Hvad en fungerende handelsagent består af, og hvor den skaber størst værdi
En gennemgang af arkitekturen bag kommercielle AI-agenter fra Anthropic og vores erfaringer: hvad agenten reelt kan, og i hvilke nicher implementeringen giver det største afkast.
Anthropic har udgivet en analyse af, hvordan kommercielle agenter, der når produktion, er bygget op: The anatomy of effective commerce agents. Den bør læses i sin helhed, men her er, hvad det betyder for en butiksejer, der blot ønsker, at en kunde får svar klokken elleve om aftenen.
Vi har bygget Commerce Agents efter stort set de samme principper, og det er et behageligt sammentræf: det betyder, at vejen er banet.
Én agent, ikke en flok bots#
Artiklens første konklusion er overraskende for dem, der følger med i moden inden for multiagent-systemer. En samtale om et køb er ikke en samling isolerede opgaver, der kan fordeles til forskellige bots. Kunden spørger om størrelse, derefter om levering, vender så tilbage til størrelsen og siger “lad os tage to”. Alt dette er én strøm, hvor hver replik bygger på den foregående.
Derfor er den effektive model én agent, der fastholder konteksten, plus tilknyttede færdigheder til specifikke opgaver. Opdelingen er enkel: det, der er nødvendigt i næsten hver samtale, ligger i hovedinstruktionen; sjældne ting indlæses efter behov. Anthropic angiver tærsklen således: hvis en færdighed er nødvendig i mere end en tredjedel af samtalerne, hører den hjemme i den permanente instruktion.
Hos os er katalogssøgning, butikkens betingelser og virksomhedsprofil en del af den permanente instruktion. Sammenligning af varer, ordreoprettelse, arbejde med indkøbskurven og behandling af vedhæftede filer, som kunden har sendt, indlæses efter behov.
Værktøjer er jeres systemer, ikke kopier af dem#
Det andet princip: agenten skal ikke genopfinde butikkens logik. Søgning, lagerbeholdning, ordreafgivelse fungerer allerede et sted – agentens opgave er at nå dem, ikke at bygge sin egen version af sandheden ved siden af.
I vores tilfælde er “jeres systemer” kataloget, samlet fra opslag og hjemmeside, betingelsesteksten, indkøbskurven og betalingsudbyderen. Agenten finder ikke på leveringstider: den henter dem fra jeres tekst. Den finder ikke på prisen: den henter den fra varekortet. Hvis der ikke er data, siger den ærligt, at den vil undersøge det, og beder om kontakt – dette er også en del af arkitekturen, ikke en undskyldning.
En særskilt pointe fra artiklen: varekort, knapper og formularer er også værktøjer, med typer og valideringer. Netop derfor viser agenten varekortet i stedet for at genfortælle det med tekst: kunden ser foto, pris og knap, og I får en forudsigelig grænseflade i stedet for modellens improvisation.
Hastighed og penge#
Her har artiklen en nøgtern tone, som sjældent ses i tekster om AI. Det er meningsløst at jagte tiendedele af et sekund, hvis svaret er dårligt: kvaliteten, ikke millisekunderne, påvirker returneringer og den gennemsnitlige ordreværdi. Men I behøver heller ikke at overbetale – kontekst-caching med en hitrate på 90-99 % og valg af model til opgaven, verificeret med målinger frem for fornemmelser, hjælper.
Vi har opdelt modellerne præcis efter denne logik: en hurtig model taler med kunden, en mere eftertænksom model beregner rapporter og katalogændringer. Butiksejeren ser dette i “Indstillinger” som to separate felter og rører dem normalt ikke – standardværdierne er valgt ud fra målinger.
Sikkerhed uden paranoia#
Tre regler fra artiklen, som vi bogstaveligt talt følger:
- Farlige ændringer anvendes ikke stiltiende. Katalogændringer fra ejerens agent kommer i kø og venter på jeres “Anvend”-knap.
- Opfundne identifikatorer afvises. Hvis en vare ikke findes, vil agenten ikke henvise til et ikke-eksisterende varenummer.
- Hukommelsen lever i databasen, ikke i en prompt. Kundens præferencer skrives separat og hentes ved næste samtale, i stedet for at puste hver anmodning op.
Hvor udbyttet af implementeringen er størst#
Dette er det vigtigste praktiske spørgsmål, og svaret er ikke “ens overalt”. Spredningen er mærkbar blandt vores butikker.
Services og booking. Det højeste udbytte. Negleteknikere, tandlæger, reparation af elektronik, kurser, udlejning – steder hvor kunden stiller fem til ti spørgsmål før et køb, og næsten altid uden for åbningstid. Hvert ubesvaret spørgsmål om aftenen er en booking, der gik til den, der svarede hurtigere. Agenten lukker hullet fuldstændigt: den kender priser, varighed, hvad man skal medbringe, og hvornår der er ledige tider.
Varer med parametre. Tøj, møbler, elektronik, kosmetik – alt, hvor der spørges om størrelse, sammensætning, kompatibilitet og leveringstider. En sådan samtale tager ti minutter for en sælger, men sekunder for agenten, og den bliver ikke træt af at forklare det samme for hundrede gang.
Salg uden hjemmeside. Instagram, TikTok, YouTube og Telegram, hvor kataloget kun eksisterer som opslag. Her giver agenten noget, der tidligere slet ikke eksisterede: en udstillingsvindue, en indkøbskurv og betaling via et link i profilbio, uden at skulle udvikle en hjemmeside.
Nat, weekender og andre tidszoner. Halvdelen af henvendelserne kommer, når ingen svarer. Dette er den billigste indtægt at hente hjem: den er der allerede, der er bare ingen til at betjene den.
Kunder på forskellige sprog. En butik fra Warszawa modtager spørgsmål på polsk, ukrainsk, engelsk og russisk. Agenten svarer på kundens sprog uden at have en oversætter ansat.
Hvor udbyttet er mere beskedent: varer med én karakteristik og en åbenlys pris, salg via markedspladser, hvor korrespondancen foregår inden for platformen, og engrossalg, som alligevel afsluttes med forhandlinger. Agenten fjerner også rutinearbejdet der, men skaber ingen revolution.
Hvad skal man gøre med det#
- Saml kataloget fra det, der allerede findes: opslag, videoer eller en hjemmeside.
- Beskriv betingelserne ærligt og detaljeret – det er den eneste kilde, agenten bruger til at svare om levering og returnering.
- Placer et link i profilbio og gennemgå de første tyve dialoger. De viser, hvad jeres kunder reelt spørger om, bedre end nogen analyse.
Hvordan man gør det trin for trin, er beskrevet i artiklen Første opstart. Anthopics arkitekturanalyse – via linket.