2026-09-04

Agenci AI w e-commerce: co działa, a co hype (2026)

Agent AI w e-commerce to oprogramowanie, które wykonuje akcję w Twoich systemach — czyta zamówienie, edytuje feed, wystawia zwrot — a nie chatbot, który odpowiada na pytanie i przekazuje sprawę dalej. Zarabia na wąskich, powtarzalnych, weryfikowalnych zadaniach; szerokie wdrożenia typu „autonomia nad wszystkim" to dokładnie te, których anulowania spodziewa się Gartner.

Więc uczciwa odpowiedź na pytanie „agenci AI to realna wartość czy hype?" brzmi: jedno i drugie. A granica między nimi jest ostra. Ten tekst jest filtrem hype'u — pokazuje, gdzie agenci naprawdę zarabiają w operacjach e-commerce, gdzie się wykładają, i jeden zwrot akcji, którego większość właścicieli sklepów jeszcze nie zauważyła: agenci zakupowi AI — łącznie z Asystentem Allegro w ChatGPT — już czytają Twój sklep, niezależnie od tego, czy pod nich budowałeś. Jeśli szukasz przeglądu które narzędzia wdrożyć, mamy osobny materiał: narzędzia AI dla e-commerce. Ten artykuł jest o czym innym — o tym, jak odróżnić agenta od chatbota z nową naklejką.

W skrócie

Agent wykonuje akcję; chatbot odpowiada. Test lakmusowy: czy oprogramowanie potrafi wykonać realną akcję w Twoich systemach i zweryfikować, że się zdarzyła — odczytać zamówienie, wystawić zwrot, poprawić pole — czy umie tylko odpisać tekstem? Wiodące wdrożenia w e-commerce działają na zgłoszeniu, a nie odsyłają do artykułu w centrum pomocy^[1].
Straszny nagłówek nie znaczy tego, co myślisz. Gartner spodziewa się, że ponad 40% projektów agentowej AI zostanie anulowanych do końca 2027^[2] — z powodu kosztów, niejasnej wartości i słabego nadzoru, nie dlatego, że agenci nie działają. To powód, żeby zawęzić zakres, a nie żeby stać z boku.
„Agent-washing" jest wszędzie. Sporo tego, co sprzedaje się jako „agent", to przeklejony chatbot, skrypt RPA albo asystent bez realnej sprawczości^[2]. Pytaj, jaką akcję wykonuje. Jeśli odpowiedź brzmi „odpowiada na pytania", to nie jest agent.
Gdzie się opłaca: wąsko, dużo, weryfikowalnie. Obsługa, która działa; QA katalogu i feedu; stock-ops; monitoring operacji. Autonomiczni agenci obsługi rozwiązują end-to-end mniej więcej 75–80% zgłoszeń — to praktyczny sufit dla e-commerce dziś^[1].
Zwrot akcji: agenci już czytają TWÓJ sklep — i to w Polsce. W badaniu „Omni-commerce 2026" ponad 90% kupujących korzysta z AI podczas zakupów, a 63% pozwoliło asystentom samodzielnie wyszukiwać i proponować produkty^[3]. „Gotowość na agentów" to dziś problem dystrybucji, nie tylko wewnętrznych operacji.

Czym naprawdę jest „agent AI" — a co jest chatbotem z nową etykietą

To słowo robi teraz mnóstwo nieuczciwej roboty — każdy dostawca z chatbotem nakleił na pudełko „agent". Gartner nazwał tę praktykę po imieniu: agent-washing — przebranie istniejących chatbotów, robotyzacji procesów (RPA) i asystentów za „agentów" bez dodania realnej sprawczości^[2]. Zanim ocenisz choćby jedno demo, potrzebujesz definicji, która przetrwa marketing.

Oto ona. Agent AI wykonuje akcję w Twoich systemach i potwierdza wynik. Nie recytuje polityki zwrotów — czyta zamówienie, sprawdza regułę uprawnienia, księguje zwrot i sprawdza, że przeszedł. To cała różnica. Asystent produkuje tekst. Agent produkuje zmianę stanu w systemie, na którym Ci zależy, a potem sprawdza, że zmiana się utrzymała.

Test lakmusowy to nie to, jak mądrze brzmi odpowiedź. To pytanie: czy potrafi wykonać akcję i ją zweryfikować, czy umie tylko odpowiedzieć? Cała reszta to chatbot z lepszym słownictwem.

