Commercio agentico: come preparare il catalogo prodotti per ChatGPT, Gemini e gli agenti AI

Il Shopping Graph di Google ospita oggi 50 miliardi di schede prodotto, e 2 miliardi vengono aggiornate ogni ora (fonte: dati interni Google, gennaio 2026). Quando un agente AI, ChatGPT, Gemini, Perplexity o Copilot, deve consigliare un prodotto a chi gli sta facendo una domanda, attinge da database strutturati come questo. Se il vostro catalogo non è leggibile da un agente, non viene consigliato. Non è una penalizzazione algoritmica, è invisibilità.

Andrea Volpini, CEO di WordLift, lo sintetizza così: “Visibility won’t be something you buy, it’ll be something you earn”. Nel commercio agentico la visibilità non si compra con il budget pubblicitario, si guadagna con la qualità dei dati prodotto.

Per le PMI italiane la finestra utile è probabilmente l’anno corrente. L’Universal Commerce Protocol (UCP) non è ancora attivo in Italia, ma chi ha già fatto il lavoro sui dati partirà davanti di mesi rispetto a chi inizierà solo quando il protocollo sarà disponibile. Qui trovate come iniziare adesso, dal feed prodotti agli identificativi GS1, dallo schema markup alle metriche operative. 

Cos’è il commercio agentico (e perché cambia la SEO per gli e-commerce)

Il commercio agentico è il modello in cui gli agenti AI non suggeriscono soltanto prodotti, ma li acquistano per conto dell’utente. Piattaforme come ChatGPT diventano personal shopper. Cercano il prodotto giusto e completano l’acquisto direttamente in chat, senza che il cliente visiti mai il vostro sito.

Due standard si stanno contendendo il mercato.
L’Agentic Commerce Protocol (ACP) di OpenAI, con partner come Stripe, Etsy e Shopify, punta alla vendita immediata dentro ChatGPT ed è già operativo nei mercati anglofoni.
L’Universal Commerce Protocol (UCP) di Google, supportato da Visa, Mastercard, Walmart e oltre 60 altri operatori, è progettato come linguaggio universale per tutti gli agenti AI, incluso AI Mode.

ACP punta alla vendita immediata dentro ChatGPT ed è già operativo; UCP è l’infrastruttura che arriverà. I dettagli sono nell’articolo dedicato all’UCP. Prepararsi per entrambi conviene. 

ChatGPT ha 700 milioni di utenti attivi settimanali (fonte: report WordLift 2025). AI Mode di Google ha superato i 75 milioni di utenti attivi giornalieri dalla fine del 2025 (fonte: Alphabet Earnings Q3 2025). Con AI Overview, che conta già oltre 2 miliardi di utenti mensili (fonte: Alphabet Earnings Q4 2025), la scoperta dei prodotti sta migrando dentro le interfacce AI.

L’economia della visibilità cambia di conseguenza. Prima si compensavano feed poveri con un bidding aggressivo, perché dati mediocri più alto ad spend bastava per ottenere visibilità. Oggi gli agenti AI consigliano in base a ciò che risolve il problema dell’utente, non a chi ha pagato di più. Gli ads diventano un canale tra i tanti, non la leva principale.

Come funziona il commercio agentico: il processo decisionale degli agenti AI

Un agente di intelligenza artificiale autonomo nell’e-commerce opera in modo fondamentalmente diverso da un motore di ricerca tradizionale. Non restituisce una lista di risultati che l’utente deve valutare; esegue l’intero processo decisionale al posto dell’utente. Riceve un obiettivo (“trova le cuffie wireless sotto i 150€ con consegna entro domani”), accede a una serie di risorse, confronta le opzioni disponibili e poi agisce. Aggiunge al carrello, completa il pagamento, riceve la conferma d’ordine. L’utente non apre un browser, non visita un sito, non scorre una pagina di categoria.

