。
- 面向智能体的促销与测试 品牌开始专门为智能体评估设计优惠活动,与面向消费者的折扣营销区分开来。
- LLM 广告位 AI 回答中的赞助曝光形式正在出现,但具体机制仍由平台自身定义。
Similarweb 的 2026 电商数据 发现,在同一品类中,被 AI 推荐的品牌相比未被推荐的竞品,通常可获得约两倍优势。同时,消费者倾向于将 AI 工具与传统搜索结合使用,而不是彼此替代。当前最关键的追踪指标,是来自智能体引荐会话的“商品目录到结账”转化率,但大多数分析系统尚未单独区分这类数据。
先修复商品数据与商品目录协议
在任何智能体功能生效前,AI 模型必须能够读取并信任您的商品数据。这意味着需要从面向人类编写的营销文案,转向无需猜测即可解析的属性信息:成分、精确规格、变体 ID、尺码表、库存状态等。
决定智能体能否发现您的三个技术优先事项包括:
- 结构化、机器可读的属性 NIQ 的分析 将其视为基础竞争护城河:内容需要让模型理解商品是什么、适合谁,而不是仅面向人类读者的说服性文案。
- UCP catalog.search 与 catalog.lookup 这些标准化能力允许智能体通过 manifest 和 API 发现与获取商品,而不是抓取您的商品页面;同时, UCP 官方文档 确认 catalog lookup 可以直接将变体 ID 传递到结账流程,这意味着智能体甚至可能完全不访问您的 PDP 页面。
- 通过 /.well-known/ucp 暴露的 MCP 绑定 这是智能体寻找的互操作性信号。UCP 的 MCP 规范定义了必需的 JSON-RPC 工具、响应 schema 与一致性规则,用于判断您的商品目录能否顺利集成,还是会被直接跳过。
提示: 在进行任何其他工作前,先做一次商品发现可索引性检测。如果现在无法明确说明有多少 SKU 已具备完整属性且可被机器读取,那么您的优化实际上是在“盲调”。
接近 74% 的消费者已经在某种形式上使用 AI 进行商品发现,这意味着今天缺少结构化属性的 SKU 已经在失去可见性,而不只是面临未来风险。未来应将商品发现可索引性、响应延迟和 schema 验证通过率作为核心运营 KPI。类似 ecentic 商品信息优化 这样的工具,可以帮助识别 SKU 级别缺失的属性。
建立信任:权限、覆盖机制与透明度
消费者不会在第一天就把支付权限完全交给智能体,而且他们也不该这么做。 Checkout 指出了一个明显的信任缺口:消费者希望具备覆盖触发机制,以及透明的取消与退货政策,之后才会愿意授予智能体完整支付权限。
弥合这一缺口的 UI 模式,其实已经能从其他自动化系统中看到:限制支出的规则预设、解释智能体为何选择某件商品的可解释摘要,以及在超过设定阈值时引入人工介入。那些提前建立这些保护机制的品牌,通常比在出现负面事件后才补上的品牌更快获得信任。Accenture 2026 年消费者脉搏调查显示,虽然 74% 的消费者愿意让 AI 智能体处理部分任务,但目前只有极少数人愿意在低风险购买中完全放权。推动这一数字增长的关键,不只是能力,更是透明度。
零售领导者本季度应启动的六个步骤
这一切并不需要一个持续数年的转型计划,而是需要合理排序。
- 进行商品发现可索引性检测 在基于数据构建任何新能力之前,先找出并修复缺失属性和不完整的变体覆盖问题。
- 开放 UCP 商品目录搜索与查询能力,并在 /.well-known/ucp 公布您的 MCP 可用性,让智能体无需定制集成即可发现您。
- 自动化模型重新扫描测试 Columbia Business School 的 ACES 实验 发现,不同模型偏好的属性与展示位置并不相同,而且一次模型更新就可能在一夜之间重排市场份额。保留带版本的日志,才能在变化发生时看清趋势。
- 在低风险品类试点智能体购买 例如杂货或消耗品,同时提供明确的覆盖流程,确保消费者始终保有控制权。
- 将对话份额、智能体转化率与商品目录到结账转化率纳入监测 ,作为长期仪表盘指标,而不是一次性报告。
- 协调数据工程、产品与法务团队 ,在试点扩大之前统一智能体策略,而不是等到之后再处理。
提示: 先从一个场景开始,而不是五个。相比大规模铺开,一个在低风险品类中具备完整监测能力的试点,更能帮助您理解智能体行为。
这一排序方式符合 NIQ 行业分析中的建议,即优先围绕具体用例推进,而不是先进行大规模、无方向的数据清理。若想深入了解智能体实际如何评估商品信息,请参阅 AI 购物智能体如何推荐商品.
