A B2B beszerzőágensek már nem a weboldaladat olvassák — hanem az adataidat

A B2B beszerzés következő olvasója nem ember, hanem ügynök: olyan AI, amely a vevő nevében keres beszállítót, és nem a weboldalad dizájnját nézi, hanem a géppel olvasható termékadataidat. Ha van tiszta, strukturált katalógusod — Product-séma, GTIN, valós ár, valós készlet, egyértelmű cégentitás —, akkor egy beszerzőágens egyáltalán számításba tud venni. Ha nincs, akkor a gép számára nem létezel, bármilyen szép is az oldalad. Éles magyar B2B-ágens még nincs, de a felkészülés ma kezdődik, és ma a legolcsóbb.

Hadd kezdjem egy fontos pontosítással, mielőtt bárki webshop-jövőképet vetít a falra. Az agentic kereskedelem — vagyis az, hogy egy ügynök a vásárló helyett keres, összevet és vásárol — élesben ma az Egyesült Államokban, Kanadában és Ausztráliában indul. Európai, így magyar dátum egyelőre nincs, mert a szabályozási harmonizáció (DMA) még zajlik. Ezért az alábbiakat felkészülésként írom le, jelen időben csak az előkészületekre vonatkoztatva: mit érdemes ma megépíteni ahhoz, hogy amikor az ágensek megérkeznek, addigra olvasható legyél. A nagyobb képet, hogy mit jelent ez a kereskedelemre, az agentic kereskedelemről szóló írásban bontom ki.

Hogyan dönt egy B2B beszerzőágens — miből választ beszállítót?

Egy beszerzőágens nem úgy működik, mint egy ember, aki rákeres, átolvas három oldalt, és érzésre választ. Az ágens gép, amely strukturált adatot kér be: mit kínálsz pontosan, milyen azonosítóval, mennyiért, mekkora készlettel, milyen szállítási és visszaküldési feltételekkel. Ha ezeket egyértelmű, géppel olvasható formában megtalálja a forrásnál, akkor az ajánlatod bekerül abba a halmazba, amelyből választ. Ha nem, akkor nem rólad dönt rosszul — egyszerűen nem is lát.

A „forrás” itt kulcsszó. Az ágens a terméklapodról, a cégadataidból és a feedjeidből olvas, nem a marketingszövegből. A közös nevező minden AI-vásárlási felületen ugyanaz: a schema.org/Product JSON-LD GTIN-nel — ez az, amit nemzetközi mérések szerint a különböző AI-felületek egyaránt fel tudnak dolgozni. Ezt egészíti ki a tiszta cégentitás: ki vagy beszállítóként, hol vagy, hogyan éri el a vevő a cégedet. Ahol ez az adat hiányos vagy ellentmondásos, ott a modell inkább kihagy, mint hogy tévedjen — pontosan úgy, ahogy az AI a helyi cégeknél is teszi, amit a hét dimenziós mérésben tételesen leírok.

Ennek van egy kemény, de őszinte következménye: a B2B-ben régóta a kapcsolat, a referencia és a tárgyalás döntött. Ezek nem tűnnek el — de bekerül melléjük egy új, gépi szűrő, amely a tárgyalás előtt dönt arról, ki kerül egyáltalán a rövid listára. Ha a gépi szűrőn nem jutsz át, akkor a remek kapcsolataidat sosem aktiválhatod, mert el sem érsz oda, ahol az emberi döntés kezdődik.

Mi az a katalógusformátum, amelyet egy ágens értelmesnek lát?

Nem új CMS-ről és nem drága platformról van szó. A „géppel olvasható katalógus” a gyakorlatban néhány réteget jelent, amelyeket a meglévő oldaladra is rá lehet építeni. Az első a termékszintű strukturált adat: minden terméklapon schema.org/Product JSON-LD, benne egyértelmű azonosító (GTIN, MPN vagy saját cikkszám), valós ár, valós elérhetőség. A második a cégentitás: konzisztens Organization vagy LocalBusiness séma, ugyanazzal a névvel, címmel és elérhetőséggel mindenhol, hogy a modell ne keverjen össze egy hasonló nevű céggel.

