سفارش های خرید از طریق هوش مصنوعی در پلتفرم هایی مثل شاپیفای رشدی ۱۵ برابری داشته اند؛ اما بررسی های شرکت QAwerk نشان می دهد که سیستم های پرداخت، ساختار داده های محصولات و فرآیندهای بازگشت وجه، هنوز برای دستیارهای هوشمندی (Agents) که با سرعت ماشین حرکت می کنند، آماده نیستند.
من به عنوان مشاور افتخاری با یک خرده فروشی در محله «آپِر ایست ساید» نیویورک همکاری می کنم. در آخرین جلسه ویدیویی مان، به مباحث کاملاً جدیدی پرداختیم: داده های ساختاریافته (Structured Data)، فیدهای کاتالوگ محصول، اتصال به پروتکل تجارت جهانی گوگل (Universal Commerce Protocol) و پروتکل تجارت مبتنی بر ایجنتِ شرکت OpenAI (Agentic Commerce Protocol).
اما ما درباره یک موضوع حیاتی که در واقع تعیین کننده نهایی شدنِ فروش است، صحبتی نکردیم: زمانی که یک “دستیار هوش مصنوعی” (و نه یک انسان) قرار است تراکنش را تکمیل کند، آیا سیستم پرداخت وب سایت همچنان بدون مشکل کار می کند؟
گلوگاه های پنهان در مسیر خرید
هارلی فینکلستاین (Harley Finkelstein)، رئیس شرکت شاپیفای، در گزارش مالی فوریه ۲۰۲۶ به بخشی از این سوال پاسخ داد و آمارهای ارائه شده اصلاً کوچک نیستند. سفارش هایی که از طریق جستجوهای مبتنی بر هوش مصنوعی ثبت می شوند، از ژانویه ۲۰۲۵ تاکنون ۱۵ برابر شده اند و در حال حاضر از طریق سه پروتکل مجزا که در سال گذشته توسعه یافته اند، هدایت می شوند: پروتکل تجارت جهانی گوگل (UCP)، پروتکل اوپن ای آی (ACP)، و سیستم Agentforce شرکت سیلزفورس (که تصمیم گرفت به جای ساخت یک استاندارد رقیب، با UCP گوگل همگام شود).
فروشندگان پلتفرم Etsy اولین کسانی بودند که به صورت زنده در ChatGPT فعال شدند و پس از آن ها، فروشندگان شاپیفای مانند برندهای Glossier، Spanx و Vuori نیز به این جریان پیوستند. از آن زمان، OpenAI از قابلیت “پرداخت مستقیم درون چت” عقب نشینی کرده و در عوض فرآیند خرید را به سمت اپلیکیشن های خود خرده فروشان هدایت کرده است؛ موضوعی که اهمیتِ داشتن یک زیرساخت پرداخت بی نقص را بیش از پیش پررنگ می کند.
برای فهمیدن اینکه دقیقاً بعد از این مرحله چه اتفاقی می افتد، به کنستانتین کلیاگین (Konstantin Klyagin) ایمیل زدم. او در سال ۲۰۱۵ شرکت QAwerk را تأسیس کرد تا یک شریک تست نرم افزاریِ حرفه ای برای کسب وکارها باشد. این آژانس از آن زمان تاکنون بیش از ۳۰۰ پروژه کلاینت را در آمریکای شمالی، اروپا و آفریقا تست کرده است. پاسخ او به مسئله “دیده شدن در هوش مصنوعی” بسیار تامل برانگیز بود: نمایش داده شدن یک محصول در نتایج هوش مصنوعی، بخشِ آسانِ ماجراست. اما بیشترِ اصطکاک ها و خطاهای فعلی در مراحلِ پایین دست (مراحل نهایی خرید) رخ می دهد؛ یعنی دقیقاً همان جایی که هیچ کس هنوز در حال تست و بررسی آن نیست.
نمایش سرعت حرکت ماشین و فراخوانی های سریع API توسط ایجنت خرید که موجب فعال شدن اشتباه سیستم های Bot Detection و Rate Limiting می شود.
یک دستیار هوش مصنوعی، اصلاً شبیه به انسان خرید نمی کند!
چارچوب فکری کلیاگین وقتی آن را می شنوید بسیار ساده و منطقی است: یک خریدار انسانی با سرعتی متغیر در سایت می چرخد، حواسش پرت می شود، سبد خرید را رها می کند و شاید چند ساعت بعد دوباره برای تکمیل آن برگردد. اما یک دستیار هوش مصنوعی (AI Agent)، درخواست های سریع و ساختاریافته ای (API calls) ارسال می کند، محصول را با معیارهای داده شده می سنجد و در کسری از ثانیه تصمیم گیری می کند. دقیقاً همین سرعت بالاست که سیستم های طراحی شده برای انسان ها را از کار می اندازد.