Il meccanismo alla base di questo processo si chiama visione contestuale. L’agente non cerca solo il prodotto con le caratteristiche giuste, ma considera il contesto completo dell’utente. Se l’utente ha già acquistato cuffie Sony in passato, l’agente può privilegiare quel brand. Se la consegna entro domani è un requisito non negoziabile, i merchant senza logistica adeguata vengono esclusi prima ancora del confronto prezzi. Se il prodotto è listato a 148€ ma la spedizione costa 15€, l’agente calcola il totale e decide di conseguenza.

Nella fase di pianificazione e negoziazione, gli agenti più avanzati confrontano prezzi tra merchant in tempo reale, verificano la disponibilità effettiva in stock e valutano le condizioni di spedizione prima di selezionare il fornitore ottimale. Protocolli come ACP di OpenAI e UCP di Google sono progettati per standardizzare questo scambio di dati: l’obiettivo è rendere gli acquisti automatizzati più affidabili perché basati su informazioni verificate al momento della transazione, non su dati statici aggiornati ore prima.

L’interazione tra agenti è un aspetto ancora poco discusso ma rilevante. In scenari avanzati, un agente AI può delegare parti del processo a sotto-agenti specializzati: uno verifica la disponibilità, un altro confronta i prezzi, un terzo gestisce il pagamento. Ogni agente del sistema contribuisce alla personalizzazione dell’esperienza finale, calibrando la raccomandazione su preferenze dichiarate, storico acquisti, localizzazione e vincoli operativi. Due utenti con la stessa query ricevono risposte diverse perché l’agente ha profili diversi da cui partire.

Per un merchant che vuole essere presente nel canale degli AI agent in e-commerce, la conseguenza pratica è diretta. L’agente non visita il sito come farebbe un utente; legge i dati strutturati, verifica gli identificativi GS1, controlla i segnali operativi. Se trova dati incompleti o ambigui, passa al competitor successivo in pochi millisecondi. La competizione non si gioca più sulla qualità della pagina prodotto: si gioca sulla qualità del dato.

Cosa cerca un agente AI quando “guarda” un prodotto

Un agente AI valuta ogni prodotto secondo quattro criteri (fonte: report WordLift 2025):

• Validità. Gli identificativi (GTIN, MPN) sono autentici e verificabili nei database GS1?
• Completezza. Tutti gli attributi rilevanti sono presenti, anche a livello di variante?
• Affidabilità. Prezzi, stock e disponibilità sono coerenti tra feed, sito e canali di vendita?
• Trustworthiness. Recensioni, policy di reso e tempi di spedizione raccontano un merchant affidabile?

Ogni agente AI è il reputation manager del proprio utente. Se consiglia un prodotto sbagliato (un articolo fuori stock, un prezzo errato, un merchant lento) perde fiducia. Per questo è selettivo, e non guarda solo i dati statici della scheda prodotto, ma valuta anche i segnali operativi, dai tempi di spedizione alla gestione resi, dalla stabilità dei prezzi alle valutazioni dei clienti reali.

Compilare i campi obbligatori del feed Merchant Center per superare la validazione non basta più. Serve un profilo informativo abbastanza ricco e coerente da permettere all’agente di scegliere il vostro prodotto con sicurezza tra centinaia di alternative.

Come dice Volpini: “If AI can’t read your products, it can’t sell them”.

I 6 livelli del prodotto “AI-ready”

Costruire un prodotto leggibile dagli agenti AI richiede di lavorare su sei livelli. Una lacuna in uno solo basta a ridurre la visibilità nelle conversazioni AI.

1. Titolo e descrizione: specificità vs genericità

Camicia blu dice all’agente AI praticamente nulla. Camicia uomo slim fit in cotone, blu, taglia M dice categoria, vestibilità, materiale, colore e taglia in un solo respiro. La descrizione deve includere materiale, occasioni d’uso, compatibilità (per esempio “compatibile con girovita 28-30″”, “spedizione next-day a Milano”). Pensate a cosa un cliente chiederebbe a un commesso esperto, e mettetelo nel testo.

2. Attributi e varianti complete

SKU, GTIN, prezzo, stock, taglia, colore, materiale e peso vanno definiti a livello di variante, non solo a livello di prodotto padre. Ogni combinazione taglia-colore deve avere i propri dati completi e aggiornati. Se vendete una scarpa in 8 taglie e 4 colori, ognuna delle 32 combinazioni ha bisogno del proprio set di attributi, perché un agente AI che cerca “scarpa nera taglia 42 disponibile sotto i 100€” non aggrega per voi.

