AI-agents die jouw geld uitgeven: zo gaat agentic commerce te werk

Er zijn al standaarden opgesteld zodat AI-agents in een multi-agent system (MAS) kunnen werken en om ervoor te zorgen dat agents dezelfde taal spreken: Knowledge Query and Manipulation Language (KQML, een van de eerste standaarden), Agent Communication Language (ACL, wereldwijd de meest erkende formele standaard) en Model Context Protocol (MCP).

Er moet overeenstemming zijn over de communicatiearchitectuur in het MAS, omdat er verschillende manieren zijn waarop berichten stromen. Communicatie kan bijvoorbeeld op berichten gebaseerd zijn (A2A): agents sturen berichten rechtstreeks naar elkaar, vergelijkbaar met e-mails of instant messaging.

Een andere optie is een centrale opslagplaats (blackboard) waar agents informatie kunnen achterlaten of ophalen. Als alternatief kan een supervisoragent op een hoger niveau alle gegevens ontvangen en taken verdelen over gespecialiseerde sub-agents, bijvoorbeeld wanneer een inkoopagent een prijsvergelijker en een betaalagent coördineert.

Op dit moment is de grootste moeilijkheid voor commercieel gebruik in een multi-agent system de semantische interoperabiliteit (ontologie). Zonder een vaste ontologie ontstaat bijvoorbeeld het volgende probleem: agent A (winkel) meldt ‘verzendkosten: 0’, agent B (koper) ziet dit als ‘gratis’.

Het probleem: agent A bedoelt ‘0’ omdat de verzendkosten nog niet zijn berekend (0 = onbekend), terwijl agent B het interpreteert als een gratis aanbod en de verkeerde aankoopbeslissing neemt.

In principe zijn er twee manieren waarop aankopen in de toekomst zullen plaatsvinden in de handel tussen agents: in een gesloten systeem of in een open systeem. In een gesloten systeem (walled garden) blijft de consument bijvoorbeeld in het Apple-ecosysteem: ‘Siri, koop hardloopschoenen voor me.’ Siri gebruikt Apple Intelligence, zoekt Apple-partners en betaalt via Apple Pay: snel, geïntegreerd en met duidelijke verantwoordelijkheden, maar met beperkte keuze en mogelijk hogere prijzen.

In het open systeem met webagents surft een agent als een mens op honderden websites, vergelijkt prijzen, vult formulieren in en betaalt met een virtuele creditcard. Dit betekent meer vrijheid, maar is technisch complexer. Systemen zoals Google (AI Overviews), Perplexity of OpenAI (ChatGPT search) kunnen elkaar overlappen of beconcurreren.

Een ander probleem met open systemen is het zogenaamde proof of personhood (mens-machine identiteit), omdat winkels vaak geautomatiseerde toegang blokkeren. Een praktisch voorbeeld: een agent probeert verschillende identieke grafische kaarten te reserveren om prijzen te vergelijken. De winkel kan echter nauwelijks onderscheiden of dit een legitiem verzoek is of misbruik. Dus hoe bewijst de agent dat hij handelt namens een echt persoon met echt geld?

Een ander kritiek punt in open systemen is de betaling. Hier staan zowel je veiligheid als je identiteit op het spel. Verschillende spelers positioneren zich momenteel om hun nieuw ontwikkelde systemen op dit gebied te vestigen. Sommige betalingsproviders hebben bijvoorbeeld hun systemen geüpgraded om ze toegankelijk te maken voor agents.

De Amerikaanse betaaldienstverlener Stripe heeft bijvoorbeeld een Agentic Commerce Suite aangekondigd waarmee AI-agents producten van handelaren kunnen vinden en kopen. PayPal integreert Mastercards Agent Pay in zijn digitale portemonnee om identiteiten te verifiëren en winkelkassa’s direct in agentnetwerken te integreren.

Sommige betalingsdienstaanbieders zoals Mollie en Adyen fungeren ook als interfaces die agentprotocollen zoals OpenAI’s ACP integreren in de bestaande betalingsinfrastructuur. Tegelijkertijd ontwikkelen gespecialiseerde agentic betaalplatforms en start-ups programmamodules waaraan AI-agents zijn te koppelen.

Een pionier op dit gebied is Skyfire, dat een soort betalingssysteem wil bouwen speciaal voor AI-agents: een infrastructuur waarmee programma’s zelfstandig geld kunnen versturen en ontvangen. De start-up Payman AI stelt je in staat om een agent een vast budget te geven en precies te definiëren waaraan hij dit mag uitgeven.

