في المقال السابق قلنا إن أول ساحة في Agentic Commerce ليست الدفع، بل الاكتشاف والتوصية. الشرط الأول لذلك هو أن تكون بيانات المنتجات قابلة للاستهلاك الآلي. هذه هي وظيفة B2A، أي Business-to-Agent. الصفحة الجميلة للبشر لا تكفي إذا لم يستطع الوكيل التحقق من السعر والمخزون والسياسات.
العمود الأول هو Schema.org. كثير من المواقع تكتفي بنوع Product مع الاسم والسعر. هذا غير كاف. الوكيل يحتاج إلى Brand وOffer وAggregateRating وShippingDetails وMerchantReturnPolicy حتى يقيم الثقة، وسهولة الإرجاع، وتوفر المنتج، وصحة السعر.
العمود الثاني هو llms.txt. هذا الملف ليس نسخة من sitemap. إنه دليل مختصر للصفحات الأهم، عادة من 20 إلى 50 صفحة، مع وصف موجز لكل رابط. بهذه الطريقة يستطيع الذكاء الاصطناعي فهم العلامة، المنتجات الأساسية، السياسات، وقصص العملاء ضمن سياق محدود.
العمود الثالث هو Product Feed. Google Merchant Center وShopify Agentic Storefronts وتدفقات بيانات المنتجات إلى منصات الذكاء الاصطناعي كلها تعتمد على جودة الفيد. السعر القديم، المخزون غير المحدث، المتغيرات الناقصة، أو الصور الضعيفة تقلل ثقة التوصية.
العمود الرابع هو UCP Manifest. يعلن هذا الملف ما يدعمه التاجر من قدرات: الاستعلام عن الكتالوج، بناء السلة، الخصومات، checkout، وخدمة ما بعد البيع. المعيار ما زال في مرحلة مبكرة، لكنه مهم للعلامات ذات الحجم الكبير.
أن تكون مقروءا من الذكاء الاصطناعي لا يعني أن تتم التوصية بك دائما. B2A شرط ضروري وليس كافيا. بيانات المنافسين، وسياق المستخدم، ومعرفة النماذج السابقة، وقواعد المنصة تؤثر أيضا. لكن من دون B2A لا يستطيع الوكيل تقييم العلامة أصلا.
تشخيص بحث الذكاء الاصطناعي من Gravity يفحص عمق Schema، وجودة llms.txt، وحداثة Product Feed، وأنماط زحف الوكلاء، وكيف توصف العلامة في إجابات الذكاء الاصطناعي. الهدف ليس إعطاء درجة عامة، بل معرفة ما يراه الذكاء الاصطناعي وما لا يستطيع التحقق منه.
عمليا، لا ينبغي التعامل مع بنية بيانات B2A كمبادرة محتوى منفصلة. يجب قراءة بيانات المنتج، وإجابات الذكاء الاصطناعي، وطلبات الوكلاء، والزيارات، والسلوك داخل الموقع، والطلبات كسلسلة أدلة واحدة. عندها فقط يستطيع الفريق تحديد ما إذا كانت المشكلة في البيانات أو المحتوى أو التكامل أو الميزانية.
ومن المهم أيضا الحفاظ على انضباط القياس. بحث الذكاء الاصطناعي وAgentic Commerce أصبحا قابلين للرصد، لكنهما لم يصلا بعد إلى استقرار قنوات paid media التقليدية. لكل من prompt sampling وreferrer وserver logs وطلبات Shopify نقاط عمياء. القياس الجيد يفصل بين الدليل القوي، وإشارة المساعدة، والارتباط فقط.
إضافة: نقص B2A يتحول إلى خطر في التوصية
B2A ليست قائمة تقنية جانبية. إنها طبقة الأدلة التي تسمح للذكاء الاصطناعي بأن يقرر هل يستطيع التوصية بثقة. ما يفهمه الإنسان من التصميم والصور والسياق يجب أن يكون متاحا للوكيل كبيانات منظمة وقابلة للتحقق.
النقص الشائع | أثره على الذكاء الاصطناعي | التصحيح |
|---|---|---|
Schema للمنتج يحتوي الاسم والسعر فقط | لا يستطيع تقييم الثقة والشحن والإرجاع والتقييمات | ربط Brand وOffer وRating وShippingDetails وReturnPolicy |
اختلاف السعر أو المخزون بين feed والموقع | توصية تؤدي إلى خيبة ثقة بعد الزيارة | مراقبة التزامن وتكرار التحديث |
llms.txt نسخة من sitemap | لا يعرف الذكاء الاصطناعي الأولويات | اختيار 20 إلى 50 صفحة أساسية مع وصف واضح |
سياسة الإرجاع داخل صورة أو PDF | لا يمكن التحقق منها آليا | نشر الشروط في HTML وSchema |
التقييمات غير منظمة | دليل المقارنة ضعيف | تنظيم AggregateRating وملخص المراجعات |
الأعمدة الأربعة يجب أن تعمل معا. Schema يصف حقائق الصفحة، وllms.txt يحدد مسارات القراءة، وProduct Feed يحافظ على حداثة بيانات المنتج، وUCP Manifest يعلن القدرات التجارية المستقبلية. جودة B2A يجب أن تصبح تشغيل تجارة يومي لا مشروع SEO مؤقت.