3. Identificativi: GTIN, MPN e GS1 Digital Link

GS1 è l’organizzazione globale non-profit che definisce gli standard di identificazione universale per prodotti, location e asset. Il GTIN (Global Trade Item Number) è l’identificativo univoco di ciascun articolo. Gli agenti AI lo usano per verificare l’autenticità del prodotto, accedere alle specifiche ufficiali nei database del produttore, incrociare le recensioni e confrontare i prezzi tra merchant. Senza GTIN validi un agente vede ambiguità; con i GTIN vede certezza.

In Italia i GTIN si ottengono attraverso GS1 Italy (quota base indicativamente da 90€/anno, variabile in funzione del numero di codici e del fatturato; verificate le tariffe aggiornate direttamente sul sito GS1 Italy prima di procedere). Evitate l’acquisto da rivenditori terzi: gli agenti AI verificano l’autenticità contro i database GS1 ufficiali e i codici non registrati al vostro brand vengono ignorati. Il GS1 Digital Link è l’evoluzione del codice a barre tradizionale, ovvero una URL strutturata che restituisce in tempo reale tutte le specifiche ufficiali del prodotto, leggibile da qualsiasi scanner o agente AI. È uno standard ancora emergente, ma è l’infrastruttura su cui si appoggierà il commercio agentico.

4. Schema markup Product + Offer

Il Product schema è un blocco di codice invisibile all’utente ma leggibile dagli agenti AI. Dice a ChatGPT o Gemini che quella pagina è un prodotto, di che brand, a che prezzo, in che varianti, se è disponibile. Lo schema Offer va aggiunto per ogni variante, in modo che l’agente possa rispondere a domande precise come “scarpa nera taglia 42 sotto i 100€”. Chi gestisce il vostro sito sa come implementarlo; il vostro compito è assicurarvi che tutti i dati di prodotto siano completi e aggiornati prima che lo sviluppatore li inserisca nel codice. Per l’approfondimento su dati strutturati e visibilità AI rimandiamo all’articolo su come costruire una strategia SEO per le AI Overviews di Google.

5. Media: immagini multi-angle, lifestyle, 360°

Servono almeno alta risoluzione, sfondo neutro per la foto principale, immagini lifestyle e dettagli costruttivi. La rotazione 360° è opzionale ma sempre più premiata dagli agenti multimodali. Sul piano tecnico contano il formato (JPEG ottimizzato o WebP), il peso sotto i 200KB per immagine e gli alt text descrittivi, che includano marca, modello e attributo principale (“Camicia slim fit in cotone blu, vista frontale” anziché “camicia blu”). Gli agenti AI più recenti leggono le immagini direttamente, non solo i tag testuali associati.

6. Integrazione knowledge graph

Il sesto livello è il più sottovalutato. Si tratta di collegare ciascun prodotto a entità verificate. Organization schema per il vostro brand, link a Wikidata e Wikipedia quando applicabile, coerenza assoluta nei nomi tra feed Merchant Center, sito, social e Google Business Profile.

Per fare un esempio concreto, se vendete calzature, il vostro “Stivale Chelsea in pelle nera, uomo” deve essere riconoscibile come la stessa cosa del “Chelsea Boot Black Leather” che compare nelle recensioni su Trustpilot e dell'”Art. 4521″ che appare nella fattura al distributore. Senza queste connessioni, ogni menzione del prodotto resta un’isola separata e l’agente AI non può aggregare i segnali per costruire una reputazione coerente.

Confronto: prodotto non AI-ready vs AI-ready

Operational excellence: perché l’AI premia chi spedisce veloce

Avere dati prodotto perfetti non basta se il merchant non è affidabile. Gli agenti AI integrano i dati statici con segnali operativi come tempi di consegna, gestione resi e coerenza tra prezzo visualizzato e prezzo finale al checkout.