Puść ten test na wiodących wdrożeniach obsługi w e-commerce — przechodzą. Te, które działają, wykonują realne akcje na zgłoszeniu (czytają zamówienie, wystawiają zwrot, uruchamiają procedurę zwrotu towaru), zamiast odsyłać klienta do artykułu w centrum pomocy^[1]. Puść ten sam test na „agencie AI", którego dostawca demonstrował w zeszłym tygodniu — zwykle oblewa. Klasyfikuje wiadomość, szkicuje odpowiedź, podsuwa link do bazy wiedzy. Wszystko przydatne — żadne z tego nie jest sprawczością. Jeśli człowiek i tak musi pójść i zrobić właściwą rzecz, kupiłeś asystenta w cenie agenta. I różnica nie jest semantyczna: źle nazwany asystent po prostu nie dowozi, ale prawdziwy agent działający bez weryfikacji potrafi wystawić błędny zwrot z prędkością maszyny. Nie da się nadzorować ryzyka, które sam sobie źle opisałeś.

Liczba, która powinna Cię uspokoić: 40% anulowanych

Pewnie widziałeś tę statystykę w wersji straszaka — jako dowód, że agentowa AI to bańka. Przeczytaj ją poprawnie, a mówi coś przeciwnego. Gartner, ankietując ponad 3 400 organizacji w czerwcu 2025, prognozuje, że ponad 40% projektów agentowej AI zostanie anulowanych do końca 2027^[2]. Wymienione przyczyny to rosnące koszty, niejasna wartość biznesowa, niewystarczające kontrole ryzyka oraz — ta cicha — błędne decyzje ludzi o tym, gdzie skierować technologię. Przyczyną nie jest to, że agenci nie działają.

To rozróżnienie to cała gra. Wskaźnik anulowań na poziomie 40% napędzany błędami zakresu i nadzoru to mapa, jak być w tych pozostałych 60%: wybierz zadanie z jasną wartością, kontroluj ryzyko i nie dawaj agentowi uprawnień, których nie umie zweryfikować. Większość anulowanych projektów to będą szerokie zakłady „dajmy agentowi autonomię nad całą funkcją" — ogromna powierzchnia, brak czystej metryki sukcesu, dokładnie ten agent-washing, który od początku obiecywał za dużo.

40%+projektów agentowej AI anulowanych do końca 2027^[2]

3 400+organizacji w ankiecie Gartnera (czerwiec 2025)^[2]

~60%reszta — Twoja szansa, jeśli zakres wąski i mierzalny (nasza teza, nie liczba Gartnera)

Dwie pierwsze liczby to Gartner; „~60%" to nasza interpretacja (dopełnienie 40%), nie ustalenie Gartnera. 40% anulowanych to nie wyrok na technologię — to mapa, jak być w pozostałych 60%. Source: Gartner via MarTech, 2025.

Dane o adopcji opowiadają tę samą historię z innej strony. W badaniu McKinsey zdecydowana większość organizacji używa dziś AI w co najmniej jednej funkcji biznesowej, ale tylko mniejszość zaczęła gdziekolwiek skalować agentów — większość wciąż eksperymentuje^[4]. Kształt jest jednoznaczny: prawie wszyscy próbują, bardzo niewielu to utrwaliło. Nie czytaj „40% anulowanych" jako powodu, żeby czekać. Czytaj jako powód, żeby zawęzić.

Gdzie agenci realnie zarabiają dziś

Cztery zadania. Wszystkie mają to samo DNA: wąskie, wysokowolumenowe, weryfikowalne. Agent robi to samo dobrze zdefiniowane zadanie tysiące razy, a Ty możesz sprawdzić, czy każde wyszło poprawnie. To strefa, w której agent bije człowieka na koszcie i szybkości, a tryby awarii nie robią się przerażające.