从模拟视角看 AI 可见性缺口
要诊断智能体可见性缺口,需要模拟多个模型实际如何评估商品信息,因为 ChatGPT、Gemini、Claude 与 Perplexity 对属性的重要性判断并不相同。运行这类对比可以发现单模型检测完全无法识别的模型偏好差异。
这类扫描的典型发现,通常集中在几个反复出现的问题上:
- 缺失或不完整的属性,导致智能体无法有把握地将查询匹配到特定 SKU
- 商品页面、feed 与智能体实际获取的结账数据之间存在声明不一致
- SKU 级别的可见性缺口,即某个变体排名很好,而几乎相同的另一个变体却表现不佳
Ecentic 的方法会将这些诊断结果直接关联到修复动作,并将修正后的商品信息重新发布回 Shopify 或 WooCommerce,而不是只留下一个静态报告。
智能体 AI 如何重塑零售商业模式与供应链
由智能体介导的商品发现,改变了“赢得客户”的定义。当智能体能在几毫秒内跨零售商比较商品时,依赖广告覆盖建立的品牌忠诚度,开始不如您的数据是否能精准回答智能体查询更重要。这会让营销预算从广泛品牌曝光,转向看似不起眼但关键的商品目录治理工作。
供应链影响也会紧随其后。自主补货与库存驱动的个性化意味着,零售商需要通过智能体查询的同一套协议暴露实时库存准确性,因为一旦智能体推荐缺货商品,就会立刻损害消费者以及运行该智能体的平台对其的信任。拥有干净、实时库存 feed 的零售商,相比仍按天批量更新库存的企业,将获得结构性优势。
规模较小但灵活的品牌已经开始利用这种变化获益。NIQ 的研究发现,在快速变化的品类中,敏捷挑战者正在扩大市场份额,原因正是它们能比受传统内容流程束缚的大型企业更快调整商品数据。预计采购与商品运营团队会开始将数据结构视为供应链资产,而不是营销附属工作;同时,在智能体高度按价格优化的品类中,利润压力也会增加。

智能体介导市场中的隐私与伦理
将购买决策交给 AI 智能体,会带来超出便利性本身的问题。一个负责推荐的智能体,需要一定程度访问消费者偏好、预算与购买历史,而这些数据如何在零售商之间存储、共享与复用,目前主要仍处于政策未明确、而非技术未成熟的状态。
核心伦理矛盾在于公正性。消费者默认智能体推荐的是最适合自身需求的商品,而不是付费获得曝光的位置。随着 LLM 广告形式逐渐出现,零售商与平台提供方需要为 AI 回答中的赞助推荐建立明确披露标准,否则可能重演网红营销早期因未披露赞助关系而导致的信任流失。
“委托”本身还存在一个更隐蔽的风险。当消费者设定预算上限,并让智能体处理复购时,他们实际上是在信任智能体对替代商品、价格变化与购买时机的判断。为智能体结账设计系统的零售商,需要考虑如何优雅地处理失败,而不仅仅是成功交易。这意味着消费者应能按需查看清晰日志,了解智能体做出了哪些决策,以及原因是什么。
消费者行为的下一步走向
最持久的行为变化,不会是消费者用 AI 替代搜索,而是同时使用两者。Similarweb 的数据已经显示出这种叠加模式:AI 推荐会触发传统搜索,以便消费者在购买前进行验证。
预计“委托”会按品类逐步扩展,先从消耗品和可预测的重复购买开始,随后只有在信任基础设施成熟后,才会进入高考虑度商品。年轻、原生数字化消费者可能会比年长群体更快接受委托,但所有群体最终的决定因素,都将是智能体的推理过程是否可见,以及其行为是否可撤销。
监管规则仍在形成中
智能体商业的发展速度,已经超过了相关法律框架的完善速度。责任归属问题正处于这一缺口的核心:如果自主智能体完成了一笔消费者未明确批准的购买,或者因指令模糊而买错商品,责任可能落在平台、零售商、智能体开发者或消费者自身身上,具体取决于司法辖区以及仍在制定中的合同条款。
