بسیاری از خردهفروشان و برندهای تجاری تمام تمرکز خود را بر حضور در نتایج جستجوی هوش مصنوعی و پلتفرمهایی مانند ChatGPT معطوف کردهاند؛ اما گزارشهای اخیر نشان میدهد چالش اصلی نه در دیده شدن توسط هوش مصنوعی، بلکه در فرآیند نهاییسازی خرید و پرداخت (Checkout) توسط عاملهای نرمافزاری (AI Agents) نهفته است. در حالی که بهینهسازی موتورهای جستجو (SEO) و حضور در کاتالوگهای هوش مصنوعی گام نخست به شمار میرود، زیرساختهای فعلی تجارت الکترونیک که برای رفتارهای انسانی طراحی شدهاند، در مواجهه با سرعت و منطق ماشین دچار اختلال میشوند.
رشد چشمگیر خریدهای مبتنی بر هوش مصنوعی و پروتکلهای جدید
هارلی فینکلشتاین (Harley Finkelstein)، رئیس Shopify، در گزارش مالی فوریه ۲۰۲۶ این شرکت اعلام کرد که حجم سفارشهای دریافتی از طریق جستجوهای مبتنی بر هوش مصنوعی از ژانویه ۲۰۲۵ رشد چشمگیر ۱۵ برابری داشته است. این تراکنشها در حال حاضر از طریق سه پروتکل مجزا که طی یک سال گذشته توسعه یافتهاند، هدایت میشوند: پروتکل تجارت جهانی گوگل (Universal Commerce Protocol یا UCP)، پروتکل تجارت عاملی OpenAI (Agentic Commerce Protocol یا ACP) و پلتفرم تجارت «ایجنتفورس» متعلق به Salesforce (Agentforce Commerce) که تصمیم گرفت به جای ایجاد یک استاندارد رقیب، با پروتکل UCP همسو شود.
ابتدا فروشندگان پلتفرم Etsy در داخل ChatGPT فعال شدند و پس از آن بازرگانان Shopify از جمله برندهای Glossier، Spanx و Vuori به این جریان پیوستند. اگرچه OpenAI پس از آن از پرداخت مستقیم درونچت عقبنشینی کرد و خریدها را به اپلیکیشنهای خود خردهفروشان انتقال داد، اما این تغییر مسیر، اهمیت و حساسیت فرآیند پرداخت زیرساختی را دوچندان کرده است.
تفاوت بنیادین رفتار عاملهای هوش مصنوعی و انسان
کنستانتین کلیاگین (Konstantin Klyagin)، بنیانگذار آژانس QAwerk که از سال ۲۰۱۵ در زمینه تست نرمافزار فعالیت دارد و بیش از ۳۰۰ پروژه را در آمریکای شمالی، اروپا و آفریقا ارزیابی کرده است، معتقد است که نمایش محصول در پلتفرمهای هوش مصنوعی بخش ساده ماجراست. به گفته او، اصطکاک اصلی در بخشهای پایینی قیف فروش رخ میدهد؛ جایی که هنوز هیچ آزمون جدی روی آن انجام نشده است.
کلیاگین تفاوت این دو الگو را اینگونه تبیین میکند: یک خریدار انسانی با سرعتی نامنظم خرید میکند، دچار حواسپرتی میشود، سبد خرید خود را رها میکند و ساعتها بعد به آن بازمیگردد. در مقابل، یک عامل هوش مصنوعی درخواستهای API ساختاریافته را با سرعت بالا ارسال میکند، محصول را بر اساس معیارهای تعیینشده میسنجد و در عرض چند ثانیه تصمیم نهایی را اتخاذ میکند. این سرعت بالا دقیقاً همان عاملی است که سیستمهای بهینهسازیشده برای انسان را از کار میاندازد.
محدودیت نرخ درخواست (Rate limiting) و سیستمهای تشخیص ربات برای شناسایی رفتارهای خودکار طراحی شدهاند؛ رفتاری که دقیقاً شبیه به عملکرد یک عامل خرید هوشمند و قانونی است. همچنین، منطق نشستها (Session logic) که بر اساس یک بازدید پیوسته انسانی طراحی شده، در مواجهه با عاملی که ابتدا محصول را استعلام میکند، نشست را میبندد و بعداً برای نهایی کردن خرید بازمیگردد، دچار اختلال میشود. تیم فنی کلیاگین در بررسی سیستمهای چندعاملی در صنایع دیگر، بارها با این مشکل ریشهای مواجه شدهاند که اکثر برنامههای تضمین کیفیت (QA) تنها خروجی صحیح سیستم را بررسی میکنند و توانایی زیرساخت را در پذیرش یک بازیگر غیرانسانی با سرعت ماشین ارزیابی نمیکنند.