Zadanie	Co agent faktycznie robi	Dojrzałość
Obsługa, która działa	Czyta zamówienie, sprawdza regułę, wystawia zwrot, uruchamia procedurę — i weryfikuje, że się zaksięgowało. Nie „oto nasza polityka zwrotów".	Wdrożone. Sufit ~75–80% rozwiązywalności; najlepsze ujawnione DTC ~74–79%^[1]
QA katalogu i feedu	Onboarding produktów, ekstrakcja atrybutów z obrazów, kategoryzacja i korekta błędów — oraz oznaczanie luk, których nie umie rozwiązać, zamiast zgadywania.	Wdrożone. Mocne na dobrze ustrukturyzowanych katalogach^[5]
Stock-ops	Synchronizuje katalog między marketplace'ami w czasie rzeczywistym, prognozuje stany i auto-generuje zamówienia zakupu, żeby ograniczyć oversprzedaż.	Wdrożone. Mniej oversprzedaży i ręcznej synchronizacji^[6]
Monitoring operacji	Pilnuje budżetów, konwersji i anomalii; podnosi alarm (albo wstrzymuje), gdy tylko metryka zjedzie z linii bazowej.	Najbezpieczniejszy start — akcją jest alarm, więc łatwo zweryfikować

Cztery zadania e-commerce, na których agenci zarabiają — wąskie, wysokowolumenowe, weryfikowalne. Źródła podane w wierszach i w pełnej liście na dole.

Obsługa, która działa to okręt flagowy. Najlepsze ujawnione wdrożenia direct-to-consumer rozwiązują end-to-end mniej więcej trzy czwarte kontaktów, przy praktycznym sufcie w okolicy 75–80%^[1]. Kluczowe są słowa „end to end" — agent odczytał zamówienie, podjął decyzję dozwoloną przez politykę, wykonał ją, potwierdził. Nie link do FAQ i zamknięte zgłoszenie.

QA katalogu i feedu to ta cicho świetna rzecz, której nikt nie pokazuje na scenie. Agenci automatyzacji katalogu ogarniają onboarding produktów, wyciągają atrybuty prosto z obrazów, kategoryzują pozycje, poprawiają błędy — i, co kluczowe, oznaczają luki, których nie potrafią rozwiązać, zamiast wypełniać je pewnym siebie bełkotem^[5]. Świetny pierwszy agent właśnie dlatego, że jest niskiego ryzyka i wysokowolumenowy: błędny atrybut koloru wyłapiesz w rewizji, a niczyje pieniądze się nie ruszają, dopóki nie powiesz „tak".

Stock-ops to miejsce, gdzie agent spłaca się w uniknietych stratach. Platformy order-ops synchronizują katalogi między marketplace'ami w czasie rzeczywistym, używają prognozy stanów i automatycznego generowania zamówień zakupu, żeby ograniczyć oversprzedaż^[6]. Jeśli kiedyś sprzedałeś tę samą ostatnią sztukę na trzech kanałach naraz, znasz koszt systemów, które ze sobą nie gadają. Rozłożyliśmy ten konkretny problem na czynniki pierwsze przy okazji reklam wyprzedanych produktów — feed i magazyn rozjeżdżają się dokładnie tam.

Monitoring operacji domyka listę. Agent, który pilnuje budżetów i metryk konwersji i krzyczy w momencie, gdy coś zjeżdża z linii bazowej, to jeden z najbezpieczniejszych agentów, jakich możesz uruchomić — bo jego akcją jest „podnieś alarm", a alarm jest trywialnie weryfikowalny. Wzorzec dla wszystkich czterech jest ten sam: agent wykonuje akcję, a Ty możesz tę akcję sprawdzić. To nie przypadek. To wymóg.

Gdzie się wykładają

Teraz sufit — rzecz, którą deck dostawcy pomija. Agenci go mają, a udawanie, że nie, to sposób, żeby wylądować w tych 40%.

Dla obsługi w e-commerce praktyczny sufit rozwiązywalności siedzi dziś w okolicy 75–80%^[1]. Powyżej tej linii mieszka praca, która potrzebuje człowieka: niejednoznaczny zwrot, wściekła reklamacja, przypadek brzegowy, którego polityka nie przewidziała, cokolwiek nieodwracalnego. Wypchnij agenta do 95% autonomicznych rozwiązań, a nie jesteś ambitny — zmuszasz go do działania na sprawach, których nie umie ocenić, i tak właśnie wystawia się zwrot, którego wystawić nie było wolno. Sufit to nie wada do zaprojektowania na nowo — to granica tego, co da się bezpiecznie zautomatyzować, i szanowanie jej to Twoja robota.