多个市场的消费者保护机构已经开始依据现有电商与数据保护法规审视智能体交易,但截至 2026 年,专门针对 Agentic Commerce 的监管体系仍基本未形成。零售商不应等待监管明确后才构建覆盖机制与透明功能。这些保护措施不仅符合消费者信任研究,也符合监管可能的发展方向,因此无论从哪个角度看,都是低风险投入。
作者观点:现在就选择一个具备防御性的角色
零售商总在问,应该先做哪个智能体功能。问题问错了。真正应该问的是:哪个单一场景,在做好之后,最能帮助您理解智能体究竟如何评估您的商品目录。先从小范围开始,对所有环节进行监测,并避免因过度适配某个模型特性而被平台锁定。开放协议路线前期需要更多纪律性,但一旦模型更新重排格局,就会立即显现价值。那些将数据结构视为长期能力,而非一次性项目的企业,在规则再次变化时依然能够保持可见。
— Xhurian
像 AI 智能体一样查看您的商品信息
ecentic 能直接提升智能体可见性,这是通用 SEO 工具和文案服务无法做到的,因为它会精确模拟 ChatGPT、Gemini、Claude 与 Perplexity 如何评估您的商品目录,并直接发布修复结果,而不是只给您一份需要自行解读的报告。

一次扫描仅需几分钟,即可显示 AI 智能体今天会推荐哪些 SKU、跳过哪些 SKU,以及原因是什么,精确到缺失属性或不一致声明。您可以通过一键发布直接修复 Shopify 或 WooCommerce 中的问题,然后通过持续重新扫描,跟踪模型更新后商品选择率是否仍然稳定。方案起步于 Compete,每月 $14.90,针对不断扩大的商品目录,还可升级至 Scale 与 Dominate;如果想先了解缺口,再决定是否投入,也可以先进行一次免费入门扫描。先在一个商品品类试点,看看扫描结果,再决定后续方向。立即开始 免费扫描 ,准确了解您的商品信息当前表现。
参考来源
若想进一步深入技术与战略层面的后续研究,可参考 NIQ 关于消费者采纳智能体商业的简报、UCP/MCP 协议要求规范、Columbia Business School 关于模型行为的智能体实验,以及 Accenture 关于委托趋势的 Consumer Pulse。若想查看实施示例,可参阅这份 电商 AI 供应商指南.
FAQ
什么是 Agentic Commerce?
智能体商业指 AI 智能体代表消费者搜索、比较并完成购买,通常会遵循预设预算或规则。它不同于 AI 辅助购物,后者仍由人类完成最终点击与下单,这一点在 NIQ 2026 年的研究中已有说明。
零售行业中哪些岗位最不容易被 AI 取代?
那些依赖复杂判断、线下执行与信任建立的岗位,通常更具抗 AI 替代能力,包括处理异常情况的供应链策略岗位、解决复杂客户问题的门店服务专家,以及决定智能体可访问哪些信息的数据治理岗位。相对而言,常规商品目录维护与基础客服岗位更容易被自动化取代。
AI 讨论中的“30% 规则”是什么?
目前并不存在一个与 AI 购物或智能体商业直接相关、被普遍认可的“30% 规则”;这个说法在不同语境下被宽泛使用。其定义差异很大,因此在无法追溯到一手来源之前,引用具体数字可能具有误导性。对此类规则应保持谨慎。
如何判断我的商品数据是否已适配 AI 智能体?
进行一次商品发现可索引性检测,查看有多少 SKU 拥有智能体可解析的完整结构化属性。类似 ecentic 商品信息优化 这样的工具,可以模拟多个 AI 模型如何读取您的商品目录,并标记具体缺口。
开始使用 ecentic 需要多少钱?
ecentic 提供免费入门扫描,付费方案从 Compete 的每月 $14.90 起。针对需要更大商品目录覆盖范围的团队,Scale、Dominate 以及基于 AI 归因订单的按量付费选项,也已在定价页面列出。