Październik 2026 roku przyniósł dwa interesujące materiały pokazujące rozwój handlu wspieranego przez sztuczną inteligencję z odmiennych perspektyw.
Pierwszy to raport HFS Research i EXL „Brands have 24 months to win over the AI shopper”, opublikowany 26 października. Przedstawia oczekiwania, stopień przygotowania i bariery wdrażania agentic commerce wśród amerykańskich przedsiębiorstw.
Drugi to wyniki asystenta zakupowego iZi, opisane 22 października przez Ziarul Financiar. Pokazują skalę wykorzystania działającego rozwiązania AI przez klientów dużej platformy handlowej.
Zestawienie obu źródeł pozwala sformułować istotny wniosek: AI może uczestniczyć w transakcjach o znacznej wartości, ale dopiero analiza inkrementalności i rentowności pozwala ocenić, czy tworzy dodatkową wartość ekonomiczną.
HFS Research: 84% menedżerów oczekuje wpływu agentów AI na przychody
Badanie HFS Research, przeprowadzone we współpracy z EXL we wrześniu 2026 roku, objęło 101 respondentów na stanowiskach kierowniczych w amerykańskich przedsiębiorstwach handlowych i markach konsumenckich.
Wyniki wskazują na dużą rozbieżność pomiędzy oczekiwaniami dotyczącymi agentic commerce a rzeczywistym stopniem przygotowania przedsiębiorstw.
- 84% respondentów oczekuje istotnego wpływu handlu obsługiwanego przez agentów AI na przychody w ciągu 24 miesięcy.
- 68% reprezentowanych organizacji nie ma uruchomionego rozwiązania ani w obszarze własnych agentów zakupowych, ani w obszarze odkrywania ich oferty przez zewnętrzne agenty AI.
- 84% oczekuje wzrostu znaczenia ustrukturyzowanych danych produktowych.
- 53% wskazuje pomiar i atrybucję jako lukę kompetencyjną dostawców i partnerów technologicznych.
- Wśród organizacji posiadających działające rozwiązania 53% zalicza adopcję klientów do trzech największych barier.
- W tej samej grupie 47% wskazuje wśród trzech największych barier niepewność dotyczącą ekonomiki sprzedaży, marż i opłat.
Źródło: HFS Research i EXL, wrzesień 2026, n=101. W przypadku barier po wdrożeniu podstawą jest grupa 32 organizacji z uruchomionym rozwiązaniem na co najmniej jednym z analizowanych obszarów. Respondenci wskazywali trzy najważniejsze bariery.
Oczekiwania nie są wynikami finansowymi
Wyniku 84% nie należy interpretować jako informacji, że agentic commerce zwiększył już przychody 84% badanych przedsiębiorstw. Jest to odsetek menedżerów przewidujących istotny wpływ tej technologii w przyszłości.
Co więcej, sam wpływ na przychody nie musi oznaczać ich wzrostu. Agenci AI mogą zmieniać podział sprzedaży pomiędzy sklepami, zwiększać presję cenową, przesuwać ruch między kanałami albo wpływać na wysokość prowizji płaconych pośrednikom.
Badanie pokazuje przede wszystkim ocenę strategicznego znaczenia technologii i poziom gotowości organizacji. Nie jest eksperymentem mierzącym wzrost konwersji ani analizą rentowności wdrożeń.
Po wdrożeniu problemy technologiczne ustępują biznesowym
Jednym z najciekawszych ustaleń HFS jest różnica pomiędzy przedsiębiorstwami, które uruchomiły już rozwiązania agentowe, a organizacjami pozostającymi na wcześniejszym etapie.
Wśród firm bez działających rozwiązań 46% zalicza nieczytelne dla maszyn dane produktowe do trzech najważniejszych barier. Wśród organizacji z działającymi rozwiązaniami odsetek ten wynosi 19%.
Odwrotna sytuacja występuje przy adopcji klientów. Wskazuje ją 17% organizacji bez wdrożenia i 53% firm posiadających już działające rozwiązanie.
Podobnie jest z ekonomiką sprzedaży, marżami i opłatami: odpowiednio 28% i 47%.
Nie dowodzi to, że samo wdrożenie powoduje zmianę postrzegania barier. Badanie porównuje różne grupy przedsiębiorstw, a nie obserwuje tych samych firm przed uruchomieniem i po uruchomieniu agentów.