Er wordt betaald in traditionele valuta zoals Amerikaanse dollars of in cryptocurrencies. De agent kan dus zelfstandig betalen, maar alleen binnen de gestelde grenzen en met een vooraf ingesteld betaalmiddel. Naast deze infrastructuren zijn er verschillende protocolinitiatieven die tot doel hebben technische standaarden vast te stellen voor agentgebaseerde transacties.

Deze omvatten het Agentic Commerce Protocol (ACP), waarmee aankopen direct vanuit ChatGPT kunnen worden gedaan, en Googles Agent Payments Protocol (AP2) voor autonome transacties. Het crypto handelsplatform Coinbase positioneert zich ook met een standaard voor betalingen door agents.

Dit alles beantwoordt echter niet de vraag hoeveel geld jij als gebruiker aan een agent wil overhandigen. Bijna niemand zou een agent volledige toegang tot een creditcard toevertrouwen in een open systeem. De financiële sector bespreekt momenteel een mechanisme dat geld in vertrouwen reserveert en pas vrijgeeft als de agent de leveringsbevestiging van de winkel aan de gebruiker laat zien.

Dit zou bijvoorbeeld mogelijk zijn met behulp van smart contracts: het geld wordt opgeslagen in een programmeerbare portemonnee waar de agent alleen toegang toe heeft voor een vooraf bepaalde betaling tot een limiet van zoveel euro. Een voorbeeld hiervan zijn de wekelijkse boodschappen, die de agent automatisch doet.

Als agents poortwachters worden tussen consumenten en producten, verandert de zichtbaarheid van online retailers. Experts hebben het over de overgang van het visuele web (surfen en browsen) naar headless commerce (interactie via datastromen).

Tot nu toe was een goed webdesign belangrijk; in de agentwereld zou de leesbaarheid door machines cruciaal zijn. Als een agent de voorraad of verzendkosten niet duidelijk kan lezen, zal hij een winkel negeren. Een ander punt dat kleine winkeliers kan benadelen zijn toegangsbeperkingen door de AI of de manier waarop de AI omgaat met de toegangsregels van de winkelier.

Ze kunnen bijvoorbeeld een robots.txt-bestand op hun website gebruiken om aan te geven welke bots welkom zijn als bezoeker en welke niet. Sommige retailers blokkeren AI-crawlers. Ze vrezen dat de AI wel prijzen zal vergelijken, maar geen aankopen zal doen. Als gevolg hiervan lopen kleine detailhandelaren het risico ten onder te gaan als ze zich technisch niet aanpassen aan de eisen van de AI-agent systemen.

Het zal voor kleine winkeliers moeilijker worden om überhaupt gevonden te worden. Een AI-agent kijkt niet naar mooi webdesign, maar naar gestructureerde gegevens en betrouwbare bronnen. Als je daar niet opduikt, besta je praktisch niet voor de agent. Een overlevingsstrategie is specialisatie: in plaats van te concurreren met grote platforms, moeten kleine retailers zichtbaar zijn op duidelijk gedefinieerde gebieden, bijvoorbeeld in gespecialiseerde databases, vergelijkingstests of gecureerde lijsten die agents gebruiken als betrouwbare bron.

Tegelijkertijd wordt het steeds belangrijker om directe relaties met klanten op te bouwen. Als je jouw agent specifieke instructies geeft zoals ‘Koop altijd koffie van branderij XY’, omzeilen ze de pure prijsvergelijking. Degenen die een duidelijke niche bezetten of verankerd zijn in het hoofd van de klant, hebben een betere kans om zichtbaar te blijven in een winkelwereld die gecontroleerd wordt door agents.

Grote platforms zoals Amazon of eBay staan voor vergelijkbare uitdagingen in agent-based commerce. Zelfs als ze hun eigen agents programmeren om de voorkeur te geven aan producten van hun eigen marktplaats, zouden externe agents hen uiteindelijk puur als een retailinfrastructuur kunnen gebruiken.

Een onafhankelijke AI-agent zou bijvoorbeeld op Amazon kunnen zoeken en als hij daar koopt, zou Amazon simpelweg de logistiek en fulfilment voor hem regelen. De klant zou Amazon niet eens meer als winkel of merk zien.

Sam Altman, CEO van OpenAI, was eerst sceptisch over reclame in AI-systemen. Hij vreesde dat die het vertrouwen van gebruikers zou kunnen ondermijnen en de objectiviteit van de antwoorden zou kunnen beïnvloeden. De afgelopen twee jaar is zijn houding echter veranderd.