چالش ناهمخوانی دادهها و تجربه پروژه Pridefit
تیم فنی QAwerk در بررسیهای خود روی پروژههای مختلف، با مشکلات ظریفتری مواجه شده است که در زمان خرید توسط نرمافزار به بحران تبدیل میشوند. در یکی از پروژههای مشتریان به نام Pridefit، مهندسان متوجه شدند که دو بخش مجزا از سیستم، کپیهای متفاوتی از دادههای یک طرح فروش را با تفاوتهای جزئی در قیمتگذاری و ویژگیها نگهداری میکردند. یک خریدار انسانی ممکن است هرگز متوجه این ناهمخوانی نشود یا صرفاً صفحه را بازنشانی (Refresh) کند. اما یک عامل هوش مصنوعی فاقد درک بصری و قدرت قضاوت انسانی است. اگر عامل خرید بر اساس یک منبع داده طرحی را انتخاب کند و فرآیند پرداخت بر اساس منبع دیگر تایید شود، این مغایرت در قیمت، شناسه کالا (SKU) یا موجودی، تراکنش را در وضعیتی معلق قرار میدهد که عامل هوش مصنوعی قادر به حل خودکار آن نیست.
کلیاگین اشاره میکند که این الگو در تجارت عاملی (Agentic Commerce) بسیار رایج است؛ جایی که سیستمها درباره وضعیت یک خرید با یکدیگر همخوانی ندارند. برای مثال، فید موجودی کالا نشان میدهد که یک محصول موجود است، اما بخش پرداخت آن را تمامشده اعلام میکند؛ یا یک درخواست منقضیشده (Timed-out) دوباره به سمتی ارسال میشود که ویژگی همپایانی (Idempotent) ندارد؛ یا فرآیند مرجوعی وجه در سمت فروشنده تایید میشود پیش از آنکه وضعیت بهروزشده سفارش به عامل خریدار ارسال شود. یک انسان معمولاً میتواند با این تناقضها کنار بیاید و متوجه رخداد واقعی شود، اما یک عامل هوشمند نیاز دارد که تمام APIها، فیدهای محصول و وضعیتهای سفارش از قبل با یکدیگر همخوانی کامل داشته باشند.
سه آزمون حیاتی برای ارزیابی زیرساختهای تجارت الکترونیک
کلیاگین به خردهفروشانی که در حال حاضر بر همگامسازی کاتالوگها و نشانهگذاریهای ساختاریافته تمرکز دارند، توصیه میکند پیش از اتصال به پلتفرمهای هوش مصنوعی جدید، سه آزمون کلیدی را اجرا کنند:
- آزمون فشار (Load-test) روی API پرداخت: این آزمون باید به همان روشی که عاملهای هوش مصنوعی به سیستم ضربه میزنند اجرا شود؛ یعنی به جای شبیهسازی نشستهای کند انسانی، تماسهای موازی و متوالی سریع برقرار شود.
- بررسی دقت دادههای محصول به روش ماشینخوان: دادهها باید به همان روشی که ماشین آنها را میخواند بررسی شوند، نه روشی که مرورگر رندر میکند. یک صفحه ممکن است برای کاربر انسانی کاملاً یکپارچه به نظر برسد، اما زیرساخت آن از دو منبع متناقض تغذیه شود.
- تایید صحت فرآیند مرجوعی و بازگشت وجه در اولین تلاش: چرا که در خرید ماشینمحور، هیچ اپراتور خدمات مشتریانی وجود ندارد تا خطاهای جزئی یا عدم همگامسازی وضعیت را جبران کند.
به عقیده کارشناسان، صنعت تجارت الکترونیک اولویتها را جابهجا گرفته است. برندها پیش از آنکه مطمئن شوند زیرساخت پرداختشان توانایی نهایی کردن فروش را دارد، برای حضور در ChatGPT و Gemini رقابت میکنند. سئوی فنی تنها جایگاه محصول را در نتایج هوش مصنوعی تضمین میکند، اما هیچ نقشی در نهایی شدن خرید توسط ماشین ندارد. کلیاگین پیشبینی میکند که طی دو سال آینده، فرآیند تضمین کیفیت (QA) به دو مسیر مجزا تقسیم خواهد شد: یک مسیر برای تایید تجربه کاربری انسان و مسیر دیگر برای تایید توانایی عاملهای هوشمند در پردازش دادهها و اجرای کدهای API با سرعت ماشین.