Wyniki sugerują jednak charakterystyczną zmianę priorytetów: przed wdrożeniem firmy koncentrują się na gotowości technologicznej, natomiast po uruchomieniu rozwiązania większego znaczenia nabierają jego wykorzystanie przez klientów i opłacalność.
eMAG i iZi: ponad 100 mln lei sprzedaży wspieranej przez AI
Rumuński eMAG przedstawił wyniki pierwszych sześciu miesięcy funkcjonowania asystenta zakupowego iZi. Dane opublikowane przez Ziarul Financiar pokazują, że rozwiązanie osiągnęło znaczącą skalę wykorzystania.
- Ponad 900 tys. osób skorzystało z asystenta w procesie zakupowym.
- Wartość sprzedaży wspieranej przez iZi przekroczyła 100 mln lei.
- Blisko 400 tys. klientów rozpoczynało proces zakupowy bezpośrednio od iZi.
- Z asystentem wszedł w interakcję jeden na sześciu klientów odwiedzających platformę w analizowanym okresie.
- Około 75% pytań dotyczyło konkretnych produktów, a pozostałe 25% rekomendacji zakupowych.
iZi wykorzystuje informacje o rzeczywistych cenach, dostępności produktów i terminach dostawy. Może więc pomagać klientowi nie tylko w porównaniu parametrów, ale również w znalezieniu oferty odpowiadającej bieżącym warunkom zakupu.
Jest to istotna różnica w stosunku do asystenta operującego wyłącznie na ogólnej wiedzy o produktach. Informacja, że dany model jest odpowiedni dla użytkownika, ma ograniczoną wartość zakupową, jeśli system nie potrafi ustalić, czy produkt jest dostępny, ile kosztuje i kiedy może zostać dostarczony.
Co rzeczywiście mówi wynik 100 mln lei?
Wartość sprzedaży wspieranej przez iZi informuje o skali transakcji powiązanych z wykorzystaniem asystenta zgodnie z metodologią stosowaną przez eMAG.
Nie oznacza jednak automatycznie, że bez asystenta transakcje te nie zostałyby zrealizowane.
Klient mógł już planować zakup konkretnego produktu, skorzystać z iZi w celu sprawdzenia kompatybilności, a następnie sfinalizować zamówienie, które prawdopodobnie złożyłby również bez pomocy AI.
Możliwy jest także inny scenariusz. Klient niezdecydowany, który wcześniej opuściłby sklep, dzięki rekomendacji asystenta znajduje właściwy produkt i dokonuje zakupu. W tym przypadku AI mogła rzeczywiście przyczynić się do wygenerowania dodatkowej sprzedaży.
Oba zdarzenia mogą znaleźć się w kategorii sprzedaży wspieranej przez asystenta, choć ich znaczenie ekonomiczne jest zupełnie inne.
W opublikowanych danych eMAG nie przedstawiono eksperymentalnego oszacowania, jaka część sprzedaży wspieranej przez iZi jest sprzedażą dodatkową, która nie wystąpiłaby bez działania asystenta.
Nie podano również odrębnego wyniku finansowego samego iZi, pozwalającego zestawić dodatkową marżę z kosztami funkcjonowania rozwiązania.
Sprzedaż wspierana przez AI a sprzedaż inkrementalna: fundamentalna różnica
W analizie efektywności asystentów zakupowych należy rozdzielić co najmniej cztery pojęcia: sprzedaż wspieraną, sprzedaż przypisaną do kanału, sprzedaż inkrementalną oraz zysk inkrementalny.
Sprzedaż wspierana
Obejmuje transakcje, w których asystent AI uczestniczył na określonym etapie ścieżki zakupowej. Zakres uczestnictwa zależy od przyjętej definicji. Może oznaczać udzielenie odpowiedzi, rekomendację produktu, dodanie produktu do koszyka lub inne zarejestrowane zdarzenie.
Sprzedaż przypisana do AI
To wartość transakcji przyporządkowanych sztucznej inteligencji według wybranego modelu atrybucji, na przykład ostatniego kliknięcia, pierwszego kontaktu albo modelu wielopunktowego.
Model atrybucji ustala zasady podziału zasług za transakcję. Nie odpowiada jednak sam w sobie na pytanie, czy zakup nastąpiłby bez danego kanału.
Sprzedaż inkrementalna
Oznacza dodatkową sprzedaż, która wystąpiła dzięki rozwiązaniu w porównaniu z wiarygodnym scenariuszem bez jego zastosowania.
