Agentic Commerce: Vince Chi Controlla Il Contesto

1. L’agentic commerce sta convergendo

C’è un momento, nello sviluppo di ogni tecnologia pervasiva, in cui smette di essere un esperimento collettivo e comincia, lentamente, a diventare una convenzione. Poi la convenzione diventa infrastruttura. Quando succede, la tecnologia si vede sempre meno, ma definisce il perimetro di ciò che possiamo costruirci sopra. Per l’agentic commerce quel momento sembra vicino.

A gennaio 2026, Google presenta l’Universal Commerce Protocol (UCP) alla NRF. Non un prodotto Google, ma uno standard aperto (o quasi), co-sviluppato con Shopify, Walmart, Target, Etsy e altri player del settore. L’obiettivo è permettere agli agenti AI di scoprire prodotti, aggiungerli al carrello, gestire il checkout e completare un acquisto, indipendentemente dalla piattaforma del merchant.

Pochi mesi prima, OpenAI introduce Agentic Commerce Protocol (ACP) e Instant Checkout su ChatGPT, partendo dagli acquisti su Etsy e annunciando l’estensione a Shopify. Microsoft, nel frattempo, sperimenta NLWeb per esporre contenuti web agli agenti AI. E sotto tutto questo, il Model Context Protocol (MCP) si afferma come standard per connettere modelli AI a strumenti e dati: non specifico per l’e-commerce, ma finisce per esserne un layer abilitante.

Pochi giorni fa arriva anche un segnale lato browser: Chrome annuncia WebMCP, un tentativo di standardizzare come un sito espone azioni strutturate agli agenti. L’idea è far smettere agli agenti di interpretare il DOM come un umano e dare loro strumenti dichiarati (API declarative e imperative), più affidabili per cercare, configurare e completare operazioni sul sito.

La scena, quindi, non è la vittoria di un singolo protocollo, ma una convergenza. Stanno emergendo layer interoperabili (discovery, transazione, pagamento, identità), ciascuno gestito da standard diversi, ma tutti orientati nella stessa direzione.

Per chi vende online il messaggio è piuttosto chiaro: il costo (e la frizione) per essere raggiungibili dagli agenti AI sta crollando. Non servono più integrazioni custom per ogni piattaforma. La connettività di base diventa uno standard.

Ed è qui che convivono opportunità e rischio. Perché quando tutti sono connessi, la connettività smette di essere un vantaggio.

2. Connettività non significa visibilità

Pensate a UCP come a dei binari. Standardizza il modo in cui il catalogo di un brand viaggia verso gli agenti AI, attraversando ecosistemi diversi. Quello che non garantisce è che l’agente capisca davvero i dati che riceve, o che preferisca un prodotto rispetto a un altro.

Oggi la maggior parte dei brand trasmette dati piatti e statici: SKU, attributi, prezzo, disponibilità. Dal punto di vista dell’agente, prodotti concorrenti risultano strutturalmente identici. Anche quando il brand, la qualità del prodotto o l’esperienza di servizio sono profondamente diverse.

Michael Komasinski di Criteo racconta al Web Summit un esempio perfetto. Cerca un copertone per la sua bici, a New York. Passa un’ora con il suo assistente AI, specificando requisiti precisi: antiforatura, alta qualità, compatibile con le sue specifiche. Ottiene un carosello di prodotti con informazioni incomplete, risultati non coerenti con la richiesta e disponibilità assenti. Alla fine compra nel negozio sotto casa.

Qui sta il punto. Le piattaforme AI sono bravissime a conversare: sono modelli linguistici, dopotutto. Ma per fare raccomandazioni accurate servono dati di prodotto ricchi, aggiornati e strutturati. Senza, l’agente può anche indicizzare il tuo SKU, ma non ha il contesto necessario per consigliarlo con fiducia in uno scenario decisionale reale.

E così, mentre i protocolli rendono il flusso dei dati sempre più fluido, il vantaggio competitivo si sposta dal trasporto al payload. Dalla capacità di essere raggiungibili, alla qualità di ciò che stai davvero trasmettendo.