منطقِ نشست های کاربری (Session logic) که بر اساس یک بازدید پیوسته انسانی ساخته شده، وقتی یک ایجنتِ هوشمند، محصولی را بررسی می کند، سشن را می بندد و بعداً برای تکمیل خرید برمی گردد، دچار اختلال یا اصطلاحاً خفگی می شود. تیم کلیاگین سیستم های چندعاملی (Multi-agent) را در صنایع مختلف تست کرده و همواره به یک علتِ ریشه ای مشابه می رسد: اکثر برنامه های تضمین کیفیت (QA) فقط بررسی می کنند که آیا سیستم خروجی صحیحی به کاربر می دهد یا خیر؛ اما تقریباً هیچ کدام بررسی نمی کنند که آیا زیرساخت سایت، تحملِ حضور یک عامل غیرانسانی را که با سرعتِ ماشین در آن حرکت می کند دارد یا نه.
این دقیقاً همان نقطه ای است که یک محصول با رتبه عالی و سئوی فوق العاده، در تبدیل به فروش (Conversion) شکست می خورد. تمام کارهای مرتبط با سئو (SEO) و دیده شدن در هوش مصنوعی که اکثر خرده فروشان در حال حاضر روی آن متمرکز هستند، کاملاً پیش از این مرحله ی حساس (Upstream) قرار دارند.
الگوی خطاها آن چیزی نیست که حدس می زنید
من از کلیاگین یک مثال واقعی از خطای پرداخت، اختلال در داده های محصول یا مشکل استرداد وجه که مستقیماً توسط یک ایجنت هوش مصنوعی ایجاد شده باشد خواستم؛ با این انتظار که یک داستان دراماتیک بشنوم. اما او تاکنون هیچ حادثه تاییدشده ای در محیط واقعی ندیده بود که در آن، خودِ ایجنت باعث از کار افتادن سیستم پرداخت مشتری شده باشد. او حاضر نبود یک باگ معمولی تجارت الکترونیک را با نام “خطای هوش مصنوعی” بزک کند، و دقیقاً به همین دلیل است که پاسخ واقعی او، ارزش بسیار بیشتری از یک داستانِ ساختگی دارد.
آنچه تیم او به طور مکرر کشف کرده، مشکلی بسیار ظریف تر است که به محض اینکه خریدار از یک انسان به یک نرم افزار تبدیل می شود، به یک بحران جدی بدل می گردد. در یکی از پروژه ها (فانلی به نام Pridefit)، مهندسان متوجه شدند دو بخش مجزا از سیستم، نسخه های متفاوتی از داده های یک پلنِ خرید را ذخیره کرده اند که تفاوت های بسیار جزئی در قیمت و ویژگی ها داشتند.
یک کاربر انسانی شاید هرگز متوجه این تفاوت نشود، یا نهایتاً صفحه را رفرش کند. اما یک دستیار هوش مصنوعی هیچ درک بصری یا قدرت قضاوت انسانی ندارد که به آن تکیه کند. اگر ایجنت بر اساس یک منبع داده (Data Source) محصول را انتخاب کند، اما سیستم پرداخت با منبع دیگری اعتبارسنجی را انجام دهد، عدم تطابق در قیمت، کد محصول (SKU) یا موجودی، تراکنش را در وضعیتی قفل می کند که ایجنت به تنهایی قادر به حل و فصل آن نیست.
تیم کلیاگین این دوگانگی را حذف و داده های پلن را متمرکز کرد تا تمام بخش های قیف فروش (Funnel) از یک منبع واحد تغذیه شوند. اما الگویی که او انتظار دارد در سراسر تجارت مبتنی بر هوش مصنوعی (Agentic Commerce) بیشتر مشاهده کند، این نیست که ایجنت محصول اشتباهی را انتخاب کند؛ بلکه مشکل اصلی «عدم توافق سیستم های سایت درباره وضعیت یک خرید» است:
مثلاً فید موجودی می گوید یک محصول در انبار موجود است، در حالی که سیستم پرداخت می گوید تمام شده؛ یک درخواستِ منقضی شده مجدداً به سروری ارسال می شود که قابلیت ایدمپوتنت (Idempotent – توانایی مدیریت درخواست های تکراری بدون ایجاد خطای مضاعف) را ندارد؛ یا یک استرداد وجه در سمت فروشنده تایید می شود، پیش از آنکه وضعیتِ آپدیت شده ی سفارش به ایجنتی که آن را درخواست کرده برسد. یک انسان اغلب می تواند از کنار چنین تناقضی بگذرد و بفهمد واقعاً چه اتفاقی افتاده است، اما یک ایجنت هوشمند نیاز دارد که تک تک APIها، فیدهای محصول و وضعیت سفارش ها، از قبل با هم کاملاً همسو و سازگار باشند.
تصویر فنی نشان دهنده تناقض داده ای میان کاتالوگ، موجودی انبار و سیستم پرداخت که تراکنش ایجنت هوش مصنوعی را مسدود می کند.