Un merchant che spedisce in 7 giorni mentre il competitor consegna in 24h verrà consigliato meno, anche a parità di scheda prodotto. Lo stesso vale per resi a pagamento o con procedure complesse, per prezzi instabili, per descrizioni che non corrispondono al prodotto consegnato. In tutti questi casi l’agente sta semplicemente ottimizzando per la soddisfazione finale del proprio utente, non per la qualità della scheda prodotto.

Le metriche operative diventano così segnali di ranking indiretti. Per le PMI ben gestite questo è un vantaggio concreto rispetto a marketplace più grandi e meno flessibili.

Potenzialità e impatto sul mercato retail

Il commercio agentico sta attraendo investimenti significativi dai principali player tecnologici. OpenAI, Google, Microsoft e Amazon stanno sviluppando in parallelo infrastrutture di agentic commerce che competono per diventare il riferimento di settore nei prossimi anni. Non sono investimenti speculativi: ciascuno di questi attori sta integrando il commercio agentico nelle proprie piattaforme esistenti, con basi utenti già misurate in centinaia di milioni.

L’impatto più immediato riguarda la scoperta dei prodotti. Con AI Mode di Google sopra i 75 milioni di utenti attivi giornalieri e AI Overview attiva per oltre 2 miliardi di utenti mensili, la quota di ricerche product-related che transitano attraverso interfacce AI è in crescita costante. La ricerca AI in e-commerce non sostituisce la ricerca tradizionale dall’oggi al domani, ma si affianca a essa in modo crescente sulle query ad alta intenzionalità d’acquisto, quelle in cui l’utente ha già deciso di comprare e cerca il prodotto giusto alle condizioni migliori.

Per il settore retail, l’impatto si distribuisce su tre aree.

La prima è l’efficienza operativa. I processi di acquisto automatizzati riducono il costo per transazione su categorie di prodotto ripetitive e ad alto volume. L’utente che riacquista lo stesso prodotto ogni mese non valuta alternative se un AI assistant in e-commerce gestisce il riordino automatico sulla base delle sue preferenze precedenti.

La seconda riguarda le previsioni di mercato. Gli agenti AI che aggregano dati di domanda in tempo reale producono segnali predittivi che i sistemi tradizionali di inventory management non possono generare con la stessa granularità. Un merchant che integra questi segnali nella gestione del magazzino può ridurre stockout e overstock in modo più preciso di quanto permettano i modelli statistici aggregati.

La terza è la personalizzazione su scala. Un processo decisionale guidato dall’IA gestisce simultaneamente variabili contestuali come stagione, localizzazione, disponibilità logistica e storico acquisti, producendo un’esperienza d’acquisto calibrata sull’utente specifico. L’innovazione nel retail introdotta dal commercio agentico non riguarda tanto l’interfaccia, quanto la capacità di ottimizzare ogni singola transazione in base a un contesto che un sistema tradizionale non riuscirebbe a elaborare in tempo reale.

Il valore del mercato dell’agentic commerce è ancora in fase di definizione statistica affidabile: i report di settore disponibili variano sensibilmente nelle stime, soprattutto perché i confini tra AI per l’e-commerce, conversational commerce e agentic commerce si sovrappongono nelle metodologie di calcolo. Quello che è documentato con certezza è la direzione: tutti i principali attori tecnologici e retail stanno muovendo investimenti in questa direzione, e chi costruisce l’infrastruttura dati oggi non dovrà farlo sotto pressione competitiva domani.

La roadmap per una PMI italiana: cosa fare nei prossimi 90 giorni

Settimane 1-4: foundation

Fate un audit del feed prodotti corrente: cercate attributi mancanti (quanti prodotti hanno il GTIN vuoto? quante varianti hanno lo stock non aggiornato?), inconsistenze tra catalogo e Merchant Center, descrizioni generiche. Pulite per primi i top 20 prodotti per fatturato. Richiedete o verificate i GTIN attraverso GS1 Italy per l’intero catalogo, con attenzione ai prodotti a marchio proprio. Configurate o ottimizzate Google Merchant Center con approvazione delle schede prodotto gratuite.