Właśnie ten wskaźnik pozwala zbliżyć się do odpowiedzi na pytanie o rzeczywisty wpływ AI na wyniki handlowe.
Zysk inkrementalny
To dodatkowy wynik ekonomiczny po uwzględnieniu odpowiednich kosztów zmiennych, kosztów technologii, prowizji, zwrotów i innych skutków wdrożenia.
W praktyce sprzedaż inkrementalna może być dodatnia, a zysk inkrementalny ujemny, jeśli dodatkowe transakcje generują zbyt niską marżę albo wymagają zbyt kosztownej obsługi.
| Wskaźnik | Co pokazuje? | Czego nie dowodzi? |
|---|---|---|
| Sprzedaż wspierana przez AI | Wartość transakcji powiązanych z użyciem asystenta | Że wszystkie zakupy są dodatkowe |
| Sprzedaż przypisana do AI | Wynik według określonego modelu atrybucji | Że AI spowodowała transakcję |
| Sprzedaż inkrementalna | Szacowany dodatkowy efekt sprzedażowy | Że dodatkowa sprzedaż jest rentowna |
| Zysk inkrementalny | Dodatkowy wynik po uwzględnieniu kosztów | Że rozwiązanie będzie równie opłacalne przy większej skali |
Przy interpretowaniu wyników eMAG nie znamy szczegółowej definicji kwalifikowania transakcji do sprzedaży wspieranej przez iZi. Nie można więc utożsamiać tej wartości z przychodem przypisanym w określonym modelu atrybucji ani z wynikiem eksperymentu inkrementalności.
Własny asystent sklepu czy zewnętrzny agent ChatGPT lub Gemini?
Rozwój agentic commerce stawia przed przedsiębiorstwami dwa odrębne wyzwania. Pierwsze dotyczy obsługi klientów, którzy już trafili do sklepu lub aplikacji. Drugie to zapewnienie widoczności produktów dla osób rozpoczynających poszukiwania w zewnętrznych systemach AI.
Własny asystent zakupowy: większa kontrola nad doświadczeniem klienta
Rozwiązanie takie jak iZi działa w środowisku platformy handlowej i może wykorzystywać jej dane operacyjne.
Daje to możliwość powiązania rekomendacji z aktualnym katalogiem, dostępnością, warunkami dostawy i procesem zamawiania. Sprzedawca lub marketplace zachowuje również większą kontrolę nad sposobem prezentacji produktów i analizą interakcji użytkownika.
Ograniczeniem jest zasięg. Własny asystent pomaga przede wszystkim klientom, którzy już znaleźli się w ekosystemie danego sprzedawcy.
Zewnętrzne agenty AI: szansa na nowych klientów i ryzyko utraty kontroli
Inną funkcję pełnią narzędzia takie jak ChatGPT czy Gemini, wykorzystywane przez konsumentów do poszukiwania informacji i porównywania ofert.
Klient może rozpocząć wybór produktu poza sklepem, a do sprzedawcy trafić dopiero na późniejszym etapie procesu zakupowego.
W zależności od możliwości konkretnego systemu agent może jedynie udzielić rekomendacji, przekierować użytkownika do oferty albo uczestniczyć w dalszych czynnościach zakupowych. Nie należy zakładać, że wszystkie systemy oferują taki sam poziom integracji z handlem i płatnościami.
Dla sklepów oznacza to potencjalny dostęp do nowych klientów, ale również większą zależność od zasad wyboru i prezentowania ofert przez zewnętrzne platformy.
Jeżeli agent przedstawia użytkownikowi jedynie kilka propozycji, konkurencja o miejsce na tej krótkiej liście może stać się ważnym elementem strategii sprzedażowej.
Powstają też pytania o dostęp do danych klienta, prowizje, odpowiedzialność za błędne rekomendacje i możliwość pomiaru transakcji.
Dwa modele, dwa różne zadania
| Obszar | Własny asystent sklepu | Zewnętrzny agent AI |
|---|---|---|
| Główne zadanie | Pomoc klientowi w obrębie sklepu | Odkrywanie i porównywanie ofert z różnych źródeł |
| Dane produktowe | Możliwy bezpośredni dostęp do systemów sklepu | Zależność od dostępnych źródeł, feedów i integracji |
| Relacja z klientem | Większa kontrola sprzedawcy | Większa rola pośrednika technologicznego |
| Pomiar | Możliwość szczegółowego śledzenia zdarzeń we własnym środowisku | Często ograniczona widoczność wcześniejszych interakcji |
| Najważniejsze ryzyko | Niska adopcja i koszty obsługi | Zależność od platformy, prowizje i ograniczona atrybucja |
Modele te nie muszą ze sobą konkurować. Własny asystent może poprawiać doświadczenie zakupowe na stronie, a przygotowanie danych dla zewnętrznych agentów zwiększać szanse na odkrycie oferty poza sklepem.
