Pendahuluan
E-commerce lagi masuk fase baru otomatisasi: Agentic Commerce. Dalam paradigma ini, transaksi dijalankan sepenuhnya di luar situs, diselesaikan oleh AI agent otonom atas nama pengguna.
Menurut studi yang dipublikasikan Search Engine Journal, dampak transisi ini langsung terasa: 70% brand retail top sama sekali invisible di skenario transaksi AI agent.
Artinya, pas pengguna suruh AI assistant mereka — "cariin aku sepatu lari waterproof di bawah $150, bandingin syarat pengiriman, dan pesan yang paling murah" — sebagian besar toko online gagal masuk daftar kandidat agent.
Upgrade Google ke Gemini 3.5 Flash-Lite buat handle query agentic search, ditambah PEE Framework dari Moz dan Agent Readiness Audits dari Google Lighthouse, nunjukin kalau Agentic Commerce bukan lagi konsep masa depan — ini kebutuhan operasional sekarang juga.
Panduan ini bedah kenapa retailer jadi invisible buat machine agent, peta lifecycle transaksi AI agent, dan kasih checklist teknis biar toko online kamu bisa diakses sistem otomatis.
Bagian 1: Krisis Invisibilitas & Lifecycle Transaksi Agentic
E-commerce tradisional itu dioptimalkan buat browsing manusia. Website pakai desain visual yang menarik, banner, dan filter JavaScript interaktif buat guide user lewat purchase funnel.
Sebaliknya, AI agent skip semua elemen visual itu. Mereka langsung query database layer web buat ambil spesifikasi mentah, harga, dan form checkout.
┌──────────────────────────────┐
│ User Request to AI Agent │
└──────────────┬───────────────┘
│
▼
┌──────────────────────────────┐
│ Retrieval & Data Scrape │
│ Agent queries web index for │
│ candidates (Schema Lookup). │
└──────────────┬───────────────┘
│
▼
┌──────────────────────────────┐
│ Comparison & Filtering │
│ Agent compares price, stock,│
│ and shipping availability. │
└──────────────┬───────────────┘
│
▼
┌──────────────────────────────┐
│ API/HTML Checkout │
│ Agent auto-fills checkout │
│ forms or calls API routes. │
└──────────────┬───────────────┘
│
▼
┌──────────────────────────────┐
│ Final Delivery Alert │
│ User is notified of order │
│ completion and shipping. │
└──────────────────────────────┘
E-commerce Tradisional vs. Agentic Commerce
| Dimensi | E-commerce Tradisional | Agentic Commerce |
|---|---|---|
| Target Utama | Human shopper. | AI agent otonom (crawler, bot, API). |
| Kebutuhan Data | Product detail page yang di-render. | Structured product data yang machine-readable (harga real-time, stok, schema pengiriman). |
| Jalur Interaksi | Navigasi manual (Add to Cart → Checkout). | Programmatic checkout lewat API endpoint atau form completion otomatis. |
| Sumber Verifikasi | Trust badge dan sertifikat keamanan di situs. | Verifikasi third-party (node Wikidata, review independen, diskusi forum). |
5 Celah yang Bikin Retailer Invisible
- Kurang Product & Offer Schema: Tanpa structured markup, AI agent nggak bisa verifikasi harga produk, mata uang, atau syarat pengiriman secara programmatic.
- Nggak Ada API Inventori Real-Time: AI agent butuh status stok real-time sebelum initiate payment. Kalau data stoknya dinamis atau tersembunyi di balik JavaScript, agent bakal skip listing itu.
- Jejak Third-Party Lemah: Model AI cross-verify klaim brand. Kalau brand nggak punya mention di review independen, artikel berita, atau public registry, model bakal flag sebagai low-trust.
- Arsitektur JavaScript-Heavy: Store yang rely pada client-side JavaScript buat render product attributes sering salah baca sama AI scraper, yang cuma parse raw HTML source code.
- Data Multi-Sumber Kontradiktif: Kalau harga atau deskripsi produk di website resmi bertentangan sama detail di Google Merchant Center, AI agent bakal exclude buat hindari transactional error.