Il protocollo apre la porta. Ma è il contesto che decide chi entra.

3. Per i brand, il contesto è il nuovo vantaggio competitivo

In un mondo in cui gli agenti AI confrontano e raccomandano, la differenza non la fa «trasmettere il catalogo». La fa trasmettere il contesto specifico: trust signals (segnali di fiducia), identità, sfumature di prodotto, garanzie di servizio, significato. In altre parole: chi sei davvero come brand, non solo cosa vendi.

Questo cambio di baricentro colpisce in modo particolare retailer e marketplace. Il loro vantaggio storico è l’aggregazione e la distribuzione: essere la vetrina dove «c’è tutto». Ma quando un agente ragiona sul significato del singolo prodotto, e non sulla vetrina che lo ospita, il contesto del brand diventa un input di prima classe, non un dettaglio di marketing.

I dati lo confermano. Una ricerca di AirOps e Kevin Indig mostra che le pagine strutturate (heading puliti, sezioni chiare, product schema completo) hanno una probabilità di essere citate dall’AI circa 2,8 volte superiore. L’85% delle menzioni di brand nelle risposte AI proviene da siti terzi: Reddit, YouTube, pagine di comparazione, recensioni. I modelli, banalmente, vanno dove trovano ciò che le persone pensano davvero.

E c’è un dato che fa riflettere: solo il 30% circa dei brand appare in modo consistente tra risposte AI consecutive. Non esiste una «pagina uno» stabile. Si entra e si esce.

Per i brand D2C questa dinamica apre un’opportunità concreta. Non dovendo necessariamente passare dall’intermediazione di un marketplace, possono controllare più direttamente come vengono compresi, descritti e raccomandati dagli agenti AI. Ma solo a una condizione: che il contesto che trasmettono sia abbastanza ricco da reggere il confronto.

Il contesto è il nuovo moat. E, come ogni moat, non si costruisce in un giorno ma si accumula.

4. Ma come si crea questo contesto?

La risposta, in realtà, parte da una domanda sorprendentemente semplice: sai cosa chiedono davvero i tuoi clienti quando stanno per comprare?

Josh Grant, che guida le strategie di AI visibility per Webflow, ha codificato una disciplina che chiama question mining. L’idea di fondo è questa: nel mondo dell’AI-first discovery la visibilità non dipende più (solamente) dal ranking della tua pagina, ma da chi possiede le risposte più chiare. I sistemi AI sintetizzano una risposta pescando dalle fonti che percepiscono come autorevoli; e, se la tua spiegazione non regge quella sintesi (se non «entra» bene nel riassunto), in quel momento, semplicemente, non esisti.

Nel B2B il percorso è relativamente lineare. Si guardano i thread su Reddit, si riascoltano le registrazioni delle sales call, si leggono i ticket di supporto; poi si raggruppano le domande per tema e per fase del funnel, e si costruiscono risposte canoniche.

Per l’e-commerce è molto più complicato. Non sei al telefono con i clienti mentre stanno scegliendo. I ticket di supporto, per lo più, sono «dov’è il mio ordine». E, a meno che tu non venda scarpe da corsa Nike, nessuno passa le serate a discutere dei tuoi prodotti su Reddit.

Ethan Smith di Graphite, probabilmente una delle persone che ha studiato più rigorosamente il tema GEO/AEO/AIO (a proposito, decidiamoci!), lo dice in modo molto diretto: la parte più difficile è capire quali domande si fanno le persone. In Google Search, almeno, Google ti indirizza con la search volume API, GSC e tool simili. ChatGPT, per ora, non lo fa. Non esiste un truth set, un insieme verificabile di domande e volumi a cui appoggiarsi.

Servono metodi per catturare domande reali, ad alto volume, specifiche per prodotto. E per capire anche che tipo di shopper le sta ponendo. Non domande generiche, ma quelle che nascono davanti alla scheda prodotto: «veste grande?», «è waterproof?», «funziona sulla pelle sensibile?». Le domande che decidono se qualcuno compra, o se chiude la tab.