Atrybucja AI: dlaczego samo śledzenie transakcji nie wystarczy?
W tradycyjnym marketingu internetowym przedsiębiorstwa od lat mierzą kliknięcia, źródła ruchu, koszty kampanii i konwersje. Handel wspierany przez agentów AI komplikuje ten obraz.
Użytkownik może rozpocząć rozmowę w zewnętrznym narzędziu, porównać produkty, przejść do sklepu, wrócić następnego dnia bezpośrednio i dopiero wtedy kupić.
Może również skorzystać z asystenta wewnątrz sklepu, mimo że decyzję zakupową podjął wcześniej.
W obu sytuacjach system analityczny może odnotować kontakt z AI, ale nie musi poprawnie ustalić jego rzeczywistego wpływu na decyzję.
Jakie zdarzenia warto mierzyć?
- Wyświetlenie i uruchomienie asystenta.
- Rozpoczęcie rozmowy i liczbę kolejnych interakcji.
- Rodzaj zapytania, na przykład porównanie, kompatybilność lub rekomendacja.
- Wyświetlenie rekomendowanego produktu.
- Przejście na kartę produktu i dodanie go do koszyka.
- Rozpoczęcie oraz zakończenie zakupu.
- Wartość zamówienia, marżę i ewentualny zwrot.
- Koszt obsługi interakcji przez system AI.
Pomiar powinien opierać się na spójnych identyfikatorach sesji, zdarzeń i zamówień, z zachowaniem zasad ochrony danych osobowych. W przypadku zewnętrznych agentów warto rejestrować dostępne informacje o źródle wizyty, oznaczenia kampanii i identyfikatory przekazywane przez integrację, jeśli są dostępne.
Nawet rozbudowany zestaw zdarzeń nie zastępuje jednak badania przyczynowego.
Test A/B i grupa kontrolna: sposób na pomiar inkrementalności
Najbardziej wiarygodnym sposobem oszacowania wpływu własnego asystenta jest eksperyment, w którym porównuje się losowo przydzielone grupy klientów.
Jedna grupa otrzymuje dostęp do asystenta, a druga korzysta ze standardowej wersji sklepu. Pozostałe warunki powinny być możliwie porównywalne.
Następnie mierzy się różnice w konwersji, wartości zamówień, marży kontrybucyjnej i zachowaniu klientów.
Kluczowe jest analizowanie wszystkich użytkowników przydzielonych do grup, a nie wyłącznie tych, którzy zdecydowali się skorzystać z AI. Osoby uruchamiające asystenta mogą różnić się od pozostałych klientów poziomem zainteresowania zakupem.
Porównanie samych użytkowników asystenta z osobami, które go nie użyły, mogłoby więc prowadzić do błędnych wniosków.
W przypadku zewnętrznych agentów losowy eksperyment jest trudniejszy. Można rozważyć testy regionalne, stopniowe udostępnianie integracji albo inne metody quasi-eksperymentalne, ale wymagają one kontroli sezonowości, zmian cen, promocji i pozostałych czynników wpływających na sprzedaż.
Nie należy porównywać wyników uzyskanych w różnych modelach atrybucji tak, jakby były tym samym wskaźnikiem.
Czy asystent AI się opłaca? Koszty, marże, CAC i ROI
Wysoki wolumen sprzedaży wspieranej przez AI może wyglądać imponująco, ale o opłacalności wdrożenia decyduje relacja dodatkowej wartości ekonomicznej do kosztów.
Własny asystent zakupowy może generować wydatki związane z budową i utrzymaniem integracji, wykorzystaniem modeli językowych, przetwarzaniem danych, monitoringiem jakości, bezpieczeństwem oraz obsługą błędów.
Do tego dochodzą koszty organizacyjne: przygotowanie katalogu, testowanie rekomendacji, rozwój interfejsu i praca zespołu odpowiedzialnego za produkt.
W przypadku zewnętrznych platform mogą pojawić się również prowizje, opłaty integracyjne lub inne koszty dystrybucji, zależnie od przyjętego modelu współpracy.
Dlaczego wzrost konwersji nie musi oznaczać wzrostu zysku?
