Agentic Readiness Gap — это разрыв между вложениями в AI и способностью реально получать от него продажи и видимость. По данным исследования Merkle (2026), 88% компаний внедрили AI хотя бы в одну функцию бизнеса, но только 6% могут провести прямую линию от этого внедрения к EBITDA. Магазин купил инструмент, настроил, запустил — а выручка не изменилась. Это и есть Agentic Readiness Gap.
Почему AI-агент просто не найдёт ваш магазин
AI-агент — это программа, которая действует от имени покупателя: собирает варианты, сравнивает продукты по десяткам параметров и всё чаще сама завершает транзакцию, не открывая сайт магазина.
Проблема не в том, что агент не хочет вас рекомендовать. Проблема в том, что ему буквально нечего читать. По данным Mirakl (апрель 2026), средний балл GEO-готовности карточки товара по итогам анализа 427 страниц из 35 стран составил 48 из 100. Порог, при котором продукт вообще попадает в поле зрения AI-агента, равен 61. Менее 1% карточек набирают 80+ баллов.
Конкретнее: 86% карточек содержат изображения, которые AI не может корректно проиндексировать. 43% не имеют ни одного отзыва или рейтинга. Лишь 9% страниц содержат машиночитаемую структуру данных, которая позволяет агенту без двусмысленностей понять цену, размер и наличие товара.
Агент не прощает неполные данные так, как прощает живой покупатель. Не нашёл нужный атрибут — просто выбрал другой магазин.
В чём конкретно разрыв: люди vs агенты
Принцип «Несовместимость оптимизации» — контент, написанный для человека и Google, не работает для AI-агентов. Это не тонкое технологическое расхождение, а структурная несовместимость.
Когда команда Merkle тестировала AI-агентов на задаче подбора телевизора, все исследования и сравнение цен происходили внутри языковой модели. Сайты магазинов не загружались вообще. Маркетинговые тексты, которые хорошо конвертируют живого покупателя, не содержат технических спецификаций в машиночитаемом формате — размеров, совместимостей, сертификатов, — которые нужны агенту для однозначного вывода.
По данным Adobe (2025), на Чёрную пятницу трафик из AI-агентов вырос на 805% год к году. Конверсия этих посетителей на 42% выше, чем у трафика из традиционных каналов. Но только у тех магазинов, чья инфраструктура данных позволила агенту завершить транзакцию.
Три причины, почему инвестиции в AI не работают
По данным исследования Merkle (ноябрь 2025, 100 топ-менеджеров компаний с 500+ сотрудниками), компании, которые не получают ROI от AI, называют три основных барьера.
1. Нет понятных метрик успеха
По данным Mirakl и Merkle (2026), более 70% компаний не могут чётко определить, как измерять успех AI-инициатив. У магазина есть chatbot, есть рекомендательный движок — но никто не считал, изменились ли выручка или средний чек.
2. Фрагментированные процессы
Более двух третей компаний сообщают о системных проблемах с организацией работы: данные о товарах лежат в одной системе, остатки обновляются в другой, отзывы собираются в третьей. AI-агент требует единого реального времени по всем этим потокам. Если обновление остатков занимает часы, агент получает некорректные данные — и перестаёт доверять источнику.
3. Нет обучения для команды
67% компаний из категории «отстающих» сообщают о недостаточном обучении сотрудников, против 42% у лидеров. Инструмент куплен, но никто не понимает, как его применять в ежедневной работе.
Ключевой вывод Merkle: разница между компаниями с 3x ROI и теми, кто не получает ничего, почти не связана с платформами, которые они используют. Всё дело в изменении процессов, обучении и управлении.
Как выглядит готовность к агентной коммерции на практике
Исследование Mirakl и Merkle (2026) выделяет четыре компонента, которые отделяют магазины, рекомендуемые агентами, от тех, кого агенты пропускают.
1. Чистые данные в реальном времени
Каталог товаров — это теперь витрина магазина. Если данные неполные, устаревшие или в несовместимом формате, AI-система не сможет вас корректно рекомендовать. Обновление цены или остатка должно происходить за минуты, не за часы.