العمود | استخدام الذكاء الاصطناعي | سؤال التحقق |
|---|---|---|
Schema.org | قراءة صفحة المنتج | هل السعر والمخزون والشحن والإرجاع والتقييمات مطابقة للواقع؟ |
llms.txt | اختيار الصفحات التي تقرأ أولا | هل الروابط مختارة وموصوفة بوضوح؟ |
Product Feed | المقارنة داخل فهارس المنتجات | هل السعر والمخزون والصور والمتغيرات والمعرفات محدثة؟ |
UCP Manifest | اكتشاف قدرات التاجر | هل الكتالوج والسلة والخصومات وcheckout معلنة بحدود واضحة؟ |
تتقادم B2A مع كل عرض سعري أو منتج جديد أو تغيير في الشحن. لذلك تحتاج إلى مالك تشغيلي وتنبيهات ومراجعة دورية. من دون ذلك قد تبدو العلامة جيدة للبشر وضعيفة للوكلاء.
إضافة: التعامل مع بنية بيانات B2A كقرار تشغيلي
عمليا، لا ينبغي التعامل مع بنية بيانات B2A كموضوع تحريري منفصل. إنه قرار تشغيلي: من يملك تشغيل Schema وllms.txt وProduct Feed وUCP Manifest، ما البيانات التي تدعم الوعد، وكم مرة يتم تحديثها؟ من دون هذا الانضباط قد يزيد المحتوى، لكن الأدلة التي يقرأها الذكاء الاصطناعي تبقى ضعيفة.
الخطوة الأولى هي الفصل بين ما يفهمه الإنسان من الصفحة وما يستطيع الوكيل التحقق منه آليا. التصميم الجيد لا يعوض Schema ضعيفا أو feed قديما أو سياسات غير واضحة أو مراجعات غير منظمة. وفي المقابل، يمكن للعلامة أن تبقى ضمن المقارنة عندما تكون حداثة البيانات والسياسات والمراجعات وشروط الشحن منظمة ومحدثة.
يجب أن يتبع القياس المنطق نفسه. أسبوعيا، ينبغي فصل الظهور، وطلبات الوكلاء، والزيارات القادمة من الذكاء الاصطناعي، وسلوك التجارة، والربط بالطلبات. شهريا، لا يسمى النمو نموا إلا إذا كان قابلا للمقارنة تحت التعريف نفسه. الارتفاع بعد إضافة tag أو Edge signal قد يعني توسع التغطية لا زيادة الطلب.
ترتيب التحسين مهم أيضا: تقليل سوء الفهم أولا، ثم زيادة البيانات القابلة للقراءة آليا، ثم تحسين التجربة بعد الوصول، ثم تقوية الربط بالإيراد. بهذا لا يخلط الفريق بين المحتوى وجودة البيانات والإسناد.
في الأسواق العربية، الثقة في السعر، المخزون، الشحن، الإرجاع، الضمان، وطريقة الدفع أساسية. الترجمة وحدها لا تكفي. يجب أن تعكس الأدلة التجارية واقع السوق الذي يقارن فيه المشتري، وإلا ستبقى توصية الذكاء الاصطناعي حذرة.
FAQ
Q1: ما الفرق بين B2A وB2C؟
A: B2C يحسن تجربة البشر. B2A يحسن البيانات لوكلاء الذكاء الاصطناعي: صيغة منظمة، حقائق قابلة للتحقق، ودقة في الوقت الحقيقي.
Q2: ما أهم خصائص Schema في التجارة الإلكترونية؟
A: السعر، التوفر، التقييمات، تفاصيل الشحن، وسياسة الإرجاع. كثير من العلامات تفتقد العناصر الثلاثة الأخيرة.
Q3: هل llms.txt ضروري لظهور Google AI Overview؟
A: ليس ضروريا. Google يعتمد أساسا على Schema وMerchant Center. llms.txt أكثر فائدة لمنصات مثل ChatGPT وPerplexity وClaude.
Q4: هل Shopify يكفي تلقائيا؟
A: جزئيا فقط. Shopify يوفر Schema وFeed أساسيين، لكن الشحن والإرجاع وllms.txt تحتاج غالبا إلى عمل إضافي.
Q5: ما عائد الاستثمار في B2A؟
A: زيادة احتمال التوصية من الذكاء الاصطناعي، تحسين Rich Results، تقوية Product Feed، والاستعداد لتكامل UCP وACP.