Wyobraźmy sobie hipotetyczny sklep, który dzięki asystentowi AI osiąga dodatkowe zamówienia, ale większość z nich dotyczy produktów o niskiej marży. Jednocześnie część klientów otrzymuje rabaty, rosną koszty obsługi, a niektóre zamówienia są zwracane.
W takiej sytuacji liczba transakcji i przychód mogą rosnąć szybciej niż wynik finansowy. Możliwy jest nawet scenariusz, w którym wdrożenie zwiększa sprzedaż, ale pogarsza rentowność.
Dlatego ocena asystenta nie powinna kończyć się na liczbie rozmów, wartości koszyków czy współczynniku konwersji.
Należy uwzględnić również:
- marżę kontrybucyjną dodatkowych zamówień;
- koszt pozyskania nowego klienta (CAC) i ewentualne oszczędności w innych kanałach;
- koszt obsługi pojedynczej rozmowy oraz jednego zamówienia;
- prowizje i opłaty platformowe;
- koszty płatności, kompletacji, dostawy i obsługi zwrotów;
- kanibalizację sprzedaży, która wystąpiłaby również bez AI;
- wpływ rekomendacji na strukturę sprzedawanych produktów;
- koszty wdrożenia, utrzymania i rozwoju rozwiązania.
Jak obliczyć ROI asystenta zakupowego?
Na potrzeby oceny projektu można zastosować następującą formułę:
ROI = (inkrementalna korzyść ekonomiczna przed kosztami AI – całkowity koszt AI) / całkowity koszt AI × 100%
Przez inkrementalną korzyść ekonomiczną należy rozumieć dodatkową marżę kontrybucyjną i możliwe do wykazania oszczędności, po uwzględnieniu odpowiednich kosztów obsługi zamówień, lecz przed odjęciem kosztów projektu AI.
W kosztach AI powinny znaleźć się wydatki wdrożeniowe przypadające na analizowany okres oraz koszty eksploatacyjne. Trzeba unikać podwójnego uwzględniania tych samych pozycji.
Przykładowo, jeżeli rozwiązanie poprawia wyniki sprzedażowe, ale jednocześnie zwiększa liczbę kosztownych zwrotów, należy uwzględnić oba efekty.
Podobnie ewentualne obniżenie CAC trzeba oceniać na podstawie rzeczywistego kosztu pozyskania dodatkowych klientów, a nie wyłącznie na podstawie przypisania części zamówień do nowego kanału.
Bez takich danych nie można rzetelnie stwierdzić, czy konkretny asystent zakupowy osiągnął dodatni ROI.
Dane produktowe, feedy i API stają się infrastrukturą sprzedaży
W raporcie HFS aż 84% respondentów oczekuje wzrostu znaczenia ustrukturyzowanych danych produktowych. Jest to jedna z najważniejszych wskazówek dla przedsiębiorstw przygotowujących się do rozwoju agentic commerce.
Agent zakupowy musi prawidłowo rozumieć nie tylko nazwę produktu, ale również jego właściwości, warianty, kompatybilność, dostępność i warunki zakupu.
W tradycyjnym sklepie klient może samodzielnie przejrzeć kilka podstron, porównać fotografie i wyciągnąć wnioski z opisów. Agent AI potrzebuje informacji, które można jednoznacznie odczytać i zestawić.
Jak przygotować katalog produktów pod AI?
- Jednoznaczna identyfikacja: SKU, GTIN, marka, model i wariant produktu.
- Kompletne atrybuty: wymiary, materiały, parametry techniczne, kompatybilność i ograniczenia zastosowania.
- Aktualne dane handlowe: ceny, waluty, promocje, dostępność i terminy dostawy.
- Spójność informacji: zgodność danych w sklepie, feedach produktowych i systemach magazynowych.
- Dostępność techniczna: prawidłowo przygotowane dane strukturalne, feedy i interfejsy API, jeśli są wykorzystywane przez dane rozwiązanie.
- Kontrola jakości: wykrywanie nieaktualnych cen, brakujących parametrów, błędnych wariantów i niespójności.
Własny asystent może korzystać z bezpośrednich integracji z systemami PIM, ERP lub bazą produktów. Zewnętrzne narzędzia mogą wykorzystywać inne mechanizmy dostępu do danych, zależnie od platformy i dostępnych integracji.
Nie istnieje jeden uniwersalny feed ani schemat API gwarantujący obecność produktu we wszystkich odpowiedziach systemów AI.
