آینده‌ خرده‌فروشی ایران و Agentic AI

نه می‌خواهم با چند اصطلاح شیک مثل «شکاف ساختاری» و «نقطه‌ بی‌بازگشت» همه را بترسانم، نه ادعا دارم ایجاد هیجان با یک اسلاید یا پست می‌تواند مرجع تصمیم‌سازی برای ابرسازمان‌ها بشود.

اگر سال‌ها کارکردن در این اکوسیستم و این کشور یک چیز به من یاد داده باشد این است که جهش واقعی در پس هیاهو و حباب‌سازی حاصل از مانیفست‌های پرطمطراق رخ نمی‌دهد. در جایی اتفاق می‌افتد که محصول و داده و تصمیم کنار هم بنشینند و یک مسأله‌ واقعی برای آدم‌های واقعی حل شود. خلاصه این‌که این نوشته یک مانیفست دیگر درباره هوش مصنوعی نیست.

بدون اغراق Agentic AI یکی از مهم‌ترین تغییرات اقتصاد دیجیتال بعد از دوران دات‌کام و در نسخه‌ وطنی‌اش فراگیری تلفن همراه هوشمند است. اما برخلاف این روایت‌های سیاه‌وسفید و آخرالزمانی که می‌گویند یا باید خیلی زود به یک آینده‌ کاملاً خودکار و Agentهای همه‌فن‌حریف تسلیم شوی یا از قافله بیرون می‌مانی، فرصت واقعی همین حالا و در جایی است که هوش مصنوعی قرار است تجربه‌ خرید را تقویت کند و برای مصرف‌کننده، خرده‌فروش و برند ارزش جدید بسازد؛ نه این‌که انسان را از معادله حذف کند.

آن‌چه من را هیجان‌زده می‌کند پیشرفت‌های تدریجی و عمل‌گرایانه‌ای است که همین امروز روی میز برندها، خرده‌فروشان و پلتفرم‌ها قرار گرفته؛ نه رؤیایی دوردست. موفقیت یا شکست در دهه‌ پیشِ رو به این بستگی دارد که این بازیگران چطور از مدل‌های زبانی و Agentها برای ساخت تجربه‌های خرید قابل اعتماد، گفت‌وگومحور و داده‌محور استفاده کنند.

در Binoban، چه در طراحی محصول و چه در شکل‌دادن همکاری‌ها، معیار ما تحقق هم‌زمان چهار عنصر است: اعتماد، داده‌ تجاری باکیفیت، سازگاری و اتصال‌پذیری سیستم‌ها (interoperability) و ظرفیت پذیرش ریسک در دوره‌ بلوغ توسط سازمان همکار. هر جا سه تای اول در کنار هم نباشند و توان تحمل چهارمی را نداشته باشیم، آن سناریو برای ما جدی نیست یا وقتش نرسیده است.

با این نگاه آینده‌ agentic commerce در ایران برای من در چهار محور اصلی زیر جمع‌بندی می‌شود:

یک. مزیت رقابتی واقعی از کیفیت داده‌های تجاری می‌آید نه از درخشان‌ترین مدل‌های AI

اگر تا به حال حتی یک کالای نیمه‌تخصصی در ایران خریده باشید این مسیر برایتان آشناست:

جست‌وجو در گوگل و ترب، بالا و پایین کردن اینستاگرام و دیجی‌کالا و اسنپ‌پی و چند فروشگاه دیگر، چند پیام در واتسپ و تلگرام به دوستان و فروشنده‌ها و در نهایت، ضمن احترام به تمام تلاش‌های دوستانم در این شرکت‌ها، به ترکیبی از لینک‌های ناقص، مشخصات نصفه‌نیمه و قیمت‌هایی می‌رسیم که با موجودی واقعی نسبتی ندارند و همچنان خرید آنلاین را سخت می‌کنند.