2. Контент с контекстом
AI-агент не ищет по ключевым словам — он интерпретирует намерение. Описание «платье на вечеринку» без структурированных атрибутов фасона, длины и материала не позволит агенту отличить коктейльное платье от повседневного. Если в данных нет атрибута «горошек» для платья в горошек, агент может рекомендовать совсем другой товар.
3. Широкий ассортимент, закрывающий запрос целиком
Покупатели всё чаще формулируют задачу, а не называют конкретный товар. Магазины, способные закрыть весь запрос сразу (например, «всё для обустройства домашнего офиса»), имеют структурное преимущество в рекомендациях агентов.
4. Прямая связь с LLM-платформами
Ведущие AI-платформы становятся каналом покупки, а не только инструментом исследования. Магазины без прямой интеграции рискуют оказаться невидимыми именно в тот момент, когда покупатель готов платить.
Что происходит с покупателями прямо сейчас
По данным Merkle (Shoptalk 2026), доля потребителей, регулярно использующих AI-инструменты для шопинга, за три месяца выросла с 15% до 26%. 74% миллениалов уже используют AI для совершения покупок.
По данным Salesforce (2025), AI-агенты повлияли на $67 млрд продаж во время Cyber Week 2025 — это 20% всех покупок. McKinsey прогнозирует объём агентной коммерции к 2030 году в диапазоне $3–5 трлн.
Один из клиентов Mirakl, специализированный ритейлер, появляется в результатах ChatGPT в своей категории в 93,7% случаев и занимает первое место в 70% запросов — при том, что конкуренты вложили значительно больше в традиционный маркетинг. Разница — в архитектуре данных и ширине ассортимента.
Что делать интернет-магазину: чеклист готовности
Компании, которые начинают работу с данными сейчас, пока большинство конкурентов ещё не сдвинулись, имеют реальное окно для получения преимущества. Mirakl-powered маркетплейсы в 2025 году росли на 31% год к году — в 4,5 раза быстрее традиционного e-commerce. Это следствие архитектурной готовности, а не маркетинговых бюджетов.
Часто задаваемые вопросы
Что такое Agentic Readiness Gap простыми словами?
Это разрыв между тем, сколько компания потратила на AI, и тем, насколько её инфраструктура готова работать в мире, где покупки всё чаще совершают AI-агенты. Купить инструмент недостаточно: если данные о товарах неполные, отзывы не в структурированном формате, а остатки обновляются раз в сутки — агент просто не сможет вас рекомендовать.
Нужно ли это небольшому интернет-магазину или только крупному бизнесу?
Структура данных и Schema-разметка актуальны независимо от размера. Начать можно с простого: добавить Schema.org Product на все карточки и заполнить атрибуты по базовым характеристикам. Крупные компании имеют больший технический долг, но и у малого магазина неполные карточки создают проблему.
Насколько срочно это нужно делать?
По данным Merkle (Shoptalk 2026), доля покупателей, использующих AI при шопинге, удвоилась за три месяца. Европа отстаёт от США на 6–12 месяцев по времени развёртывания протоколов — это то самое окно, которое стоит использовать прямо сейчас.
Как измерить, насколько мой магазин готов к агентной коммерции?
Как измерить, насколько мой магазин готов к агентной коммерции?
Отправная точка: проверьте наличие Schema.org разметки на карточках, скорость обновления каталога, наличие отзывов с рейтингами в структурированном формате. Mirakl публично выпустил GEO Readiness Analyzer, который даёт балл от 0 до 100. Порог базовой конкурентоспособности — 61 балл.
Что важнее: обновить технологический стек или улучшить данные?
Данные. Исследование Merkle показало, что разница в результатах между лидерами и отстающими почти не связана с тем, на каких платформах они работают. Всё дело в том, как организованы и обновляются данные, обучены ли люди и есть ли чёткие метрики успеха.