SEO, GEO i AEO: widoczność to nie tylko słowa kluczowe
Rozwój generatywnych wyszukiwarek i asystentów zakupowych zwiększa znaczenie działań określanych jako GEO (Generative Engine Optimization) oraz AEO (Answer Engine Optimization).
W e-commerce oznacza to między innymi tworzenie treści odpowiadających na konkretne pytania zakupowe, poprawne opisywanie cech produktów, publikowanie rzetelnych porównań i udostępnianie danych w formatach możliwych do przetwarzania przez maszyny.
Nie należy jednak traktować GEO jako zamiennika tradycyjnego SEO. Dobrze zorganizowana architektura informacji, dostępność techniczna strony, poprawne indeksowanie i wiarygodne treści pozostają istotne.
Zmienia się natomiast sposób, w jaki informacje mogą docierać do klienta. Część konsumentów zamiast przeglądać wiele wyników wyszukiwania otrzymuje syntetyczną odpowiedź i krótką listę propozycji.
Dla sprzedawcy oznacza to konieczność dbania zarówno o widoczność własnego sklepu, jak i o jakość danych wykorzystywanych w zewnętrznych systemach.
Co wyniki HFS i eMAG oznaczają dla polskich sklepów internetowych?
Przykład eMAG nie jest bezpośrednim dowodem na to, że analogiczne wdrożenie przyniesie takie same wyniki w Polsce. Różnią się skala działalności, struktura klientów, kategorie produktowe i sposób korzystania z platform.
Może jednak wskazywać kierunek rozwoju dużych sklepów i marketplace’ów: od klasycznej wyszukiwarki produktów w stronę systemów umożliwiających zadawanie pytań w języku naturalnym.
W polskim kontekście warto zestawić te obserwacje z wynikami raportu Gemius „E-commerce w Polsce 2026”, opisanymi wcześniej na łamach Marketing i Biznes.
Według tego badania 47% respondentów korzysta z AI w związku z zakupami internetowymi, ale 71% nie chce powierzać sztucznej inteligencji samodzielnego wyboru i zakupu nawet artykułów codziennego użytku.
Wskaźniki te mają inne podstawy i metodologię niż dane eMAG. Nie można ich bezpośrednio porównywać jako miar adopcji tego samego rozwiązania.
Pokazują jednak istotne napięcie: konsumenci mogą chętnie korzystać z AI jako doradcy, nie będąc gotowymi do przekazania jej pełnej kontroli nad transakcją.
Allegro: potencjalna przewaga danych i skali
Dla platform takich jak Allegro rozwój agentów zakupowych może mieć szczególne znaczenie.
Marketplace dysponuje rozbudowanym katalogiem ofert, informacjami o cenach, sprzedawcach, ocenach i warunkach dostawy. To zasoby, które potencjalnie mogą stanowić podstawę zaawansowanego asystenta zakupowego.
Jednocześnie agregowanie ofert wielu sprzedawców komplikuje zadanie. Ten sam produkt może być oferowany w różnych cenach, wariantach i warunkach dostawy, a opisy poszczególnych ofert mogą różnić się jakością.
Asystent musi więc nie tylko rozpoznać potrzeby klienta, ale również prawidłowo porównywać oferty i unikać rekomendowania produktów na podstawie niepełnych informacji.
Dodatkowe wyzwanie dotyczy modelu biznesowego marketplace’u. Wzrost wartości transakcji wspieranych przez AI nie musi przekładać się proporcjonalnie na wzrost przychodów platformy, ponieważ wartość sprzedanych towarów i przychody operatora z prowizji oraz usług są odrębnymi kategoriami.
Może też pojawić się konflikt pomiędzy optymalizacją rekomendacji pod kątem interesu klienta a przychodami z promowania ofert.
Nie oznacza to, że Allegro osiąga już określone korzyści lub ponosi określone straty z tytułu agentic commerce. Są to potencjalne konsekwencje biznesowe, które wymagają osobnych danych i badań.
Mniejsze sklepy nie muszą zaczynać od własnego agenta
Dla małych i średnich sprzedawców budowa zaawansowanego asystenta od podstaw może być nieproporcjonalnie kosztowna w stosunku do spodziewanych korzyści.
Rozsądniejszym pierwszym krokiem może być poprawa jakości katalogu, danych produktowych, informacji o dostawie i odpowiedzi na najczęstsze pytania klientów.