Bagian 2: PEE Framework Moz buat Agentic AI
Buat evaluate apakah brand visible buat rekomendasi AI, Moz develop PEE Framework:
┌─────────────────────────┐
│ PEE Framework │
└────────────┬────────────┘
│
┌──────────────────────────┼──────────────────────────┐
▼ ▼ ▼
┌──────────────────┐ ┌──────────────────┐ ┌──────────────────┐
│ P: Prompt Match │ │ E: Experience │ │ E: Entity │
│ │ │ Evidence │ │ Authority │
│ Match natural │ │ Customer reviews,│ │ Wikidata links, │
│ language queries │ │ expert tests, and│ │ Crunchbase nodes,│
│ (e.g., wide feet)│ │ usage photos. │ │ schema IDs. │
└──────────────────┘ └──────────────────┘ └──────────────────┘
- P (Prompt Match): Apakah metadata produk kamu mapping ke query natural language? Optimasi deskripsi produk buat use case spesifik (misal, "sepatu lari dengan wide toe box buat trail running") bukan istilah generik.
- E (Experience Evidence): Apakah halaman produk kamu punya human experience yang bisa diverifikasi? Sistem AI cari testimonial customer, laporan test expert, dan foto penggunaan real-world buat verify bahwa produk emang udah ditest buyer asli.
- E (Entity Authority): Apakah entity brand kamu mapped di Knowledge Graphs besar? Pastikan organisasi kamu link ke Wikidata, Wikipedia, dan LinkedIn, serta pakai schema identifier konsisten (
@id) di situs.
Bagian 3: Audit Agent Readiness Google Lighthouse
Buat bantu web developer prepare autonomous crawlers, Lighthouse Google punya checklist audit Agent Readiness. Audit ini evaluate website dari empat dimensi teknis:
- Semantic Parsing Accessibility: Layout halaman harus pake HTML5 semantic tags (
<header>,<main>,<article>,<section>,<footer>). AI agent pakai struktur ini buat isolate product details dari sidebar navigation dan ads. - Factual Machine-Readability: Detail produk (harga, mata uang, availability, shipping weight) harus exposed sebagai clean schema values di raw HTML payload, bukan nested di unstructured text blocks.
- AI Crawler Guidelines:
robots.txtwebsite harus grant crawl permissions ke AI user agents (misal,GPTBot,Claude-Bot,Google-Extended). Block agent ini berarti products kamu keluar dari AI shopping search paths. - JS-Independent Rendering: Critical transaction metadata harus render di server side (SSR). Scraper sering bypass client-side JavaScript execution buat hemat bandwidth dan execution time.
Bagian 4: Upgrade Backend Google: Gemini 3.5 Flash-Lite
Integrasi Gemini 3.5 Flash-Lite ke search engine Google jadi langkah besar buat proses agentic transactions.
Seperti dilaporkan search analyst Barry Schwartz, Google pake model ini handle query kompleks multi-step (misal, "Cari tiga camping tent rating terbaik di bawah $200 yang stoknya ada di dekatku, bandingin rating ketahanan angin mereka, dan kasih tau aku dimana bisa ambil satu hari ini").
Kenapa Google Pilih Gemini 3.5 Flash-Lite
- High Token Throughput: Flash-Lite dioptimasi parse long documents dan bandingin multiple web pages secara simultan.
- Latency Sangat Rendah: Model return response dalam milidetik, bikin Google bisa generate AI Overviews tanpa delay page loading.
- Reasoning Cost-Efficient: Model kurangi computational costs, memungkinkan Google serve generative answers buat complex commercial queries dalam scale besar.
Untuk merchant, upgrade ini berarti search engine Google sekarang capable parse long-tail product attributes. Situs e-commerce harus ensure spesifikasi mereka komprehensif dan machine-readable buat qualify jadi citation.
Kesimpulan
Tingkat invisibilitas 70% di Agentic Commerce ini gap signifikan buat online retailer.
Prepare website kamu buat AI agent bukan lagi SEO strategy opsional — ini wajib buat secure transaksi masa depan. Mulai dari implement product schema, audit site performance pake Lighthouse Agent Readiness, dan ensure detail brand entity kamu konsisten di seluruh web.
Referensi
- [1] Search Engine Journal (2026-06-15): "70% Of Top Retailers Are Invisible To Agentic Commerce" | Sumber
- [2] Moz Blog (2026-07-08): "The PEE Framework for Agentic AI (Whiteboard Friday)" | Sumber
- [3] Marie Haynes (2026-06-20): "How to use the new Lighthouse Report to see if your website is agent ready" | Sumber
- [4] Barry Schwartz (2026-07-15): "Google Search Using Latest Gemini 3.5 Flash-Lite for Generative Query Processing" | Sumber
- [5] Yoast SEO Blog (2025-11-20): "E-commerce Strategy: E-commerce Black Friday SEO tips" | Sumber