Teraz porównaj, kto ujawnia realne liczby rozwiązań, a kto chowa się za „deflekcją". Najlepsi ujawnieni agenci DTC — ci, którzy działają na zgłoszeniu — publikują rozwiązywalność end-to-end w wysokich 70-tkach.

Edel Optics (agent, który działa)79%

Wilson (agent, który działa)77%

Casper (agent, który działa)74%

Ujawnione wdrożenia DTC, które wykonują akcję na zgłoszeniu — rozwiązywalność end-to-end. Liczby zebrane w JEDNYM benchmarku dostawcy, publikowane przez firmy, nie audytowane niezależnie; słupki skalowane do wartości (maks. = 79%). Source: Aissist e-commerce benchmark.

Boty „deflekcyjne", które za „rozwiązanie" liczą klienta odesłanego do artykułu pomocy, gromadzą się dużo niżej.

Górny kwartyl deflekcji tier-158,7%

Mediana deflekcji tier-1 (międzybranżowo)41,2%

Dół botów deflekcyjnych~25%

Boty deflekcyjne kręcą się w okolicy ~25–55% — i „deflekcja" to nie to samo słowo co „rozwiązanie". Słupki na tej samej skali co wyżej (maks. = 79%) dla uczciwego porównania. Source: Aissist / Zendesk CX Trends 2026.

Zauważ sztuczkę: „deflekcja" i „rozwiązanie" to nie jest to samo. Te boty kręcą się w okolicy 25–55%, przy międzybranżowej medianie deflekcji tier-1 na poziomie 41,2% i górnym kwartylu 58,7%^[7]. Zdeflektowane zgłoszenie to klient odesłany gdzie indziej; rozwiązane jest faktycznie załatwione. Kiedy dostawca cytuje wielki procent automatyzacji, pytaj, co ma na myśli. Jeśli nie chce powiedzieć — zakładaj deflekcję.

Tryb awarii, którego masz się bać: akcja bez weryfikacji. Model, który halucynuje odpowiedź, jest żenujący. Agent, który halucynuje akcję — zwraca pieniądze nie temu klientowi, edytuje cenę nie tego SKU, anuluje nie tę wysyłkę — to realne zobowiązanie, które porusza się z prędkością maszyny. Dlatego „zweryfikuj, że akcja się zaksięgowała" to nie jest opcjonalny szlif. To barierka, która oddziela działającego agenta od raportu z incydentu.

A najszersza porażka to ta, którą liczy Gartner: agent z autonomią nad całą funkcją, bez metryki, bez człowieka na trudnych przypadkach — to nie wdrożenie, tylko nieograniczone zobowiązanie w kostiumie.

Zwrot akcji: agenci już czytają Twój sklep — i to dziś w Polsce

Oto część, której prawie nikt w operacjach nie wycenił: kiedy Ty decydujesz, czy wdrożyć agenta wewnętrznie, agenci już robią zakupy w Twoim katalogu z zewnątrz — i go oceniają. Agenci zakupowi AI w Gemini, ChatGPT Shopping i Perplexity działają jak autonomiczni nabywcy. Odpytują ustrukturyzowane dane i oceniają maszynowo-czytelne katalogi w imieniu kupującego, a potem oddają mu skróconą listę^[8]. To nie scenariusz na kiedyś.

I w Polsce to już realność, nie prognoza. W raporcie „Omni-commerce. Kupuję wygodnie 2026" Izby Gospodarki Elektronicznej ponad 90% kupujących korzysta z AI podczas zakupów, a 63% pozwoliło asystentom — ChatGPT, Gemini, narzędziom Allegro — samodzielnie wyszukiwać i proponować produkty^[3]. To nie garstka early adopterów. To większość Twoich klientów, już dziś.

90%+kupujących korzysta z AI podczas zakupów^[3]

63%pozwoliło asystentom samodzielnie wyszukiwać i proponować produkty^[3]

600 000+osób kupiło z pomocą Asystenta Allegro w pilotażu^[9]

Agentic-commerce w Polsce to teraźniejszość, nie roadmapa. Dane samodeklarowane przez wydawcę raportu i Allegro. Source: Izba Gospodarki Elektronicznej, Omni-commerce 2026; Allegro, 2026.