Następnie warto przetestować rozwiązanie AI w ograniczonej kategorii produktowej, szczególnie tam, gdzie klienci potrzebują pomocy w porównywaniu parametrów lub wyborze kompatybilnych produktów.
Takie podejście pozwala sprawdzić realne zainteresowanie klientów przed poniesieniem większych kosztów technologicznych.
Jak zaprojektować pilotaż asystenta AI w sklepie internetowym?
Wdrożenie powinno rozpoczynać się od hipotezy biznesowej, a nie od samego wyboru modelu językowego.
1. Wybierz konkretny problem zakupowy
Dobrym punktem wyjścia może być kategoria, w której klienci często porównują produkty, pytają o kompatybilność lub potrzebują pomocy w doborze wariantu.
Hipoteza powinna być mierzalna, na przykład: udostępnienie asystenta zwiększy marżę kontrybucyjną przypadającą na użytkownika kwalifikującego się do eksperymentu.
2. Ustal stan wyjściowy
Przed rozpoczęciem testu należy zebrać dane dotyczące konwersji, wartości koszyka, marży, liczby zwrotów, kosztów obsługi i zachowania klientów w wybranej kategorii.
Warto również określić sezonowość, planowane promocje i inne zmiany mogące wpływać na wyniki.
3. Przygotuj dane i kontrolę jakości rekomendacji
Asystent powinien korzystać z aktualnych informacji o produktach. Należy sprawdzić, czy nie rekomenduje nieistniejących wariantów, nie podaje błędnych cen i nie przedstawia niepotwierdzonych parametrów jako faktów.
W przypadku niepewności powinien umożliwiać użytkownikowi weryfikację informacji zamiast generować pozornie pewną odpowiedź.
4. Losowo przydziel klientów do grup
Grupa testowa otrzymuje dostęp do rozwiązania AI, a grupa kontrolna korzysta z dotychczasowego procesu zakupowego.
Przydział powinien być stabilny, aby ten sam użytkownik nie zmieniał przypadkowo grupy w trakcie eksperymentu.
Wielkość próby i czas trwania testu należy określić na podstawie spodziewanego efektu, zmienności wyników i wymaganego poziomu wiarygodności statystycznej. Nie ma jednego uniwersalnego okresu pilotażu odpowiedniego dla wszystkich sklepów.
5. Mierz efekt biznesowy, a nie tylko aktywność
Wskaźniki adopcji, takie jak liczba rozmów i odsetek użytkowników uruchamiających asystenta, są ważne dla oceny produktu.
Nie powinny jednak zastępować głównego miernika biznesowego.
Podstawowym kryterium może być różnica w marży kontrybucyjnej na użytkownika pomiędzy grupą testową a kontrolną, z uwzględnieniem odpowiednich kosztów projektu.
Warto równolegle analizować konwersję, wartość zamówień, zwroty, satysfakcję klientów i błędy rekomendacji.
6. Podejmij decyzję na podstawie inkrementalności i ROI
Po zakończeniu testu należy ocenić nie tylko kierunek zmiany, ale również niepewność oszacowania efektu.
Jeżeli wyniki nie pozwalają wiarygodnie odróżnić korzyści od braku efektu, nie należy przedstawiać pilotażu jako dowodu sukcesu finansowego.
Możliwe decyzje obejmują rozszerzenie wdrożenia, zmianę sposobu działania asystenta, przeprowadzenie kolejnego eksperymentu lub rezygnację z projektu.
FAQ: asystenci zakupowi AI, sprzedaż i rentowność
Czy asystent AI zwiększa sprzedaż w sklepie internetowym?
Może zwiększać sprzedaż poprzez ułatwianie wyboru produktów i ograniczanie problemów w procesie zakupowym. Samo wdrożenie nie gwarantuje jednak wzrostu. Aby potwierdzić dodatkowy efekt, należy porównać wyniki klientów z dostępem do asystenta z odpowiednią grupą kontrolną.
Czy 100 mln lei sprzedaży eMAG oznacza dodatkowy przychód wygenerowany przez iZi?
Nie. eMAG podał wartość sprzedaży wspieranej przez asystenta iZi, a nie wartość sprzedaży inkrementalnej. Bez danych o tym, jakie zakupy nastąpiłyby również bez AI, nie można określić dodatkowego przychodu wygenerowanego dzięki asystentowi.
Co to jest agentic commerce?
