Pad 1: Agentic discovery (AI helpt je klant kiezen)
Het eerste pad begint bij LLM-interfaces (Large Language Models) die klanten nu al gebruiken, zoals ChatGPT en Gemini. Daar stellen ze vragen, vergelijken ze opties en komen ze tot een keuze. De klant blijft zelf aan zet. De AI-agent helpt vooral met zoeken, filteren en duiden. Als een slimme tussenpersoon die begrijpt wat iemand bedoelt, niet alleen wat iemand intypt.
Waarschijnlijk heb je zelf ook al eens zo gewinkeld. Deze manier van shoppen wint snel terrein, en dat heeft directe gevolgen voor je digitale aanwezigheid en hoe je je productdata structureert.
Hoe het agentic discovery model werkt
Stel je voor: een klant opent ChatGPT en vraagt: “Wat is de beste professionele espressomachine voor een klein café met een budget van ongeveer € 3.000?” Dat is agentic discovery in actie.
Het model put vervolgens uit trainingsdata, live webresultaten, gestructureerde productfeeds en allerlei andere signalen om tot een aanbeveling te komen. Jouw product verschijnt in dat antwoord. Of niet.
Dit is geen hypothetisch scenario. Voor een grote groep klanten is dit nu al onderdeel van hoe ze producten ontdekken, vergelijken en kiezen. En die groep groeit.
De platforms die deze ontwikkeling versnellen
Perplexity bouwde een compleet platform rond shopping discovery. Google verandert met AI Overviews wat gebruikers bovenaan de zoekresultaten te zien krijgen. En ook ChatGPT onderzoekt hoe shoppen binnen het platform eruit kan zien. In al deze situaties neemt de klant de uiteindelijke beslissing. Maar de AI-agent bepaalt wat er op tafel komt.
Zie AI daarom niet zozeer als een technisch hulpmiddel, maar als een verkoopadviseur die je productcategorie van binnen en van buiten kent. Die elke regel heeft gelezen die er ooit over is geschreven, productspecificaties begrijpt en een inhoudelijk gesprek met je klant kan voeren.
Het verschil met een menselijke adviseur? AI is 24 uur per dag beschikbaar, spreekt elke taal en kan duizenden mensen tegelijk helpen. Zonder ooit de draad kwijt te raken.
Pad 2: Agentic transactions (AI koopt namens je klant)
Hier gaat agentic commerce een stap verder: AI als ‘delegated buyer’. De klant vraagt de AI-agent niet alleen om advies, maar geeft ook een budget en een vaste opdracht mee. Vanaf dat moment doet de agent zelfstandig aankopen op de achtergrond. De klant hoeft er niet meer tussen te zitten. AI neemt namens die klant financiële beslissingen.
Hoe het delegated agentic model werkt
Stel dat een klant niet meer wil nadenken over terugkerende aankopen. Denk aan huishoudelijke producten, kantoorartikelen of andere zakelijke benodigdheden. In plaats daarvan delegeert die klant de beslissing aan AI. De instructie kan er bijvoorbeeld zo uitzien: “Zoek een goedkopere leverancier voor koffie. Je hebt een maandbudget van €50. Kies een duurzaam merk en ga altijd voor de laagste prijs.” Vanaf dat moment monitort de agent het aanbod, maakt een keuze en voert de aankoop zelfstandig uit.
Voor klanten is dat bijzonder handig. Kleine keuzes verdwijnen naar de achtergrond. Dat scheelt tijd en denkwerk. Voor bedrijven die consequent aan de criteria van zo’n agent voldoen, kan het terugkerende omzet opleveren zonder dat ze elke maand opnieuw om de aandacht van die klant hoeven te vechten.
Zo verandert inkopen van iets waar je steeds opnieuw over moet nadenken in een proces dat vanzelf doorloopt.
Waarom delegated commerce nog niet kan opschalen
Als concept is delegated commerce erg aantrekkelijk. Alleen: de infrastructuur die nodig is om het veilig te laten werken, is er nog niet op grote schaal.
Het grootste probleem zit bij authenticatie en fraudedetectie. Komt er vandaag een betaling binnen bij je betaalprovider, dan bepalen geavanceerde systemen of die betaling legitiem is. Dat doen ze onder andere op basis van menselijke gedragspatronen: waar komt de betaling vandaan, hoe snel klikt iemand, welk apparaat wordt gebruikt? Maar een AI-agent gedraagt zich niet als een mens. Daardoor kan een echte AI-betaling op fraude lijken. En andersom kunnen fraudeurs proberen agentgedrag na te bootsen. Zo ontstaat risico aan twee kanten: betrouwbare betalingen kunnen onterecht worden geweigerd (‘false declines’), terwijl frauduleuze transacties erdoorheen kunnen glippen.
Voor banken is dat onderscheid nu nog lastig te maken. Protocollen die moeten aantonen dat een aankoop is geautoriseerd door een echte klant en uitgevoerd door een betrouwbare AI-agent, zijn nog volop in ontwikkeling.
En dan is er nog de vraag hoe het zit met chargebacks. Want wie is verantwoordelijk als er iets misgaat? Stel dat een AI-agent iets koopt en de klant daarna zegt: “Die specifieke transactie heb ik niet goedgekeurd.” Is de klant dan verantwoordelijk? De webshop? De bank? De betaalprovider? Of de partij achter de AI-agent?
Zolang daar geen duidelijke afspraken over zijn, blijft groots inzetten op gedelegeerde AI-betalingen riskant.