اگر همین پرسش را به یک LLM یا Agent بدهی استدلالش خوب است، برندها را می‌شناسد، مقایسه‌های به‌ظاهر منطقی می‌سازد، ولی وقتی نوبت خرید واقعی می‌رسد همه‌چیز خراب می‌شود. لینک‌های خراب و مدل‌های ناموجود و قیمت‌های قدیمی و اطلاعات ناقص محصول. نتیجه چندان متفاوت نیست!

بله، دستیارهای هوشمند در گفتگو قوی شده‌اند. اما بدون داده‌ی تجاری real time، ساخت‌یافته و قابل اعتماد درِ توصیه‌های خرید می‌لنگند و وقتی توصیه می‌لنگد، اعتماد می‌شکند و فروش هم از دست می‌رود.

امروز زیرساخت agentic commerce چه در جهان و چه در ایران از فقر داده رنج می‌برد. بیشتر LLMها به موجودی و قیمت لحظه‌ای وصل نیستند، ویژگی‌های جزئی SKUها را در قالب استاندارد نمی‌بینند و به سیستم‌های یکپارچه‌ تسویه و ارسال و تحویل سفارش دسترسی ندارند.

در چنین جهانی کیفیت داده‌های تجاری از یک موضوع حاشیه‌ای به قلب مزیت رقابتی تبدیل می‌شود. اگر قرار است Agent به تصمیم‌گیری کمک کند یا آن را اجرا کند باید روی داده‌ای بایستد که به‌روز و یک‌دست است و با رفتار واقعی مصرف‌کننده و خرید در بازار هم‌خوان است.

ما در بین‌وبان برای حل این مسأله تلاش می‌کنیم. هدف ما این است که در مقیاس ایران و منطقه سه لایه‌ اصلی داده یعنی
– داده‌های رفتاری و تراکنش کاربر
– داده‌های محصول و موجودی
– و داده‌های کمپین و رسانه
روی یک مدل تمیز و استاندارد سوار شوند تا Agent بتواند واقعا با آن کار کند.
وقتی این زیرساخت سر جایش باشد، سیستم فقط محصولاتی را جلوی چشم کاربر می‌آورد که واقعا موجود باشند،
توضیح‌شان کامل و دقیق باشد،
و رفتار واقعی خریداران آن‌ها را تأیید کرده باشد.

هر قدر در این کار موفق‌تر شویم، پیدا کردن کالا برای کاربر راحت‌تر می‌شود، پیشنهادها دقیق‌تر می‌شوند و اعتمادی ساخته می‌شود که در بلندمدت مشتری را برای کسب‌وکار سرویس‌گیرنده از بین‌وبان نگه می‌دارد. در اکوسیستمی که بیشتر از «هوش مصنوعی» حرف می‌زنند و کمتر کسی حواسش به «کیفیت داده» است من فکر می‌کنم فرقِ اصلی دقیقاً از همین‌جا شروع می‌شود.

دو. تجربه‌های Agentic عملاً خرده‌فروشان را مجبور می‌کند ویترین دیجیتال‌شان (shop front) را هوشمند کنند و در عین حال retail media را هم یک پله بالاتر می‌برد

اگر از زاویه‌ خرده‌فروش به ماجرا نگاه کنیم یک سوءتفاهم تکراری وجود دارد. این‌که LLMها قرار است ویترین دیجیتال و رسانه‌ خرده‌فروشان را قورت بدهند و همه‌چیز را از آن‌ها بگیرند.

به نظر من اتفاقی که می‌افتد دقیقاً برعکس این است. Agentها و LLMها ورودی قیف را بزرگ‌تر می‌کنند که اتفاق خوبی است. اما بپذیریم جایی که سفارش نهایی می‌شود، پول جابه‌جا می‌شود و رابطه‌ وفاداری ساخته می‌شود همان اپ و وب‌سایت و تجربه‌ای است که در مالکیت خود خرده‌فروش است.