5. E una volta che ho catturato le domande dei clienti?

Le domande reali dei clienti sono solo l’inizio. Il valore si crea nel loop che le prende e le trasforma in contesto strutturato.

Josh Grant lo descrive come un Answer Ownership System in sei fasi: catturi le domande, le normalizzi (la stessa cosa viene chiesta in dieci modi diversi), le qualifichi in base a quanto sono vicine alla decisione d’acquisto, costruisci una risposta canonica per ogni cluster, la distribuisci su tutte le superfici rilevanti e la aggiorni regolarmente. Quest’ultimo non è un dettaglio: i contenuti aggiornati nell’ultimo trimestre hanno una probabilità circa tre volte superiore di essere citati nelle risposte AI.

Nell’e-commerce questo loop si traduce in interventi molto concreti sulle pagine prodotto. Le domande che contano diventano FAQ strutturate, iniettate nello schema JSON-LD del prodotto e nei metafields Shopify. Le recensioni entrano come social proof in modo esplicito, non solo come «stelline» nell’aggregate rating. E le descrizioni prodotto smettono di inseguire ciò che il brand pensa sia importante, per incorporare invece le informazioni che i clienti cercano davvero.

Il risultato è che il product data smette di essere una scheda tecnica statica e comincia a funzionare come un contesto ricco e dinamico: comprensibile per gli umani, ma anche «digeribile» per i modelli AI. Pagine con heading puliti, FAQ clusterizzate per intent, casi d’uso, schema allineato agli standard Schema.org e a Google Rich Results.

Il punto critico, però, è un altro: non è un lavoro da fare una volta e archiviare. Quando i contenuti restano fermi per più di un trimestre, le citazioni AI calano in modo significativo. Il question mining, se vuole funzionare, diventa una cadenza operativa: settimanale nel triage delle nuove domande, mensile nella review dei cluster, trimestrale nell’aggiornamento del linguaggio.

Chi lo tratta come un sistema operativo costruisce un vantaggio che si accumula nel tempo.

6. L’AI search sostituisce tutto? Spoiler: no

C’è una narrazione che circola con insistenza: l’AI renderà obsoleti i siti e-commerce. Gli agenti faranno tutto (discovery, comparazione, acquisto) e il tuo sito diventerà irrilevante.

La storia dell’e-commerce, però, suggerisce l’opposto. Komasinski (Criteo) lo ricorda con un dato che vale più di mille slide: l’e-commerce oggi rappresenta il 20% delle vendite retail globali. Dopo trent’anni. All’inizio c’era chi prevedeva che avrebbe cannibalizzato metà del retail fisico; il pattern reale è stato diverso: aggiunta e frammentazione, non sostituzione e consolidamento. L’e-commerce ha spinto l’omnichannel e l’omnichannel ha fatto crescere l’intero settore.

È plausibile che l’agentic commerce segua lo stesso schema. Sarà probabilmente il canale più potente emerso nell’ecosistema digitale degli ultimi trent’anni, ma resterà uno dei tanti. E i merchant che si sono iscritti a Instant Checkout lo trattano come incrementalità, non come rimpiazzo dei canali esistenti (che è un modo elegante per dire: «bello, ma non mi gioco tutto su questo»). Lo stesso è successo con Amazon.

Poi c’è un dato della ricerca di AirOps che ribalta un pensiero molto comune: circa il 60% delle citazioni negli AI Overview proviene da pagine che non sono nemmeno nelle prime venti posizioni su Google. Se il piano è solo «posizionarsi meglio sui motori di ricerca», rischi di ottimizzare il posto sbagliato, mentre una fetta enorme della discovery avviene altrove.

Il sito, quindi, non diventa meno importante. Diventa più importante in un modo diverso. È la knowledge base da cui gli agenti AI attingono. È il luogo dove intercetti (e capisci) i segnali di intent dei tuoi clienti. È lo spazio in cui possiedi la relazione e il dato. Cederlo a terzi significherebbe rinunciare alla tua IP più importante.