Agentic commerce to model handlu, w którym systemy AI uczestniczą w realizacji zadań zakupowych, takich jak wyszukiwanie, porównywanie, rekomendowanie, a w bardziej zaawansowanych zastosowaniach także wykonywanie czynności transakcyjnych w imieniu użytkownika. Zakres autonomii zależy od konkretnego rozwiązania.
Jak mierzyć ROI asystenta zakupowego AI?
Trzeba oszacować dodatkową marżę kontrybucyjną i możliwe do wykazania oszczędności, a następnie zestawić je z kosztami wdrożenia, eksploatacji i obsługi rozwiązania. Sama wartość sprzedaży wspieranej przez AI nie wystarcza do obliczenia ROI.
Czy sklep powinien wdrożyć własnego asystenta, czy przygotować ofertę dla ChatGPT i Gemini?
To dwa różne zadania. Własny asystent może pomagać klientom już odwiedzającym sklep, natomiast przygotowanie danych dla zewnętrznych systemów AI może wspierać odkrywanie produktów poza witryną. Wybór zależy od skali działalności, jakości danych, kosztów i możliwości pomiaru wyników.
Jak przygotować sklep internetowy do sprzedaży wspieranej przez AI?
Podstawą są kompletne i aktualne dane produktowe, spójne ceny i stany magazynowe, poprawnie opisane warianty, wiarygodne informacje o dostawie oraz techniczna dostępność danych dla wykorzystywanych systemów. Kolejnym krokiem jest pilotaż z pomiarem inkrementalności i rentowności.
Wniosek: AI może wspierać milionowe transakcje, ale rentowność trzeba udowodnić
Wyniki HFS Research i eMAG pokazują dwa etapy rozwoju agentic commerce.
Badanie HFS wskazuje, że menedżerowie dostrzegają strategiczne znaczenie agentów zakupowych, ale większość reprezentowanych przez nich organizacji nie ma jeszcze działających rozwiązań w analizowanych obszarach. Tam, gdzie wdrożenia już funkcjonują, większego znaczenia nabierają adopcja klientów i ekonomika sprzedaży.
Przykład eMAG pokazuje natomiast, że asystent zakupowy może osiągnąć znaczącą skalę wykorzystania i uczestniczyć w procesach zakupowych o dużej wartości.
Nie jest to jednak wystarczający dowód, że rozwiązanie wygenerowało dodatkowe 100 mln lei przychodu albo poprawiło rentowność platformy.
Najważniejszym wyzwaniem dla handlu internetowego nie będzie samo uruchomienie kolejnego asystenta AI, lecz wykazanie, że jego działanie rzeczywiście zmienia decyzje zakupowe klientów i poprawia wynik ekonomiczny przedsiębiorstwa.
W praktyce o przewadze konkurencyjnej mogą zdecydować nie tylko możliwości modelu AI, ale również jakość danych produktowych, dostęp do klienta, wiarygodność rekomendacji i umiejętność pomiaru dodatkowej marży.
Dla polskich sklepów oznacza to potrzebę podejścia eksperymentalnego: przygotowania danych, testowania konkretnych zastosowań i oceny rezultatów na podstawie wyników biznesowych, a nie samych statystyk wykorzystania technologii.
Źródła i metodologia
- HFS Research i EXL, „Brands have 24 months to win over the AI shopper”, 26 października 2026. Badanie 101 respondentów na stanowiskach kierowniczych w USA, wrzesień 2026. Wyniki dotyczą deklaracji, oczekiwań i wskazywanych barier, a nie audytowanych rezultatów finansowych.
- Ziarul Financiar, Ioana Niţă, wyniki asystenta zakupowego eMAG iZi, 22 października 2026. Dane przedstawione przez eMAG dotyczą sześciu miesięcy funkcjonowania rozwiązania. Nie stanowią eksperymentalnego oszacowania sprzedaży inkrementalnej.
- Marketing i Biznes, „AI w e-commerce 2026. Polacy korzystają ze sztucznej inteligencji, ale nie chcą oddawać jej decyzji zakupowych”, 19 października 2026, na podstawie raportu Gemius „E-commerce w Polsce 2026”. Dane polskie przedstawiono jako odrębny kontekst, bez bezpośredniego porównywania podstaw procentowania z badaniem HFS i statystykami eMAG.
Analiza redakcyjna Marketing i Biznes. Przykłady metod pomiaru, modele ROI oraz potencjalne konsekwencje dla polskich sklepów i Allegro stanowią interpretację biznesową przedstawionych danych, a nie wyniki badań HFS lub eMAG.
Zostaw komentarz