کاربر امروزی کم‌کم انتظار دارد وقتی وارد اپ دیجی‌کالا، اسنپ‌پی یا یک فروشگاه زنجیره‌ای می‌شود بتواند نیازش را با زبان خودش بپرسد و جوابی بگیرد که براساس زمینه و شرایط خودش تنظیم شده. حس کند پشت دخل دیجیتال یک موجودیت هوشمند مثل یک فروشنده‌ واقعی نشسته و نه فقط چند فیلتر خشک و یک نوار ساده‌ جست‌وجو که سال‌هاست از پایان عمر مفیدش گذشته. کاربر امروزی دنبال یک تجربه‌ بی‌روح و یک‌شکل مثل ایکامرس‌های کلاسیک نیست. این یعنی ویترین دیجیتال خرده‌فروشان باید واقعاً AI-driven باشد نه یک چت‌بات تزئینی که در گوشه‌ صفحه گذاشته شده.

در سطح جهانی Amazon با Rufus و Walmart با Sparky مدتی است که وارد این مسیر شده‌اند. دستیارهایی ساخته‌اند که روی ویترین دیجیتال فعلی سوار می‌شوند و در عمل به لایه‌ اول تعامل با کاربر تبدیل شده‌اند. گزارش‌ها هم نشان می‌دهد که کاربران به این مدل دستیارها اقبال نشان می‌دهند و سشن‌هایی که از این دستیارها استفاده می‌کنند به‌طور محسوسی بیشتر به خرید ختم می‌شود.

این تصویر را با یک پرسش به ایران می‌آوریم: چرا با این‌همه سروصدا درباره‌ خرید آنلاین هنوز بخش اصلی خرج مردم بیرون از فضای دیجیتال و در سوپرمارکت و پاساژ و بازار و فروشگاه‌های زنجیره‌ای انجام می‌شود؟ واقعیت این است که سهم خرده‌فروشی آنلاین از کل خرده‌فروشی بازار در ایران هنوز خیلی پایین‌تر از میانگین جهانی است. بخش مهمی از این شکاف هم به اعتماد و کیفیت تجربه برمی‌گردد. در عمل می‌بینیم عموم مردم هنوز به آن چیزی که از فروشگاه حضوری می‌بینند و از فروشنده می‌شنوند بیشتر اعتماد می‌کنند تا صفحه‌ محصول و بنر و لیست قیمت در یک اپ یا سایت.

اما همین ضعف یک فرصت جدی هم هست. اگر ایکامرس‌ها و ریتیلرها تجربه‌ Agentic را درست پیاده کنند می‌توانند بخشی از همان اعتمادی را که سال‌ها در فروشگاه فیزیکی ساخته شده به ویترین دیجیتال خودشان منتقل کنند و کم‌کم سهم خرده‌فروشی آنلاین از کل خرده‌فروشی بازار را به عددهای جهانی نزدیک کنند. در عوض این روزها بیشتر شاهدیم که بعضی ایکامرس‌ها برعکس این مسیر، فروشگاه‌های حضوری‌ای تأسیس می‌کنند که سنخیتی با روندهای آنلاین و داده‌محور ندارند و فقط هزینه و حواس‌پرتی اضافه می‌کنند.

اگر از این ضدالگو (anti-pattern) عبور کنیم آن‌وقت پرسش درست این است که چرا در اپ دیجی‌کالا و اسنپ‌پی و اکالا و فروشگاه‌های زنجیره‌ای یک Agent نتواند سبد خرید قبلی، محدودیت بودجه و ترجیحات کاربر را بفهمد، با او گفت‌وگو کند و با استفاده از داده‌های زنده و برخطِ موجودی، قیمت و پروموشن چند گزینه‌ خرید منطقی و قابل اعتماد جلوی او بگذارد؟

اگر قرار است Agent نقش فروشنده‌ آگاه را بازی کند باید در همان ویترین دیجیتال خرده‌فروش روی داده‌ واقعی و به‌روز همان کسب‌وکار بایستد، کار کند و همان جنسی از اعتماد را بسازد که مردم سال‌ها از فروشگاه‌های حضوری گرفته‌اند. اگر این کار درست انجام شود Agent برای ایکامرس وطنی می‌تواند همان ابزاری باشد که کمک می‌کند بالأخره سهم خرده‌فروشی آنلاین در ایران به جایی برسد که با اندازه‌ بازار و رفتار واقعی مردم هم‌خوان باشد.