Deze verandering komt waarschijnlijk door de enorme economische druk. Investeerders willen rendement en de hoge ontwikkelingskosten voor krachtige AI-modellen kunnen nauwelijks worden geherfinancierd door puur en alleen abonnementen. Aanbieders gebruiken momenteel vier belangrijke strategieën om AI-agents winstgevend te maken: allereerst zijn er abonnementsmodellen, die als relatief neutraal worden beschouwd omdat de gebruiker direct voor de dienst betaalt. Een andere strategie is affiliate marketing via commissies van handelaren. Hier bestaat echter het risico van belangenverstrengeling als de agent prioriteit geeft aan producten met hogere marges in plaats van de objectief beste keuze te maken, bijvoorbeeld als een identiek product goedkoper is bij winkelier A maar winkelier B hogere commissies betaalt.

Een derde optie zou kunnen bestaan uit advertentie-ondersteunde of gesponsorde resultaten, vergelijkbaar met traditioneel zoeken, oftewel merkfabrikanten zouden specifiek kunnen betalen voor een hogere zichtbaarheid binnen de AI-chat, zoals nu al het geval is bij zoekmachines.

Bij een vierde strategie zouden grote platforms hun marktmacht kunnen uitbuiten door agents te stimuleren om binnen hun eigen marktplaats te kopen. Opties twee tot en met vier creëren dus belangenconflicten die zowel retailers als gebruikers zouden kunnen benadelen.

Om het vertrouwen van gebruikers niet te verliezen, vertrouwen aanbieders op regelgevende en technische vangrails. De eerste omvatten bijvoorbeeld de Eu Artificial Intelligence Act: deze verbiedt manipulatie door AI als het mensen beïnvloedt op een gerichte en onherkenbare manier die hen schade kan berokkenen.

Dit geldt bijvoorbeeld voor dark patterns en gedragsmanipulatie. Het gaat er niet alleen om welk product een AI-agent aanbeveelt of koopt, maar ook hoe dit gebeurt. AI-agents kunnen in de loop van de tijd leren door te profileren hoe een gebruiker beïnvloed kan worden, bijvoorbeeld door schaarste te suggereren (‘nog maar 2 over’).

Dergelijke mechanismen kunnen de keuzevrijheid beïnvloeden en vallen onder het verbod op ongepaste beïnvloeding. Aanbieders kunnen de onevenwichtigheden van AI misschien ook tegengaan door Generative Engine Optimisation (GEO), hoewel dit nog in ontwikkeling is. Het zou de aanbiedingen zo voorbereiden dat de kans groter is dat de agents er aandacht aan besteden. Dit is echter een tweesnijdend zwaard.

Een andere benadering zijn watchdogs: gebruikers kunnen onafhankelijke review agents gebruiken die de aanbevelingen van een shopping agent controleren op neutraliteit, met andere woorden: parallel controleren of er goedkopere alternatieven zijn of dat de shopping agent bepaalde aanbieders systematisch bevoordeelt.

Agentic commerce verschuift beslissingen van persoonlijke handelingen naar een technische infrastructuur die op de achtergrond actief is. Wat begint als meer gemak kan al snel een controleprobleem worden in het dagelijks leven: wie controleert of een agent daadwerkelijk het gunstigste aanbod selecteert, geen verborgen kosten over het hoofd ziet of systematisch de voorkeur geeft aan producten die anderen een hogere commissie opleveren?

De belangrijkste uitdagingen liggen hier niet zozeer in de prestaties van individuele modellen als wel in de betrouwbaarheid van de onderliggende systemen. Een gebrek aan semantische standaarden kan leiden tot verkeerde beslissingen, onveilige betalingsmechanismen kunnen leiden tot misbruik en niet-transparante bedrijfsmodellen tot bevooroordeelde aanbevelingen.

Tegelijkertijd ontstaan er nieuwe aanvalsgebieden, bijvoorbeeld door gemanipuleerde productgegevens, bedrieglijk echt lijkende nepaanbiedingen of gerichte beïnvloeding door gepersonaliseerde targeting.

Er ontstaan mogelijke tegenmaatregelen voor gebruikers: beperkte budgetten voor agents (‘zakgeld’), transparante beslissingsprotocollen, onafhankelijke controle-agents en duidelijke richtlijnen over welke aanbieders gebruikt mogen worden voor aankopen.

Aan de kant van de aanbieders zullen robuuste API’s, gestandaardiseerde ontologieën en begrijpelijke monetisatiemodellen doorslaggevend blijken. Om het flirten tussen de koelkast en de kiosk in het dagelijks leven te laten werken, is het niet genoeg dat agents intelligent handelen. Ze moeten begrijpelijk, controleerbaar en verifieerbaar blijven in hun gedrag, anders bestaat het risico op een systeem dat handig is, maar beslissingen neemt die buiten jouw directe invloed liggen en je schade berokkenen.

Dunja Koelwel en Alieke van Sommeren