Agentický commerce: jak připravit produktová data pro AI nákupní agenty

Tento článek spadá do pilíře Produktové feedy a je určen feed manažerům, provozním specialistům a technickým vedoucím e-shopů, kteří chtějí pochopit, co agentický commerce prakticky znamená pro jejich datové výstupy. AI nákupní agenti už dnes fungují v uzavřených ekosystémech a během roku 2026 se rozšíří do otevřeného webu. To, zda váš produkt agent doporučí, závisí mnohem víc na kvalitě strukturovaných dat než na vizuálu produktové stránky. V následujících sekcích rozebereme, jak AI agenti zpracovávají produktová data, které atributy jsou pro ně kritické, jak rozšířit stávající feedy o sémantickou vrstvu, jakou roli hraje konzistence dat a jak celý proces auditovat.

AI nákupní agenti neprocházejí e-shop jako člověk. Nečtou marketingový text, nehodnotí grafiku, nescrollují stránkou. Pracují s datovými strukturami. Parsují feedy, čtou schémata, porovnávají atributy. Pokud vaše produktová data nejsou strojově čitelná, úplná a konzistentní, agent váš produkt buď přeskočí, nebo ho zařadí do špatného kontextu. Výsledek je stejný: ztráta prodeje.

Co jsou AI nákupní agenti a proč na nich záleží

AI nákupní agent je software, který na základě požadavku zákazníka autonomně vyhledá, porovná a doporučí produkt. Zákazník řekne "potřebuji běžecké boty na asfalt, neutrální pronace, do 3 000 Kč" a agent projde dostupné zdroje, vyhodnotí relevanci a vrátí konkrétní doporučení. Na rozdíl od klasického vyhledávače agent nevrací seznam odkazů, ale výsledek rozhodovacího procesu.

Pro e-shop to znamená zásadní posun. Dosud jste soutěžili o pozornost zákazníka na stránce výsledků. Teď soutěžíte o to, zda agent vůbec vaše data zpracuje a vyhodnotí jako relevantní. Pokud váš feed neobsahuje atribut "typ pronace" nebo "povrch", agent nemá na čem rozhodovat a produkt vyřadí.

Odhaduje se, že do konce roku 2027 projde přes AI agenty 15 až 25 procent nákupních rozhodnutí v kategoriích elektronika, sportovní vybavení a domácí potřeby. Připravit se dnes znamená mít konkurenční výhodu za 12 měsíců.

Jak agenti zpracovávají produktová data

Pochopení mechanismu je předpoklad pro správnou přípravu dat. AI agent typicky postupuje v pěti krocích.

Prvním krokem je získání dat. Agent stáhne feed nebo přistoupí k API. Pokud feed není dostupný v očekávaném formátu, agent přejde k dalšímu zdroji. Druhý krok je parsování struktury. Agent identifikuje elementy, mapuje je na interní ontologii a validuje datové typy. Třetí krok je extrakce atributů. Agent vytáhne klíčové parametry: cenu, dostupnost, technické specifikace, kategorizaci. Čtvrtý krok je sémantické porovnání. Agent porovná extrahované atributy s požadavkem zákazníka a vyhodnotí shodu. Pátý krok je ranking. Agent seřadí relevantní produkty podle míry shody, důvěryhodnosti zdroje a dalších signálů.

V každém z těchto kroků může váš produkt vypadnout. Feed není dostupný? Krok jedna, konec. Atributy jsou v nestandardním formátu? Krok dva, chyba parsování. Chybí klíčový parametr? Krok čtyři, nízká shoda.

Kritické atributy pro AI agenty

Ne všechny atributy mají pro agenta stejnou váhu. Na základě analýzy dostupných dokumentací a chování existujících agentických systémů lze rozlišit tři úrovně.

Povinné atributy jsou ty, bez kterých agent produkt zcela ignoruje: unikátní identifikátor (GTIN, EAN, MPN), název produktu, cena s měnou, dostupnost (in stock / out of stock / preorder), kategorie dle standardní taxonomie, URL produktové stránky, URL obrázku.

Rozhodovací atributy jsou ty, které agent používá pro porovnání s požadavkem zákazníka: technické parametry specifické pro kategorii (rozměry, hmotnost, výkon, materiál, kompatibilita), značka, model, varianta (barva, velikost), hodnocení a počet recenzí, dodací lhůta a náklady na dopravu.

Kontextové atributy zvyšují pravděpodobnost doporučení, ale nejsou eliminační: textový popis produktu, kategorie použití (indoor/outdoor, sezóna), certifikace a standardy, energetická třída, záruční podmínky, příslušenství v balení.

Validátor feedu, který nabízíme v sekci Nástroje, dokáže zkontrolovat přítomnost povinných atributů. Pro rozhodovací a kontextové atributy je potřeba provést manuální audit podle kategorií.

Rozšíření stávajících feedů o sémantickou vrstvu

Většina českých e-shopů provozuje feedy pro Heureku, Zboží.cz a Google Merchant Center. Tyto feedy obsahují základní strukturu, ale pro AI agenty nestačí. Chybí sémantická vrstva, tedy metadata, která strojům umožní pochopit, co daný atribut znamená v kontextu.

Prakticky to vypadá takto. Stávající feed obsahuje element <PARAM name="Materiál">polyester</PARAM>. Agent vidí řetězec "polyester", ale neví, zda jde o materiál vnější vrstvy, podšívky, nebo výplně. Sémanticky rozšířený feed by obsahoval strukturu, kde je jasně specifikováno: materiál vnějšku je polyester, materiál podšívky je mesh, materiál podrážky je guma.