۳ بررسی ضروری پیش از آنکه به دنبال پروتکلِ چهارم باشید
کلیاگین کلاینت هایش را به سمت سه تست مشخص هدایت می کند. به نظر من، هر خرده فروشی که در حال حاضر روی همگام سازی کاتالوگ محصولات و کدهای نشانه گذاری ساختاریافته تمرکز دارد، باید پیش از اضافه کردن یک پلتفرم هوش مصنوعی جدید به لیست خود، این سه تست را اجرا کند:
۱. تست فشار (Load-test) روی API پرداخت، دقیقاً همان طور که یک ایجنت به آن درخواست می فرستد
این تست نباید شامل سشن های کُندِ انسانی باشد، بلکه باید شامل فراخوانی های موازی و متعددی باشد که پشت سر هم و با سرعت بالا ارسال می شوند. یک سیستم پرداخت که میلیون ها سشن انسانی را بدون مشکل مدیریت کرده، ممکن است در اولین باری که با این الگوی ترافیکی مواجه می شود، از کار بیفتد. در حال حاضر، اکثر فروشندگانی که به سیستم های UCP گوگل یا ACP متصل می شوند، واقعاً نمی دانند سیستمشان در برابر این الگو چه واکنشی نشان خواهد داد.
۲. بررسی دقت داده های محصول به همان شکلی که ماشین آن را می خواند، نه مرورگر کاربر
صفحه ای که برای یک بازدیدکننده انسانی کاملاً بی نقص به نظر می رسد، ممکن است در لایه های زیرین از دو منبع متناقض اطلاعات بگیرد. (در تیم سئو دانش وب، ما همواره تاکید می کنیم که اجرای صحیح اسکیما مارک آپ (Schema Markup) و یکپارچگی پایگاه داده، زبان مشترک سایت شما با هوش مصنوعی است). یک دستیار هوشمند، برخلاف انسانی که صفحه را اسکرول می کند، هیچ راهی برای تشخیص این تناقضاتِ پنهان ندارد.
۳. تایید صحت عملکرد استردادها و بازگشت وجه در همان تلاش اول
زمانی که یک ماشین درخواست بازگشت وجه را صادر می کند، هیچ کارشناس پشتیبانیِ انسانی در مسیر وجود ندارد تا جلوی یک خطای جزئی یا وضعیتی که هرگز با سیستم همگام سازی (Sync) نمی شود را بگیرد.
هیچ کدام از این سه مورد نیازی به صبر کردن برای بلوغ کاملِ پروتکل های UCP، ACP یا Agentforce ندارند. این تست ها، زیربنای اساسی هر سه پروتکل را بررسی می کنند؛ فارغ از اینکه در نهایت کدام یک از آن ها (یا چه ترکیبی از آن ها) رهبری بازار را به دست بگیرد.
نتیجه گیری
من معتقدم صنعت تجارت الکترونیک، توالی مراحل را برعکس طی می کند. همه در حال مسابقه دادن برای لیست شدن در داخل ChatGPT و Gemini (جمینای) هستند، پیش از آنکه بررسی کنند آیا سیستم پرداختشان اصلاً توانایی تکمیل فروش در لحظه ورود یک ایجنت را دارد یا خیر. این یعنی ساختنِ “دیده شدن” بر روی فونداسیونی که هیچ کس قدرتِ تحمل آن را تست نکرده است.
سئوی تکنیکال (Technical SEO) تنها جایگاه یک محصول را در نتایجِ هوش مصنوعی تضمین می کند؛ اما هیچ دخالتی در اینکه آیا ایجنت می تواند آن محصول را بخرد یا نه، ندارد. و در حال حاضر، این مشکل دوم و سخت تر، دقیقاً همان چیزی است که تقریباً هیچ کس روی آن کار نمی کند.
کلیاگین پیش بینی می کند که در چند سال آینده، فرآیند تضمین کیفیت (QA) به دو مسیر هماهنگ تقسیم شود: یک مسیر که تجربه انسانی را اعتبارسنجی می کند، و مسیر دومی که بررسی می کند آیا یک ایجنت می تواند داده ها را تجزیه و تحلیل کند، فراخوانی های API را تکمیل نماید و هنگام حرکت در سیستم با سرعتِ ماشین، یک نتیجه قابل پیش بینی دریافت کند.
این تقریباً همان تغییر بزرگی است که تیم های QA تجارت الکترونیک یک دهه پیش هنگام ساخت مجموعه های تست مخصوص موبایل از سر گذراندند. خرده فروشانی که اکنون این مسئله را به عنوان یک “اولویت مهندسی” در نظر می گیرند (پیش از آنکه حجم عظیم تغییراتی که آمارهای شاپیفای نشان می دهند فرا برسد)، برتری بسیار چشمگیری نسبت به کسانی خواهند داشت که هنوز صرفاً روی “پیدا شدن در جستجوها” تمرکز کرده اند.
اگر استراتژی تجارت الکترونیک شما برای سال ۲۰۲۶ صرفاً در پیدا شدن در نتایج پلتفرم های هوش مصنوعی متوقف می شود، باید بدانید بخشی از مشکل را حل کرده اید که از ابتدا هم بخشِ سختِ ماجرا نبوده است!