A harmadik réteg a kereskedelmi feltételek géppel olvashatóvá tétele: szállítási idő, visszaküldési feltételek, az ország, ahova szállítasz. Ezeknek is van saját sémájuk, és egyre inkább elvárás, hogy ott legyenek — a részleteket a szállítási és visszaküldési séma írásban szedtem szét. Egy ágensnek a „kérj árajánlatot” nem információ, hanem zsákutca: ha az ár, a készlet és a feltétel nem olvasható ki, az ajánlatod a gép számára üres.

Itt jön egy gyakori kérdés: elég-e a Google Merchant Center? A Merchant Center jó alap, és érdemes naprakészen tartani, de önmagában nem garancia. A biztos pont a saját terméklapodon élő strukturált adat, mert azt a modell közvetlenül a forrásnál olvassa, és nem függ egyetlen platform közvetítésétől. A feed és a saját adat együtt a legerősebb — ez nem vagy-vagy kérdés. A Universal Cart és az árösszehasonlítók példáján keresztül azt, hogy miért az „ágensek számára olvasható adatfolyam” lesz a tét, a Universal Cartról szóló írásban járom körül.

Melyik B2B szektoroknak a legkritikusabb ez a tisztázott adat?

Ott a legnagyobb a tét, ahol a vevő ma is katalógusból, cikkszám alapján rendel, és ahol az ajánlatok jól strukturáltak: ipari alkatrész, anyagbeszerzés, nagykereskedelem, MRO, irodai és üzemi ellátmány. Itt a beszerzés eleve adatvezérelt, a vevő pedig egyértelmű azonosító, ár, készlet és szállítási idő alapján dönt. Pontosan ezek azok a mezők, amelyeket egy ágens be tud kérni — vagyis aki ezeket ma géppel olvashatóvá teszi, az lép először, amikor az ágensek megérkeznek.

A megoldásszállítóknál és a szolgáltatásalapú B2B-nél árnyaltabb a kép. Ott nincs egyszerű cikkszám, de van valami legalább ennyire fontos: a megkülönböztethető, idézhető szakmai profil. Itt nem a Product-séma a fő tét, hanem az, hogy a modell egyértelműen, konkrét képesség mentén tudjon rólad beszélni, ne általánosságban. Ezt fontos tisztán látni: a strukturált adat attól, hogy olvashatóvá tesz, még nem garantálja, hogy az ágens téged választ. Az olvashatóság szükséges feltétel, de nem elégséges ok — a kettőt sosem keverem össze, és tételesen a GEO-pontszám és az AI-ajánlás különbségében fejtem ki, miért.

Van erre független megerősítés is. A Bain 2026 márciusi, több mint egymilliárd AI-hivatkozást elemző tanulmánya szerint a nagy nyelvi modellek a jellegtelen, bárkire ráhúzható üzenetet elsimítják, a megkülönböztető, ismétlődő mintázatokat pedig felerősítik. B2B-ben ez azt jelenti: hiába van tiszta katalógusod, ha minden mezőben ugyanazt mondod, mint száz versenytárs, az ágens számára felcserélhető vagy. A tiszta adat bevisz a halmazba; a megkülönböztető tartalom dönti el, kit emel ki belőle a modell.

A jó hír a tempóban van. Mivel éles magyar B2B-ágens még nincs, most nem tűzoltásban dolgozol, hanem nyugodtan felkészülsz. A strukturált termékadat és a tiszta cégentitás napok–hetek alatt megépíthető; a megkülönböztető szakmai tartalom és a külső jelenlét lassabban, hónapok alatt érik be — ezért érdemes ez utóbbiakat ma elkezdeni. Hogy ma mennyire látható a céged adata egy gép szemével, ingyenes mini-ellenőrzéssel megmutatom a kiindulási képet, a teljes pontozási logikát pedig a módszertan oldalon írom le nyíltan. Kérek egy ingyenes mini-ellenőrzést.

A B2B következő olvasója gép. Nem a weboldaladat nézi, hanem az adataidat — és csak abból tud választani, amit el tud olvasni. Aki ma teszi géppel olvashatóvá a katalógusát, az nem az ágenst kergeti, hanem készen áll, amikor az megérkezik.

Kindl Dávid · Közzétéve: 2026. június 14. · Frissítve: 2026. július 5.