Un rivenditore con un catalogo curato in modo impeccabile — fotografie professionali, descrizioni scritte da un copywriter esperto — può risultare invisibile a un agente di intelligenza artificiale che cerca un prodotto specifico per conto di un utente. Un concorrente con un catalogo esteticamente più modesto, ma con un feed dati strutturato secondo gli standard richiesti, viene invece raccomandato regolarmente. È lo stesso principio già visto a proposito della Generative Engine Optimization, applicato qui a un ambito più concreto: la qualità dei dati che alimentano gli agenti di acquisto autonomi.
Un sistema di Product Information Management raccoglie e organizza in un unico luogo le informazioni relative a un prodotto — specifiche tecniche, varianti, disponibilità, prezzo, categorizzazione — che vengono poi distribuite ai diversi canali di vendita. Fino a poco tempo fa, la qualità di questo sistema contava soprattutto per la coerenza interna e per l’esperienza di navigazione umana. Con l’affermarsi degli agenti AI come nuovo canale di scoperta, il PIM diventa la fonte primaria da cui gli agenti attingono per capire cosa un prodotto è, a chi si rivolge, e se corrisponde ai criteri richiesti — un compito che un tempo svolgeva una persona che leggeva la pagina prodotto, e che oggi svolge un sistema automatico che interroga direttamente il feed.
Una descrizione scritta per persuadere un lettore umano — evocativa, orientata al beneficio emotivo, magari volutamente vaga su alcuni dettagli tecnici per non appesantire il testo — può funzionare perfettamente per un visitatore che sfoglia il sito, e fallire completamente quando un agente AI cerca di estrarne attributi strutturati per rispondere a una richiesta specifica. Un agente che deve confrontare “scarpe da trail running sotto i 150 euro, consegnate entro venerdì” ha bisogno di un prezzo strutturato, una categoria chiaramente etichettata, una data di disponibilità in un campo dedicato — non di una frase come “il compagno ideale per le tue avventure fuori sentiero”, per quanto efficace possa essere per un lettore umano.
Vale la pena distinguere due problemi diversi che vengono spesso confusi. Il primo è la qualità interna del sistema di gestione delle informazioni di prodotto — quanto è completo, aggiornato, ben organizzato. Il secondo è la conformità del feed esterno ai protocolli specifici richiesti dalle piattaforme agentiche — la struttura dati richiesta da Universal Commerce Protocol, Agentic Commerce Protocol o Model Context Protocol, già descritti a proposito del commercio agentico. Un’azienda può avere un PIM interno sofisticato e continuare a essere invisibile agli agenti AI se il feed che espone verso l’esterno non rispetta la struttura richiesta da questi protocolli. Sono due livelli di lavoro distinti, e risolvere il primo non risolve automaticamente il secondo.
Il lavoro concreto comporta etichettare in modo esplicito e strutturato attributi che in un catalogo tradizionale restavano spesso impliciti o dispersi nel testo — taglia, materiale, compatibilità, tempi di consegna stimati per area geografica — e mantenerli sincronizzati in tempo reale con la disponibilità effettiva, perché un agente che riceve un’informazione di stock non aggiornata produce un’esperienza d’acquisto fallimentare che danneggia la fiducia nel canale, non solo nel singolo prodotto. È un lavoro che ricade tipicamente tra il team che gestisce il catalogo e quello che gestisce le integrazioni tecniche, una zona di confine organizzativo che in molte aziende non ha ancora un responsabile chiaro.
Prima di investire in ottimizzazioni creative per farsi notare dagli agenti di acquisto AI, la verifica più elementare — e meno interessante — resta la più utile: il proprio feed prodotto espone correttamente, in formato strutturato e leggibile da un sistema automatico, gli attributi che un cliente userebbe per descrivere cosa sta cercando? Un catalogo esteticamente curato ma strutturalmente opaco per un sistema automatico rischia di restare invisibile esattamente nel momento in cui il canale di scoperta smette di essere un umano che scorre una pagina, e diventa un agente che interroga un database.