Hva en fungerende handelsagent består av, og hvor den tjener mest penger
Gjennomgang av arkitekturen til kommersielle AI-agenter fra Anthropic og vår erfaring: hva agenten faktisk kan, og i hvilke nisjer implementeringen gir størst utbytte.
Anthropic publiserte en analyse av hvordan kommersielle agenter som faktisk når produksjon, er bygget opp: The anatomy of effective commerce agents. Den bør leses i sin helhet, men her er hva det betyr for en butikkeier som bare ønsker at kunden skal få svar klokken elleve om kvelden.
Vi utviklet Commerce Agents omtrent etter de samme prinsippene, og det er et hyggelig sammentreff: det betyr at veien er tråkket opp.
Én agent, ikke en flokk med roboter#
Den første konklusjonen i artikkelen er overraskende for dem som følger trenden med multiagent-systemer. En samtale om et kjøp er ikke en samling isolerte oppgaver som kan fordeles på ulike roboter. Kunden spør om størrelse, deretter om levering, så går vedkommende tilbake til størrelsen og sier “la oss ta to”. Alt dette er én flyt, der hver replikk bygger på den forrige.
Derfor er den effektive løsningen én agent som holder konteksten, pluss pluggbare ferdigheter for spesifikke oppgaver. Inndelingen er enkel: det som trengs i nesten hver samtale, ligger i hovedinstruksjonen; det sjeldne lastes inn ved behov. Anthropic setter terskelen omtrent slik: hvis en ferdighet trengs oftere enn i en tredjedel av samtalene, hører den hjemme i den permanente instruksjonen.
Hos oss er katalogssøk, butikkvilkår og forretningsprofil en del av den permanente instruksjonen. Sammenligning av varer, ordrebygging, håndtering av handlekurv og analyse av vedlegg kunden har sendt, lastes inn ved behov.
Verktøyene er systemene deres, ikke kopier av dem#
Det andre prinsippet: agenten skal ikke finne opp butikklogikken på nytt. Søk, lagerbeholdning og ordrebehandling fungerer allerede et sted – agentens oppgave er å nå dem, ikke å bygge sin egen versjon av sannheten ved siden av.
I vårt tilfelle er “systemene deres” katalogen, samlet fra innlegg og nettsted, vilkårsteksten, handlekurven og betalingsleverandøren. Agenten finner ikke på leveringstider: den henter dem fra teksten deres. Den finner ikke på prisen: den henter den fra produktkortet. Hvis data mangler, sier den ærlig at den vil sjekke, og ber om kontaktinformasjon – dette er også en del av arkitekturen, ikke en unnskyldning.
En separat tanke fra artikkelen: produktkort, knapper og skjemaer er også verktøy, med typer og valideringer. Det er derfor agenten viser produktkortet, i stedet for å gjenfortelle det med tekst: kunden ser bilde, pris og knapp, og dere får et forutsigbart grensesnitt i stedet for modellens improvisasjon.
Hastighet og penger#
Her har artikkelen en nøktern tone, som sjelden finnes i tekster om AI. Det er meningsløst å jage tideler av et sekund hvis svaret er dårlig: kvalitet påvirker returer og gjennomsnittlig ordreverdi, ikke millisekunder. Men det er heller ikke nødvendig å overbetale – kontekstbufring med 90–99 % treff og valg av modell for oppgaven, verifisert med målinger, ikke basert på følelser, hjelper.
Vi delte modellene nøyaktig etter denne logikken: en rask modell snakker med kunden, en mer grundig modell behandler rapporter og katalogendringer. Butikkeieren ser dette i “Innstillinger” som to separate felt, og rører dem vanligvis ikke – standardverdiene er valgt basert på målinger.
Sikkerhet uten paranoia#
Tre regler fra artikkelen som vi støtter bokstavelig:
- Farlige endringer blir ikke utført i stillhet. Katalogendringer fra agenten havner i en kø og venter på at dere trykker på “Bruk”-knappen.
- Oppdiktede identifikatorer avvises. Hvis en vare ikke finnes, vil agenten ikke referere til et ikke-eksisterende varenummer.
- Minnet lever i databasen, ikke i en prompt. Kundens preferanser skrives ned separat og hentes inn ved neste samtale, i stedet for å blåse opp hver forespørsel.
Hvor er utbyttet størst fra implementeringen#
Dette er det viktigste praktiske spørsmålet, og svaret er ikke “likt overalt”. Variasjonen er merkbar blant våre butikker.
Tjenester og booking. Høyest utbytte. Negledesigner, tannlege, teknisk reparasjon, kurs, utleie – der hvor kunden stiller fem til ti spørsmål før et kjøp, og nesten alltid utenfor arbeidstid. Hvert ubesvarte spørsmål om kvelden er en booking som gikk til den som svarte raskere. Agenten dekker hele gapet: den kjenner priser, varighet, hva man skal ta med og når det er ledige timer.
Varer med parametere. Klær, møbler, elektronikk, kosmetikk – alt der det spørres om størrelse, sammensetning, kompatibilitet og leveringstider. En slik samtale tar ti minutter for en selger, men sekunder for agenten, og den blir ikke lei av å forklare det samme for hundrede gang.
Salg uten nettsted. Instagram, TikTok, YouTube og Telegram, der katalogen kun eksisterer som innlegg. Her gir agenten noe som i prinsippet ikke fantes før: en utstillingshylle, handlekurv og betaling via lenke fra profilbeskrivelsen, uten nettstedsutvikling.
Natt, helger og andre tidssoner. Halvparten av henvendelsene kommer når ingen svarer. Dette er den billigste inntekten å hente inn: den eksisterer allerede, det er bare ingen til å betjene den.
Kunder på ulike språk. En butikk fra Warszawa mottar spørsmål på polsk, ukrainsk, engelsk og russisk. Agenten svarer på kundens språk uten å ha en oversetter ansatt.
Hvor utbyttet er mer beskjedent: varer med én egenskap og åpenbar pris, salg via markedsplasser der korrespondansen foregår internt på plattformen, og engrosavtaler som uansett avsluttes med forhandlinger. Agenten fjerner rutineoppgaver også der, men skaper ingen revolusjon.
Hva gjør man med dette#
- Samle katalogen fra det som allerede finnes: innlegg, videoer eller nettsted.
- Beskriv vilkårene ærlig og detaljert – dette er den eneste kilden agenten bruker for å svare om levering og retur.
- Legg en lenke i profilbeskrivelsen og se på de første tjue dialogene. De viser hva kundene deres faktisk spør om, bedre enn noen analyse.
Hvordan dette gjøres trinn for trinn, er beskrevet i artikkelen Første oppstart. Anthropics arkitekturanalyse – via lenken.