Jak to implementovat, aniž byste rozbili stávající feedy pro srovnávače?

Doporučený postup je vytvořit separátní feed ve formátu JSON-LD nebo rozšířený XML feed s vlastním namespace, který doplní stávající feedové výstupy. Tento feed slouží výhradně pro agentické systémy a neovlivňuje data odesílaná na Heureku nebo Zboží.cz. V pilíři Produktové feedy popisujeme správu více feedových výstupů z jednoho datového zdroje. Spojování a transformace dat z více zdrojů řeší i článek o importu dodavatelských feedů.

Konzistence dat: tichý zabiják agentického rankingu

AI agent porovnává produkty z různých zdrojů. Pokud jeden zdroj uvádí hmotnost v gramech a druhý v kilogramech, agent musí konvertovat. Pokud jeden zdroj uvádí barvu jako "tmavě modrá" a druhý jako "navy", agent musí normalizovat. Každá taková konverze zvyšuje pravděpodobnost chyby a snižuje důvěryhodnost dat.

Konzistence dat má tři dimenze. Vnitřní konzistence znamená, že všechny produkty ve vašem feedu používají stejné jednotky, formáty a pojmenovací konvence. Pokud máte 200 produktů s hmotností v gramech a 50 v kilogramech, máte problém. Mezizdrojová konzistence znamená, že data ve vašem feedu odpovídají datům na produktové stránce, v ERP a v dalších výstupech. Pokud feed říká "skladem" a stránka "na objednávku", agent vás penalizuje za nespolehlivost. Časová konzistence znamená, že data se aktualizují ve všech kanálech současně. Pokud změníte cenu v ERP a feed se aktualizuje za 6 hodin, máte 6hodinové okno, kdy agentovi podáváte nesprávnou informaci.

Pro kontrolu konzistence napříč feedy doporučujeme pravidelné porovnání výstupů. Nástroj Taxonomie produktů pomáhá udržet jednotnou kategorizaci. Obecná doporučení pro údržbu dat najdete v technické metodice.

Audit připravenosti na agentický commerce

Než začnete rozšiřovat feedy, proveďte audit stávajícího stavu. Následující checklist pokrývá klíčové oblasti.

Pokud splňujete 7 a více bodů, máte dobrý základ. Pod 5 bodů doporučujeme začít s čištěním dat dřív, než investujete do sémantického rozšíření. Nástroj Marketplace Readiness nabízí rychlou kontrolu připravenosti dat pro různé kanály.

Praktický implementační plán

Přechod na agenticky připravené feedy nemusí být jednorázový projekt. Rozložte ho do čtyř fází.

Fáze 1 (týden 1 až 2): Audit a čištění. Proveďte audit podle checklistu výše. Opravte konzistenci jednotek, doplňte chybějící identifikátory, sjednoťte pojmenování parametrů. Tuto fázi zvládne jeden feed manažer.

Fáze 2 (týden 3 až 4): Rozšíření atributů. Doplňte rozhodovací atributy pro vaše hlavní kategorie. Začněte u 20 procent sortimentu, který generuje 80 procent tržeb. Pro každou kategorii definujte seznam povinných rozhodovacích atributů.

Fáze 3 (týden 5 až 8): Sémantická vrstva. Vytvořte JSON-LD feed nebo rozšířený XML s explicitním pojmenováním parametrů. Implementujte schema.org markup na produktové stránky. Propojte feed s crawlovacím endpointem pro agenty.

Fáze 4 (průběžně): Monitoring a iterace. Sledujte, zda se vaše produkty objevují v odpovědích AI asistentů. Měřte konverze z agentického provozu (jakmile budou analytické nástroje dostupné). Pravidelně revidujte úplnost atributů.

Celý proces nevyžaduje nový technologický stack. Jde o práci s existujícími daty, jejich obohacení a zpřístupnění ve formátech, které AI agenti dokáží zpracovat. Základ je v kvalitě produktových feedů, nadstavba v sémantice.

Na co se připravit v dalších měsících

Trh s AI nákupními agenty se vyvíjí rychle. Google, OpenAI, Perplexity i menší hráči testují agentické nákupní funkce. Pro české e-shopy jsou relevantní především tři trendy.

Za prvé, srovnávače budou pravděpodobně fungovat jako zprostředkovatelé pro agenty. Heureka a Zboží.cz mohou nabídnout agentické API, které bude čerpat z feedů, jež jim už dnes posíláte. Kvalita těchto feedů se tak stane ještě důležitější.

Za druhé, marketplace platformy jako Alza, Mall nebo Kaufland mají vlastní datové struktury, které se liší od srovnávačových feedů. Příprava na agentický commerce znamená i zajištění konzistence dat napříč všemi kanály. Téma marketplace readiness podrobněji rozebíráme v sekci Marketplaces.

Za třetí, AI popisy produktů generované z kvalitních dat zvyšují pravděpodobnost, že agent správně pochopí kontext produktu. Pokud váš popis obsahuje klíčové parametry ve strojově čitelné formě, agent ho může použít jako doplňkový signál. Návod na generování kvalitních AI popisů najdete v případové studii.

Připravit se na agentický commerce neznamená revoluci ve vaší infrastruktuře. Znamená to udělat důsledně to, co by mělo být standardem už dnes: mít kompletní, konzistentní a strojově čitelná produktová data.