Allegro nie ogląda tego z boku. Marketplace uruchomił własną aplikację w ChatGPT i asystenta AI; ponad 600 000 osób dokonało zakupu z pomocą Asystenta w okresie pilotażu, a AI ma stanowić około 40% portfela technologicznego Allegro do końca 2026^[9]. Kiedy największy kanał sprzedaży w kraju wpina się w ChatGPT, „czy klienci będą kupować przez asystenta" przestaje być pytaniem. Pytaniem jest, czy Twój produkt w ogóle da się przez tego asystenta znaleźć.

I tu robi się niewygodnie. W jednym audycie produkcyjnym katalogu sklepu na Shopify asystenci zakupowi AI zignorowali ponad 40% asortymentu — nie dlatego, że produkty były złe, ale dlatego, że feed nie miał ustrukturyzowanych atrybutów i stabilnych identyfikatorów, które agent mógłby odczytać^[10]. Agent tych produktów nie odrzucił. On ich nigdy nie zobaczył. To jeden audyt na jednym sklepie w USA, nie prawo natury — ale mechanizm jest ten sam wszędzie, gdzie agent czyta feed. Na Allegro, gdzie liczą się EAN/GTIN i ustrukturyzowane parametry oferty, produkt bez nich jest tak samo trudny do znalezienia dla asystenta.

To sprawia, że gotowość na agentów tnie w dwie strony. Wewnętrznie agent to narzędzie, które wdrażasz. Zewnętrznie agenci to nowy kanał sprzedaży, w którym albo się pojawiasz, albo nie. Produkt z brakującym GTIN, mętnym tytułem i bez ustrukturyzowanych atrybutów jest dziś dosłownie niekupowalny dla rosnącego kawałka popytu — niewidzialny w sposób, którego żaden budżet reklamowy nie naprawi, bo kupującym jest maszyna, która pominęła stronę. Chcesz zobaczyć, jak Twój sklep czyta się dla AI? Do tego jest nasz darmowy checker gotowości na wyszukiwanie AI. Naprawianie feedu pod agentów wewnętrznych i pod zewnętrznych okazuje się niemal tym samym projektem.

Jak zrobić pilota, nie wpadając w te 40%

Nie potrzebujesz strategicznego decka. Potrzebujesz jednej wąskiej wygranej. Oto sekwencja, która trzyma Cię z dala od kolumny „anulowane".

Krok 1 Wybierz JEDNO wąskie, wysokowolumenowe zadanie z jasną metryką. Zgłoszenia „gdzie jest moje zamówienie" (WISMO). QA feedu na nowych SKU. Nie „popraw doświadczenie klienta". Jeśli nie umiesz nazwać metryki, która mówi „zadziałało", wybrałeś złe zadanie: dla WISMO to „% rozwiązanych end-to-end bez dotyku człowieka, cel 70%+, mierzone tygodniowo" — nie „klient czuje się zaopiekowany". I sprawdź, że dane są czyste, zanim zbudujesz na nich agenta — szybki przelot naszym darmowym checkerem trackingu uchroni Cię przed budowaniem agenta na liczbach, które kłamią.

Krok 2 Wymagaj akcji plus weryfikacji, nie samej odpowiedzi. Agent musi potwierdzić, że zwrot się zaksięgował, pole się zaktualizowało, zamówienie zakupu powstało — a potem sam sprawdzić swoją robotę. Wepnij tę weryfikację od pierwszego dnia, nie po pierwszym błędnym zwrocie.

Krok 3 Trzymaj człowieka w pętli na przypadkach brzegowych. Zwroty, reklamacje, cokolwiek nieodwracalnego, cokolwiek powyżej tego, co agent umie sam ocenić^[1]. Agent bierze rutynową większość; człowiek bierze decyzje wymagające oceny. To nie ograniczenie — to projekt.

Krok 4 Mierz rozwiązania, nie deflekcję. Licz zgłoszenia faktycznie rozwiązane end-to-end, nie klientów odesłanych gdzie indziej. Jeśli dostawca raportuje „obsłużone" albo „zdeflektowane", każ mu to zdefiniować. Wielka liczba deflekcji i mała liczba rozwiązań to czerwona flaga, nie wynik.

Krok 5 Rozszerzaj dopiero, gdy pierwszy agent się sprawdzi. Jeden agent, który weryfikowalnie działa, zasługuje na drugiego. Te 40%, które anulowano, próbowały zrobić wszystko naraz. Ci, co przetrwali, dowieźli jedną wąską rzecz, zmierzyli ją i rośli z dowodu — nie z pitcha.