Settimane 5-12: protocollo e schema

Implementate Product schema e Offer schema su tutto il catalogo, variante per variante. È il lavoro da affidare al vostro sviluppatore o agenzia web, con una checklist dei dati prodotto già puliti dalla fase precedente. Configurate il feed in tempo reale tramite le integrazioni di Google Merchant Center, in modo che prezzi e disponibilità riflettano sempre lo stock effettivo. Preparate l’infrastruttura tecnica per UCP, con il profilo brand rivendicato, le policy di spedizione e reso pubblicate e le informazioni di assistenza configurate. Per i dettagli protocollari rimandiamo all’articolo dedicato all’UCP.

Ongoing: knowledge graph e monitoraggio

Lavorate sulle relazioni tra prodotti, categorie e casi d’uso. Integrate FAQ e Q&A sulle schede prodotto con FAQPage schema. Fate test ricorrenti su ChatGPT, Gemini e Perplexity con le keyword del catalogo: il prodotto compare quando un utente lo cerca con linguaggio naturale? Compare quando cercano i competitor? La brand awareness come asset SEO diventa qui particolarmente rilevante, perché gli agenti AI privilegiano brand già presenti nel loro knowledge graph.

Case study: cosa hanno ottenuto i brand che si sono mossi prima

Tre casi documentati dal report WordLift 2025.

L’Oréal Turkey ha unificato contenuti e dati prodotto in un unico sistema strutturato, mantenendo la voice del brand. Risultato: +147% di click sulle pagine prodotto AI-ottimizzate, +72% di impression mese su mese, +16% di traffico organico sulle pagine test.

Glasses.com ha automatizzato descrizioni prodotto e internal linking. Risultato: +35% di traffico organico in 6 mesi, visibilità rafforzata con rich snippet e FAQ, +30% di click sulle pagine prodotto.

Arnette ha implementato GS1 Digital Link standardizzando le informazioni prodotto su tutti i canali. Risultato: +11,4% di click organici alle pagine prodotto, maggiore coerenza cross-channel, meno errori e conversioni più alte.
Tutti e tre i casi sono in mercati dove l’adozione AI è più avanzata della media italiana. I numeri non sono una garanzia di risultati identici, ma indicano cosa hanno ottenuto le aziende che si sono mosse prima.

Critiche e sfide dell’agentic commerce

Il commercio agentico porta con sé sfide concrete che conviene affrontare con chiarezza, prima che diventino urgenti.

La prima riguarda il controllo del brand. Quando un agente AI seleziona e presenta un prodotto all’utente, il merchant ha un’influenza limitata su quel momento. La scheda prodotto può essere ottimale, ma l’agente sintetizza le informazioni nel formato che ritiene più utile per quell’utente, confronta il prodotto con i competitor secondo criteri propri e attribuisce pesi agli attributi in base alla query e al contesto. La risposta pratica non sta nel tentare di controllare il meccanismo, ma nell’assicurarsi che i propri dati siano abbastanza completi e precisi da non lasciare spazio a interpretazioni scorrette o presentazioni parziali.

La seconda sfida è la trasparenza nelle raccomandazioni dell’AI. I criteri con cui gli agenti selezionano e ordinano i prodotti non sono pubblicamente documentati nei dettagli implementativi. È noto che contano validità dei dati, completezza degli attributi, segnali operativi e reputazione del merchant. Ma i pesi relativi di questi fattori, e come variano tra piattaforme e tipi di query, non sono accessibili. È una situazione analoga alla SEO dei primi anni Duemila: meccanismi comprensibili nei principi generali, opachi nei dettagli tecnici. Come per la SEO, la risposta più solida non è aspettare la documentazione completa, ma lavorare su ciò che è documentato e misurare l’impatto.

La terza sfida riguarda la competizione digitale. Il commercio agentico tende a concentrare la visibilità online sui merchant con i dati migliori e l’operatività più efficiente. Per le PMI questo può significare competere con brand che dispongono di team dedicati alla data quality e infrastrutture logistiche ottimizzate. Il vantaggio delle PMI sta nella flessibilità operativa, ovvero nella capacità di aggiornare il catalogo senza processi burocratici e di rispondere rapidamente, e nella specializzazione di nicchia, dove la profondità di catalogo su una categoria specifica può valere più della scala complessiva.

