Najważniejsze informacje:
- Agentic Commerce to nowy model e-commerce, w którym decyzje zakupowe i transakcje są realizowane przez autonomicznych agentów AI działających w imieniu użytkownika.
- Tradycyjne SEO i widoczność w wynikach Google przestają wystarczać, kluczowa staje się czytelność danych i oferty dla modeli językowych (AISO).
- Analiza 15 polskich sklepów z elektroniką oraz RTV/AGD wykazała ogromne różnice w ich architekturze danych i gotowości na agentów AI.
- Oceny zostały dokonane przy użyciu dedykowanego narzędzia badawczego Agentic Ready Checker.
Czekają nas największe zmiany w handlu internetowym od czasu pojawienia się wyszukiwarki Google. Przez ostatnie dekady ścieżka zakupowa w e-commerce była niezmienna: człowiek wpisywał frazę, przeglądał wyniki wyszukiwania, wchodził na kartę produktu i przechodził przez klasyczny proces checkoutu. Dzisiaj ten model ulega transformacji.
Rozwój sztucznej inteligencji może istotnie zmienić sposób, w jaki konsumenci wyszukują, porównują i kupują produkty w internecie. Przez lata ścieżka zakupowa w e-commerce opierała się przede wszystkim na samodzielnym wyszukiwaniu ofert, odwiedzaniu sklepów i przechodzeniu przez proces zakupowy. Dziś coraz większą rolę zaczynają odgrywać asystenci AI, którzy mogą wspierać użytkowników na różnych etapach podejmowania decyzji.
W tym artykule podsumowujemy nasz Raport Agentic Commerce w RTV/AGD, w którym przeanalizowaliśmy ten sektor pod kątem technicznym, strukturalnym i contentowym. Zbadaliśmy, czy największe sieci handlowe oraz mniejsi gracze są przygotowani na rozwój zakupów wspieranych przez agentów AI. Wyjaśniamy, czym jest Agentic Commerce, na czym polegało badanie i co jego wyniki oznaczają dla strategii e-commerce w branży RTV/AGD.
Jedna z największych sieci handlowych w kraju uzyskała wynik porównywalny z dużo mniejszym Sferis, mimo zdecydowanie większych zasobów technologicznych. Największym atutem strony jest sposób podawania treści: kluczowe dane produktowe są renderowane po stronie serwera (SSR), a strona ma czytelną strukturę semantyczną HTML z jednym wyróżnionym nagłówkiem H1 i opisem meta – agent nie musi więc uruchamiać JavaScriptu, żeby odczytać ofertę. Braki dotyczą jednak fundamentów odkrywania: sklep nie publikuje ani llms.txt, ani agents.md, nie ma dedykowanej strony faktów o marce (wszystkie warianty /about i /company zwracają błąd 404), a w danych strukturalnych brakuje pełnego ContactPoint z numerem telefonu czy adresem e-mail. Zero punktów w kategorii API pokazuje, że mimo skali biznesu RTV EURO AGD nie udostępnia żadnego kanału, którym agent mógłby bezpiecznie sprawdzić dostępność czy dokonać zakupu.
Sieć uzyskała dobry wynik dzięki solidnej schemie Organization uzupełnionej o pełny ContactPoint (widoczny e-mail i numer telefonu), co dało 88/100 w kategorii Schema. Opublikowała też zdrowy plik llms.txt (wszystkie 13 sprawdzonych linków OK) oraz security.txt, zdobywając komplet punktów w kategorii Zaufanie. Braki dotyczą typowych dla całej branży obszarów: zero punktów w kategorii API (brak specyfikacji OpenAPI/Swagger i karty agenta w /.well-known/), a treść HTML renderowana jest w sposób mieszany – część kluczowych faktów może wciąż wymagać wykonania JavaScriptu przez agenta. 