Sekwencja pilota zbudowana tak, żeby zostać poza kolumną „anulowane" — najpierw wąski zakres, dowód przed rozszerzeniem. Pierwsze zadanie wyceluj w najbardziej wolumenową i najłatwiejszą do zweryfikowania pracę.

Jedna zasada ponad resztą: wzrost produktywności jest realny, ale idzie za zakresem — nie zastępuje go. Te dwucyfrowe zyski, które dostawcy uwielbiają cytować, pojawiają się, gdy agent ma domkniętą pracę, którą faktycznie potrafi wykonać. Znikają w chwili, gdy przekroczysz jego granice.

FAQ

Czym różni się agent AI od chatbota?+

Chatbot odpowiada na pytania tekstem. Agent AI wykonuje akcję w Twoich systemach i ją weryfikuje — czyta zamówienie, sprawdza regułę, wystawia zwrot i potwierdza, że zwrot się zaksięgował. Test lakmusowy jest prosty: czy potrafi wykonać akcję i ją zweryfikować, czy umie tylko odpowiedzieć? Gartner nazywa praktykę przeklejania chatbotów, RPA i asystentów na „agentów" bez realnej sprawczości „agent-washingiem". Jeśli oprogramowanie i tak potrzebuje człowieka, żeby zrobić właściwą rzecz, to asystent z lepszą naklejką, nie agent.

Dlaczego 40% projektów agentowych zawodzi?+

Nie dlatego, że agenci nie działają. Gartner prognozuje, że ponad 40% projektów agentowej AI zostanie anulowanych do końca 2027 (na podstawie ankiety 3 400+ organizacji z czerwca 2025), a wymienione przyczyny to rosnące koszty, niejasna wartość biznesowa, niewystarczające kontrole ryzyka i błędne decyzje o tym, gdzie skierować technologię. W praktyce umierają szerokie zakłady „dajmy agentowi autonomię nad całą funkcją" bez jasnej metryki sukcesu i bez barierek. Wąskie, mierzalne wdrożenia — obsługa, która działa, QA feedu, stock-ops — to te, które przeżywają.

Które zadania e-commerce automatyzować agentem najpierw?+

Zacznij od zadań wąskich, wysokowolumenowych i weryfikowalnych. QA katalogu i feedu to świetny pierwszy agent, bo jest niskiego ryzyka: wyciąga atrybuty, kategoryzuje i poprawia błędy oraz oznacza luki, których nie umie rozwiązać, a wszystko idzie przez rewizję, zanim cokolwiek trafi na produkcję. Zgłoszenia „gdzie jest moje zamówienie" to drugi bezpieczny punkt wejścia. Stock-ops — synchronizacja katalogu w czasie rzeczywistym i prognoza stanów, by ograniczyć oversprzedaż — spłaca się w uniknietych stratach. Unikaj startu od zwrotów, reklamacji czy czegokolwiek nieodwracalnego; to potrzebuje człowieka w pętli.

Jaki poziom rozwiązywalności jest realny dla agenta obsługi?+

Autonomiczni agenci obsługi w e-commerce rozwiązują end-to-end mniej więcej 75–80% zgłoszeń — to praktyczny sufit dla tej branży dziś. Najlepsze ujawnione wdrożenia direct-to-consumer rozwiązują około trzech czwartych kontaktów: Edel Optics 79%, Wilson 77%, Casper 74% (liczby samodeklarowane, zebrane w jednym benchmarku dostawcy, nie audytowane niezależnie). Bądź podejrzliwy wobec wyższych obietnic: boty deflekcyjne cytują wielkie liczby „obsłużone", licząc klientów odesłanych do artykułów pomocy, i gromadzą się dużo niżej (mediana deflekcji tier-1 w okolicy 41%). Mierz rozwiązania — zgłoszenia faktycznie załatwione — nie deflekcję.