La quarta sfida è strutturale. Il commercio agentico crea una dipendenza da piattaforme terze, così come la SEO ha creato una dipendenza da Google. Se uno degli attori principali cambia i propri criteri di ranking o introduce costi di accesso al canale, il merchant subisce l’impatto senza leve dirette di negoziazione. La risposta strutturale più efficace è diversificare la presenza su più piattaforme agentiche e costruire i dati di prodotto su standard aperti come GS1 e schema.org, anziché su formati proprietari. Un catalogo conforme agli standard aperti rimane trasportabile, indipendentemente da quale agente AI diventerà dominante nei prossimi anni.

Domande frequenti

Devo aspettare che UCP sia attivo in Italia per cominciare a lavorare sui dati prodotto?

No. Il lavoro sui dati produce benefici immediati sulla SEO tradizionale, sulle AI Overviews e sul Google Shopping Graph già oggi. Quando UCP arriverà in Italia, sarete pronti a partire davanti di mesi rispetto ai competitor che inizieranno solo allora.

Posso applicare queste pratiche se ho un sito vetrina B2B e non un e-commerce?

Sì, in forma adattata. Schema Product/Service, Organization schema, FAQPage schema e l’integrazione del knowledge graph valgono anche per chi vende servizi o non ha checkout online. Cambia il dettaglio implementativo, non la logica. Rendere il vostro catalogo leggibile dagli agenti AI è un vantaggio anche fuori dall’e-commerce puro.

Quanto costa ottenere i GTIN tramite GS1 Italy?

Indicativamente da circa 90€/anno per la quota base, con costi che variano in funzione del numero di codici richiesti e del fatturato aziendale. Verificate le tariffe aggiornate direttamente sul sito GS1 Italy prima di procedere, perché le tariffe si aggiornano periodicamente. Evitate l’acquisto da rivenditori terzi: i codici non registrati al vostro brand non vengono riconosciuti dai database GS1 ufficiali.

Quali piattaforme e-commerce facilitano già lo schema Product variant-level?

Shopify gestisce nativamente il Product schema di base, ma per uno schema Offer completo a livello di variante serve spesso personalizzazione del tema o app dedicate. WooCommerce richiede plugin specifici (Yoast SEO, Rank Math con estensione WooCommerce). Magento è configurabile manualmente o con estensioni. Le piattaforme custom richiedono sviluppo dedicato: è uno degli ambiti dove un partner come WebPD interviene con i gestionali e software personalizzati integrati con il sito.

Come misuro se i miei prodotti vengono effettivamente consigliati dagli agenti AI?

Mancano ancora tool maturi per il tracking AI. Gli approcci pratici oggi disponibili sono tre: test manuali ricorrenti su ChatGPT, Gemini e Perplexity con prompt di ricerca prodotto realistici; monitoraggio delle ricerche brand su Search Console come proxy indiretto della visibilità AI; tool come SEOZoom e Semrush, che stanno integrando il tracking delle citazioni AI nelle loro suite.

Iniziare oggi, anche se UCP non è ancora in Italia

Il commercio agentico funziona già nei mercati anglofoni e arriverà in Italia. Le tempistiche non sono prevedibili con precisione, ma il lavoro da fare sui dati prodotto, sullo schema markup, sugli identificativi GS1 e sull’integrazione knowledge graph produce valore da subito. Migliora la SEO tradizionale, qualifica per le AI Overviews di Google, riduce errori operativi e rende il catalogo più gestibile.

Il vostro catalogo prodotti è leggibile da un agente AI? Spesso la differenza tra essere consigliati e restare invisibili si decide in pochi attributi mancanti, uno schema incompleto, GTIN errati. WebPD affianca le PMI italiane nell’audit dei dati prodotto, nell’implementazione dello schema markup e-commerce e nello sviluppo di siti e-commerce AI-ready, oltre che nei servizi SEO e SEM integrati. Contattate un nostro specialist per un audit del vostro catalogo.