Hoe werkt
agentic e-commerce?

De zes stappen van een shopping agent — technisch bekeken

Vanaf het moment dat jij een opdracht geeft tot het moment dat een agent een aankoop voorbereidt, gebeurt er onder water meer dan je denkt. Hier is wat er stap voor stap gebeurt:

Stap 1: Intent-parsing

De gebruiker zegt: “Vind hardloopschoenen voor een marathon, max 180 euro.” Het taalmodel zet die natuurlijke taal om in een gestructureerde representatie: category: running shoes, use_case: marathon, budget_max: 180, currency: EUR. Dit klinkt simpel, maar het is het scharnierpunt: foute intent-parsing leidt tot foute aanbevelingen. Hoe duidelijker je productpagina's aansluiten op gebruikelijke zoekintenties, hoe groter de kans dat de agent jouw aanbod als match ziet.

Stap 2: Context-verrijking

De agent voegt context toe uit eerdere conversaties, voorkeuren, aankoopgeschiedenis en (waar relevant) accountdata. Maatgegevens, merkvoorkeuren en eerdere uitgavenpatronen kleuren de zoektocht in. Webshops zien deze context meestal niet — die blijft in de agent-platform — maar het effect is wel zichtbaar in welke producten uiteindelijk worden vergeleken.

Stap 3: Productdiscovery

Nu gaat de agent op zoek. Drie kanalen tegelijk:

• Productfeeds en API's van aangesloten merchants (Shopify, Magento, BigCommerce, eigen platforms via MCP).
• Structured data uit het web: schema.org Product-markup die agents direct kunnen lezen zonder rendering.
• Affiliate- of vergelijkingsnetwerken: data uit Google Shopping, idealo, kieskeurig en vergelijkbaar.

Snelheid is hier kritiek. Een agent geeft een paar honderd milliseconden om een respons te krijgen — een trage productfeed of API zorgt dat je simpelweg wordt overgeslagen.

Stap 4: Vergelijking

De agent neemt de gevonden producten en weegt ze op meerdere assen tegelijk: prijs-kwaliteitsverhouding, voorraadbeschikbaarheid, levertijd, retourbeleid, betrouwbaarheid van de merchant en hoeveel reviews er zijn. Sommige agents berekenen een interne “trust score” per merchant. Een webshop met goede data én sterke externe reviews zit aan kop; eentje zonder reviews of met inconsistente prijsdata raakt direct van tafel.

Stap 5: Aanbeveling

De agent rondt af tot een top drie of soms één enkele suggestie. Hij schrijft een korte motivatie: waarom dit product, waarom van deze merchant. Daarmee wordt de keuze transparant — maar tegelijk wordt je merchandising minder zichtbaar. De agent zal niet je banner citeren of je homepage tonen. Hij citeert je productdata en je reviews.

Stap 6: Transactie-voorbereiding

Bij eenvoudige flows klikt de agent door naar de checkout-pagina van de merchant. Bij agent-friendly checkouts gebeurt het volledig via API: de agent vult een orderintent in, verifieert de prijs, en vraagt de gebruiker om bevestiging. Bij volledig autonome flows binnen vooraf gestelde grenzen — bijvoorbeeld “tot 50 euro mag je zelfstandig kopen” — kan de transactie zonder tussenkomst worden afgerond.

Een shopping agent kijkt niet naar mooie plaatjes. Hij telt jouw attributen, beoordeelt de consistentie, en kiest op zekerheid.

De technische bouwstenen

Onder al die stappen zit een stapel technologie. Een korte rondleiding langs de belangrijkste lagen:

Large Language Models (LLM's)

De redeneerlaag. Modellen als GPT-4-klasse, Claude en Gemini zijn goed genoeg geworden om gebruikersintenties betrouwbaar te interpreteren, complexere criteria te combineren en trade-offs te wegen (snelheid versus prijs versus duurzaamheid).

Tool use

De handelingslaag. Een LLM met tool use kan vooraf gedefinieerde functies aanroepen — bijvoorbeeld search_products(), get_inventory(), create_order(). Zonder tool use is een AI alleen een prater. Met tool use wordt hij een agent.

MCP (Model Context Protocol)

Een open standaard waarmee externe systemen tools en context kunnen aanbieden aan een AI-model. Een webshop kan een MCP-server publiceren die endpoints biedt zoals list_products(filter), check_stock(sku), get_return_policy(sku). Agents die MCP ondersteunen kunnen hier direct mee praten zonder HTML-scraping.

A2A (Agent-to-Agent)

Communicatieprotocol waarmee meerdere agents met elkaar samenwerken. Een shopping agent kan bijvoorbeeld een payment agent aanroepen, en die kan vervolgens met een fraud-detection agent praten. Voor webshops nog niet direct relevant, maar voor het ecosysteem essentieel.

Structured data

De universele taal voor productdata. Schema.org Product, Offer, AggregateRating, MerchantReturnPolicy, ShippingDetails — allemaal in JSON-LD. Voor agents die niet via MCP of een feed werken, is dit de manier om jouw aanbod te begrijpen.

Agent payment protocols

Visa Intelligent Commerce, Mastercards agent-payments en Stripe agent commerce regelen de betaallaag: hoe authenticeren we de gebruiker, hoe begrenzen we wat de agent mag uitgeven, hoe voorkomen we fraude. Pas met deze laag worden autonome aankopen verantwoord uitvoerbaar.

Waar zit de bottleneck nu nog?

In 2026 zien we drie technische bottlenecks die de adoptie beïnvloeden. Authenticatie is nog onvolwassen — hoe laat een gebruiker zien dat zíjn agent namens hem mag handelen, en niet een gespoofde agent? Standaardisatie loopt achter — MCP wint terrein, maar er zijn meerdere concurrerende protocollen, en niet elke webshop weet welke te kiezen. Attributie is een raadsel — als een agent jouw product aanbeveelt, hoe meet je dat dan in je analytics?

Het goede nieuws: deze zaken worden in 2026 actief opgelost. Visa en Mastercard hebben hun protocollen aangekondigd, OpenAI en Anthropic standaardiseren MCP-implementaties, en de eerste analytics-vendors bieden agent-attributie aan. Wie nu de fundamenten op orde brengt, profiteert het meest als deze blokkers wegvallen.

Wat betekent dit voor jouw webshop?

Drie acties die direct effect hebben:

1. Maak je productdata machine-leesbaar. Complete schema.org Product-markup is de basis.
2. Versnel je feeds en API's. Een trage respons betekent geen aanbeveling.
3. Investeer in betrouwbaarheid. Reviews, consistentie van prijzen, kwaliteit van retourbeleid — dat is de valuta van Agent SEO.