7. Il sito deve adattarsi al nuovo modo di cercare

Se il sito resta centrale, allora deve anche cambiare pelle. Le persone cercano in modo conversazionale, ormai. E non solo su ChatGPT: anche su Google, anche su Amazon. Fanno domande, non digitano keyword.

Il punto è che la maggior parte dei siti e-commerce è ancora progettata per un modello a filtri: categoria, sottocategoria, ordinamento per prezzo. È un sistema che funziona benissimo per chi sa già cosa vuole. Funziona molto meno per chi sta esplorando, confrontando, decidendo. E funziona poco, o per niente, per gli agenti AI, che hanno bisogno di contesto narrativo, non solo di una griglia di prodotti.

Paolo Picazio, Country Manager di Shopify, porta il caso di Fler al Netcomm, un brand italiano di personal care, come esempio di cosa succede quando il sito si adatta davvero all’intento d’acquisto. Con Twini, le pagine prodotto di Fler si riscrivono in real time per ogni utente. Se hai la pelle sensibile e chiedi se un prodotto è adatto a te, la pagina adatta il suo contenuto a quel contesto specifico. Il risultato è un tasso di conversione dell’8% sugli utenti che interagiscono, un add-to-cart rate del 25% e l’85% delle interazioni di supporto e discovery gestite automaticamente.

Ma il valore non si ferma alla conversione. Ogni domanda che un cliente fa sulla product page è un segnale: è il dato che manca al tuo catalogo. Il sistema dietro, quello che noi di Twini abbiamo costruito, cattura queste domande, le struttura e le usa per arricchire progressivamente lo schema prodotto. Le FAQ che ne derivano non sono generiche: sono le domande esatte che i tuoi clienti fanno, nella loro lingua, con le loro preoccupazioni reali.

È un ciclo: il sito diventa più intelligente a ogni interazione, e i dati che produce migliorano il modo in cui il brand viene compreso dagli agenti AI su tutte le piattaforme.

8. Un’unica piattaforma per governare il contesto del brand

Tutti i temi toccati finora (contesto, question mining, sito AI-native) non sono silos, ma componenti di un’unica infrastruttura. Con Twini li abbiamo unificati nel Brand Context Model: una rappresentazione machine-readable del brand che gli agenti AI possono usare senza ambiguità.

La base di tutto, e dove siamo oggi, è lo storefront AI-native. Il nostro agente conversazionale sulle pagine prodotto fa tre cose in parallelo: personalizza l’esperienza in real time, cattura domande specifiche a livello di SKU e usa quei segnali per iniettare automaticamente FAQ e metadati strutturati nella pagina. Come nota Ethan Smith, mentre la ricerca su Google si ferma a una media di 6 parole, le query AI arrivano a 25. Le domande on-site diventano quindi il proxy più vicino a quella long tailcomplessa e invisibile. Risolvere quei dubbi significa fornire all’AI la risposta esatta che sta cercando.

I risultati sono tangibili: un engagement fino a 15 volte superiore e un impatto diretto su conversioni on-site e visibilità nei motori di ricerca AI. Il caso di Dore & Rose è emblematico: lavorando su contenuti e product schema derivati dalle domande reali, le loro maschere in seta ora compaiono regolarmente tra i primi tre risultati per query unbranded mid-funnel.

Da qui, la nostra roadmap si estende semplicemente portando questo contesto altrove.

La fase 2 aggiunge una memoria persistente allo shopper, permettendo di personalizzare non solo il sito ma anche i canali di retention (come i flussi Klaviyo) in base ai segnali raccolti. L’intento smette di essere transiente e diventa un profilo che si arricchisce nel tempo.

La fase 3 chiude il cerchio portando il contesto fuori dal sito (off-site): usiamo il feedback catturato per generare ads e contenuti che rispondano ai dubbi dei clienti prima ancora che atterrino in pagina. L’obiettivo è produrre e distribuire segnali affidabili agli agenti AI, ancorati a ciò che il brand rappresenta e a ciò che le persone cercano davvero.

Se l’UCP è l’infrastruttura che collega il tuo catalogo agli agenti AI, Twini è ciò che modella il contesto che quegli agenti usano per interpretare e consigliare il tuo brand.