سه. Agentها یک لایه‌ کشف جدید (discovery layer) به سفر خرید اضافه می‌کنند و جست‌وجو را از این هم پراکنده‌تر و چندپاره‌تر می‌کنند

کاربر امروزی از یک مسیر مستقیم به تصمیم خرید نمی‌رسد. سال‌هاست که جست‌وجو و کشف بین پلتفرم‌ها پخش شده. بخشی در گوگل، بخشی در ترب، بخشی در اینستاگرام و تلگرام و بخشی هم در اپ‌های خرده‌فروشی و سوپراپ‌ها.

حالا Agentها و LLMها یک لایه‌ی دیگر روی یا کنار این‌ها اضافه کرده‌اند. کاربر نیازش را به روش خودش به هوش مصنوعی مطرح می‌کند، یک تصویر فشرده و خلاصه از گزینه‌ها می‌گیرد و با این بینش در کانال‌های متداول گشت‌وگذار می‌کند.

ما هم کم‌کم در پروژه‌ها و داده‌های شرکای تجاری‌مان در Binoban همین روند را می‌بینیم. کسی که برای تحقیق از ابزارهای چت‌محور و Agentic استفاده می‌کند در عین حال در گوگل و ترب و ایمالز هم می‌گردد، سراغ اینستاگرام و کانال‌های محتوایی هم می‌رود و در نهایت در اپ یا سایت خرده‌فروش یا یک مارکت‌پلیس سفارش را نهایی می‌کند. حداقل فعلاً خبری از این نیست که کانال جدید، کانال‌های قبلی را حذف کرده باشد. اتفاقی که افتاده این است که لایه‌ کشف چندپاره‌تر شده.

در چنین وضعیتی میدان رقابت واقعی همچنان این است که محصول چقدر در این اکوسیستم چندپاره «قابل کشف» باشد. این یعنی محصول باید همان جایی حاضر باشد که نیاز و پرسش کاربر شکل می‌گیرد. در صفحه‌ اصلی یا در نتایج جست‌وجوی خرده‌فروش، در گوگل و ترب، در محتوای اینفلوئنسرها و صد البته در پاسخ Agentها و LLMها.

نقش بین‌وبان این است که داده‌ تجاری را تا حد ممکن تمیز و استاندارد کند تا محصولات مشتریان در تمام این نقاط تماس دیده شوند. اگر دیروز جنگ سر رتبه‌ یک گوگل بود فردا رقابت سر این است که در هر جایی که یک Agent یا کاربر پرسشی از جنس خرید می‌پرسد، داده‌های شما آن‌قدر تمیز و در دسترس باشد که وارد بازی بشوید.

این را هم اضافه کنم که همین تصویر چندلایه از کشف و جست‌وجو یک نکته‌ مهم دیگر هم دارد. agentic commerce قرار نیست بقیه‌ کانال‌ها را حذف کند. اگر به گذشته نگاه کنیم الگو روشن است. خرید آنلاین آمد و فروشگاه‌های فیزیکی از بین نرفتند. موبایل آمد و دسکتاپ هنوز زنده و سرحال است. کتاب الکترونیک آمد و کتاب کاغذی همچنان پرطرفدار سر جای خودش مانده. تقریباً هیچ‌وقت موج جدید قبلی‌ها را یک‌شبه نابود نکرده، بیشتر به آن‌ها اضافه شده و در نهایت شکل استفاده را تا حدی عوض کرده است.

احتمالاً Agentها هم از همین جنس هستند. نه قرار است همه‌چیز را ناگهان کاملاً خودکار کنند و نه قرار است بقیه‌ کانال‌ها را بی‌مصرف کنند. اگر درست طراحی شوند یک لایه‌ کمکی روی همین سفر چندکاناله‌اند؛ لایه‌ای که سردرگمی را کم می‌کند و کمک می‌کند همان کانال‌های متداول هم بهتر و هوشمندتر کار کنند.