Wbrew pozycji dużej, rozpoznawalnej sieci, audyt wykazał nie najlepszy wynik gotowości – wyraźnie poniżej średniej dla dużych marek w zestawieniu. Checker nie zdołał pobrać pełnej treści strony do analizy danych strukturalnych, dlatego kategorie Schema, API i Treść wyniosły 0/100, a jedynym ocenionym obszarem pozostało Odkrywanie (20/100) – głównie dzięki częściowo otwartemu robots.txt wymieniającemu GPTBota. Sklep nie publikuje llms.txt ani agents.md, a ze względu na niedostępność treści HTML do skanu nie udało się zweryfikować ani ContactPoint, ani obecności dedykowanej strony
W przypadku marki x-kom raktycznie każda badana kategoria oceniona jest nisko: brak llms.txt i 
Jedynym pozytywnym sygnałem jest otwarty plik robots.txt, który nie blokuje jawnie głównych botów AI – to jednak zbyt mało, by realnie ułatwić agentowi zrozumienie oferty. Sklep nie publikuje llms.txt ani agents.md, nie ma pełnych danych strukturalnych schema.org, a kategoria Treść również wynosi zero – oznacza to, że checker nie znalazł czytelnych dla agenta sygnałów cenowych, kontaktowych ani zakupowych na stronie głównej. Brakuje też ContactPoint oraz jakiejkolwiek publicznej dokumentacji API. Aż 11 z 17 sprawdzanych elementów zakończyło się błędem – to jeden z najgorszych bilansów wśród dużych sieci. Dla sieci tej wielkości tak niski wynik oznacza, że nawet podstawowe fundamenty Agentic Commerce – czytelna treść i dane o marce – wymagają budowy praktycznie od zera, zanim Neonet będzie mógł liczyć na widoczność w rekomendacjach agentów zakupowych.
Zdecydowany lider całego zestawienia – jedyny sklep, który realnie zbudował fundamenty pod Agentic Commerce. Kluczowym wyróżnikiem jest kategoria API: Morele jako jedyny w badaniu udostępnia publiczną, maszynowo czytelną specyfikację OpenAPI/Swagger oraz kartę agenta w /.well-known/ (manifest wtyczki ChatGPT), zdobywając komplet 100/100. Do tego dochodzi opublikowany i w pełni zdrowy plik llms.txt (13/13 poprawnych linków) oraz bogata schema Organization (96/100) z widocznym numerem telefonu.
Wynik identyczny z RTV EURO AGD, choć sklep działa w mniejszej skali. Największym plusem jest znaleziona kanoniczna strona faktów – a strona posiada też podstawową schema typu WebSite. Braki są jednak wyraźne: sklep nie publikuje llms.txt, robots.txt nie ma jawnej polityki wobec botów AI, a ContactPoint w danych strukturalnych jest tylko częściowy – bez pełnych, widocznych sygnałów kontaktowych dla agenta. Zero punktów w kategorii API potwierdza brak jakiegokolwiek kanału maszynowego do weryfikacji oferty. Wynik Sferis pokazuje typowy dla wielu sklepów profil: pojedyncze dobre praktyki (strona faktów) współistnieją z fundamentalnymi lukami w odkrywaniu i interfejsach dla agentów, co ostatecznie ogranicza realną gotowość na Agentic Commerce.
Komputronik może pochwalić się najlepszą w całym zestawieniu kategorią Schema – komplet 100/100 dzięki solidnym danym Organization z widocznym numerem telefonu i adresem e-mail w ContactPoint. Drugim atutem jest treść w pełni renderowana po stronie serwera (ok. 225 tysięcy znaków w surowym HTML, zero skryptów blokujących odczyt), dzięki czemu agent nie musi wykonywać JavaScriptu, by dotrzeć do informacji o produktach. Podobnie jak niemal cała branża, Komputronik nie oferuje żadnej publicznej dokumentacji API (0/100) – mimo wzorowych danych strukturalnych, agent nie ma bezpiecznego, maszynowego kanału do sprawdzenia dostępności czy realizacji zakupu.