Czy muszę optymalizować feed pod asystentów zakupowych AI (Allegro/ChatGPT)?+

Coraz bardziej tak. W Polsce ponad 90% kupujących korzysta już z AI podczas zakupów, a 63% pozwoliło asystentom samodzielnie wyszukiwać i proponować produkty; Allegro uruchomiło aplikację w ChatGPT i asystenta AI, z którego pomocą ponad 600 000 osób dokonało zakupu w pilotażu. Agenci zakupowi w Gemini, ChatGPT Shopping i Perplexity działają jak autonomiczni nabywcy odpytujący ustrukturyzowane dane. W jednym audycie produkcyjnym katalogu na Shopify asystenci AI zignorowali ponad 40% asortymentu, bo feed nie miał ustrukturyzowanych atrybutów i stabilnych identyfikatorów. Produkt z brakującym GTIN, mętnym tytułem i bez atrybutów jest praktycznie niewidzialny dla tego kanału — żaden budżet reklamowy tego nie naprawi, bo kupującym jest maszyna, która nigdy nie zobaczyła strony.

Sources

Aissist — E-commerce AI Customer Service Benchmark: praktyczny sufit rozwiązywalności w e-commerce ~75–80%; najlepsze ujawnione wdrożenia DTC ~74–79% end-to-end (Edel Optics 79%, Wilson 77%, Casper 74% — liczby publikowane przez dostawcę/firmy, nie audytowane niezależnie); wiodące wdrożenia wykonują akcje na zgłoszeniu zamiast odsyłać do centrum pomocy. aissist.io
Gartner via MarTech, 2025 — ponad 40% projektów agentowej AI zostanie anulowanych do końca 2027 (ankieta 3 400+ organizacji, czerwiec 2025); przyczyny: rosnące koszty, niejasna wartość biznesowa, słaby nadzór, błędne decyzje ludzi — nie to, że agenci nie działają; „agent-washing" = przeklejanie chatbotów, RPA i asystentów na „agentów" bez realnej sprawczości. martech.org
Izba Gospodarki Elektronicznej — raport „Omni-commerce. Kupuję wygodnie 2026" (Mobile Institute, 1 974 internautów): ponad 90% kupujących korzysta z AI podczas zakupów; 63% pozwoliło asystentom (ChatGPT, Gemini, narzędzia Allegro) samodzielnie wyszukiwać i proponować produkty; blisko połowa firm e-commerce używa AI, w B2B 67%. eizba.pl
McKinsey — The State of AI 2025 (globalne badanie): zdecydowana większość organizacji używa AI w co najmniej jednej funkcji biznesowej, ale tylko mniejszość zaczęła skalować agentów AI (większość wciąż eksperymentuje). mckinsey.com
Odoo PIM — E-commerce AI Agents: agenci automatyzacji katalogu robią onboarding produktów, ekstrakcję atrybutów z obrazów, kategoryzację i korektę błędów oraz oznaczają luki, których nie potrafią rozwiązać. odoopim.com
Energent.ai — AI-Powered E-commerce Order Management: platformy order-ops synchronizują katalogi między marketplace'ami w czasie rzeczywistym oraz używają prognozy stanów i automatycznego generowania zamówień zakupu, by ograniczyć oversprzedaż. energent.ai
Aissist / Zendesk CX Trends 2026 — boty „deflekcyjne" kręcą się w okolicy ~25–55%; mediana deflekcji tier-1 międzybranżowo 41,2%, górny kwartyl 58,7%. aissist.io
UCP Hub, 2026 — Product Feed Optimization for AI Shopping Agents: Gemini, ChatGPT Shopping i Perplexity działają jak autonomiczni nabywcy odpytujący ustrukturyzowane dane i oceniający maszynowo-czytelne katalogi w imieniu kupującego. ucphub.ai
Allegro (media.allegro.pl), 2026 — Allegro uruchomiło aplikację w ChatGPT i asystenta AI; ponad 600 000 osób dokonało zakupu z pomocą Asystenta w okresie pilotażu; AI ma stanowić ~40% portfela technologicznego Allegro do końca 2026; partnerstwo z OpenAI. media.allegro.pl (ChatGPT, ~40% portfela); media.allegro.pl (600 tys.)
Toolient, 2026 — Product Feed Optimization for AI Agents: w jednym audycie produkcyjnym katalogu sklepu na Shopify (USA) asystenci zakupowi AI zignorowali ponad 40% asortymentu, bo feed nie miał ustrukturyzowanych atrybutów i stabilnych identyfikatorów. Pojedynczy przypadek dostawcy, nie badanie niezależne. toolient.com

Back to all posts