چهار. تبلیغات به مدل اصلی درآمد برای LLMها تبدیل می‌شود و بازی را به سمت تبلیغات مبتنی بر intent و context می‌برد

آخرین قطعه‌ این پازل مدل درآمدی است. LLMها برای زنده ماندن در مقیاس بزرگ نمی‌توانند فقط روی اشتراک و قراردادهای سازمانی تکیه کنند. مدلی که دو دهه است اینترنت را سر پا نگه داشته تبلیغات است.

در سطح جهانی نشانه‌ها از همین حالا روشن است. موتورهای جست‌وجو در حالت پاسخ مبتنی بر AI تبلیغ نشان می‌دهند. ChatGPT هم فقط درصد کمی از کاربران را روی اشتراک پولی دارد و اکثریت در لایه‌ رایگان هستند. جایی که تبلیغ موتور طبیعی رشد درآمد خواهد بود.

مدل‌های affiliate و marketplace معمولاً طوری طراحی می‌شوند که تا وقتی کل تراکنش در همان پلتفرم بسته نشود سهمی از درآمد ندارند. انعطاف‌پذیرند اما در مقیاس بزرگ سخت رشد می‌کنند و به کنترل کامل روی checkout و فرایند تحویل سفارش (fulfillment) وابسته‌اند.

تبلیغات برعکس روی توجه و نیت کاربر کار می‌کند. اگر در دل یک تجربه‌ گفت‌وگومحور تبلیغی نمایش داده شود که از نظر context و ارتباط درست باشد، برای کاربر شبیه یک توصیه‌ مفید حس شود نه مزاحمت و شفافیت تبلیغ‌بودنش هم حفظ شود، در عمل یک لایه‌ درآمدی تکرارشونده و با حاشیه سود بالا ساخته می‌شود.

برای اکوسیستم ایران که بخش قابل‌توجهی از بودجه‌ی دیجیتال مارکتینگ در تبلیغات و retail media خرج می‌شود این یعنی یک مهاجرت آرام از تبلیغات صرفاً impression‌محور و بنری به سمت تبلیغات مبتنی بر intent و context در محیط‌های agentic.

در چنین سناریویی نقش بین‌وبان این است که همین لایه‌ مشترک را بسازد. ماژول‌های Retail Media Platform و AdExchange در بین‌وبان دقیقاً برای همین طراحی شده‌اند تا داده‌ intent، داده‌ رفتار و داده‌ محصول و رسانه در یک بستر واحد جمع شود و در اختیار LLMها، خرده‌فروشان و شبکه‌های تبلیغاتی قرار بگیرد. در این مدل هر نمایش صرفا یک banner نیست و خروجی یک گفت‌وگو و یک تصمیم مبتنی بر داده است. چه در ویترین دیجیتال خود خرده‌فروش، چه در کانال‌های تبلیغاتی بیرون از آن.

در نهایت برای من داستان Agentic AI از یک‌جا شروع می‌شود. باید زیرساخت داده را جدی بگیریم، ویترین دیجیتال خرده‌فروشان را هوشمند کنیم و مطمئن شویم محصولات در این دنیای چندکاناله و چندپاره همیشه «قابل کشف» بمانند.

Agentها قرار نیست کسی را یک‌شبه از بازار حذف کنند اما آرام و بی‌سروصدا همان کسب‌وکارهایی را از مرکز میدان کنار می‌زنند که نه زیرساخت داده‌ای جدی دارند و نه ویترین دیجیتال قابل اتکا.

بین‌وبان برای همین دوره ساخته شده؛ روی این فرض که دهه‌ بعدی کامرس نه با یک مانیفست پر سر و صدا بلکه با همان لایه‌ هوش و داده‌ای تعریف می‌شود که پشت صحنه‌ همه‌ این تجربه‌ها ایستاده و آن‌ها را به هم وصل می‌کند.