Plusem jest w pełni otwarty dla botów AI plik robots.txt – GPTBot, ClaudeBot i Perplexity mogą swobodnie indeksować witrynę, co przynajmniej nie blokuje agenta u progu. Poza tym profil jest jednak słaby: brak ContactPoint, brak dedykowanej strony faktów o marce, a zdrowie linków w llms.txt nie mogło zostać sprawdzone, bo pliku po prostu nie ma. Test „smoke test” (sprawdzający, czy agent odnajdzie cenę, grupę docelową i ścieżkę zakupu) zaliczył się tylko częściowo – 1 z 3 sygnałów – co oznacza realne ryzyko, że agent nie potwierdzi jednoznacznie, jak i za ile kupić produkt w OleOle!. Zero punktów w kategorii API dopełnia obrazu sklepu, który wciąż traktuje agentów AI jako temat na przyszłość, a nie bieżący priorytet.
Sklep uzyskał relatywnie przyzwoity wynik w kategorii Schema (63/100) dzięki obecności kilku wartościowych typów danych strukturalnych – BreadcrumbList, Organization i WebPage. Podobnie jak cała branża, MaxElektro nie oferuje żadnej publicznej dokumentacji API. Wynik pokazuje sklep w fazie przejściowej: podstawy danych strukturalnych są już częściowo obecne, ale bez uzupełnienia o kluczowe typy i stronę faktów agent wciąż nie zrozumie pełnej oferty.
Jeden z mniejszych, wyspecjalizowanych sklepów w zestawieniu. Trudno wskazać wyraźny atut strony – jedynym pozytywnym sygnałem jest otwarty dla botów AI plik robots.txt oraz nieco lepszy niż u wielu dużych sieci wynik w kategorii Treść (38/100). Poważniejszym problemem są braki w danych strukturalnych. Brakuje też llms.txt, dedykowanej strony faktów oraz ContactPoint z widocznym kontaktem. 
Jeden z dwóch liderów wśród mniejszych sklepów (obok AGD Smart) – wynik wyprzedza większość dużych sieci handlowych, potwierdzając, że mniejsza skala nie musi oznaczać gorszej gotowości technologicznej. Największym atutem jest opublikowany i w pełni zdrowy plik llms.txt (13/13 poprawnych linków) – jeden z zaledwie trzech takich przypadków w całym badaniu – a schema zawiera już częściowy ContactPoint z widocznym adresem e-mail i numerem telefonu.
Sklep wyróżnia się na tle całego zestawienia jako jedyny z aktywnym, wykrywalnym kanałem RSS/Atom (/feed/, /comments/feed/) – dzięki niemu agent może śledzić zmiany w ofercie bez konieczności ponownego skanowania całej witryny. . Braki dotyczą przede wszystkim danych strukturalnych. Sklep nie publikuje też llms.txt, więc zdrowia linków do kluczowych podstron nie da się zweryfikować, a kategoria API pozostaje na zerze. Elesklep pokazuje nietypowy profil: mocne strony leżą w świeżości i odkrywalności treści (RSS, strona faktów), a nie w klasycznych danych strukturalnych, na których opiera się większość konkurentów.
Obok Kakto.pl, najlepiej przygotowany mniejszy sklep w zestawieniu – wynik stawia go przed większością dużych sieci handlowych. Wyróżnia się jako jedyny sklep z rozszerzonym plikiem llms-full.txt obok standardowego llms.txt, a wszystkie linki w nim zawarte są w pełni zdrowe (12/12 OK). Drugim mocnym punktem jest kompletny wynik „smoke testu” zakupowego – checker wykrył zarówno sygnał cenowy, grupę odbiorców, jak i ścieżkę zakupu/kontaktu, co oznacza, że agent bez trudu potwierdzi podstawowe fakty transakcyjne.
Michał Grzyb
