Yapay zekanın alışveriş deneyimini değiştireceğini uzun süredir konuşuyoruz. İlk dönemlerde bu değişimi daha çok kişiselleştirilmiş ürün önerileri, daha başarılı arama sonuçları ve müşteriye özel kampanyalar üzerinden gördük. Üretken yapay zeka ile birlikte müşterinin ürünleri tek tek aramak yerine ne istediğini doğal dille anlatabildiği yeni bir dönem başladı.

Şimdi ise bunun bir adım ötesine geçiyoruz. Yapay zeka yalnızca müşterinin sorularını cevaplayan bir asistan olmaktan çıkıp alışveriş sürecinin içinde görev alan bir ajana dönüşüyor.

Gıda perakendesinden basit bir örnek düşünelim. Bir süpermarket zincirinin mobil uygulamasına giren müşteri şöyle bir talepte bulunabilir: “Bu hafta dört kişilik aile alışverişimi planlamak istiyorum. İki akşam hızlı hazırlanabilecek yemek olsun, çocuklar için okul atıştırmalıkları ekle, pazar kahvaltısını da düşün. Laktozsuz ürünleri tercih ediyorum ve toplam bütçem beş bin TL’yi geçmesin. Evde makarna ve zeytinyağı var.”

Bugünkü e-ticaret deneyiminde müşterinin bu ihtiyacı farklı kategorilerde arama yaparak, ürünleri karşılaştırarak ve sepetini tek tek oluşturarak çözmesi gerekiyor. Yeni nesil bir alışveriş ajanı ise müşterinin ihtiyacını anlayabilir, geçmiş tercihlerini dikkate alabilir, uygun ürünleri ve alternatiflerini belirleyebilir, stok durumunu ve kampanyaları değerlendirebilir ve sepeti oluşturabilir. Bir ürün stokta yoksa müşterinin tercihleriyle uyumlu muadil ürünü de önerebilir.

Buradaki değişim sadece daha iyi bir kullanıcı arayüzü değil. Asıl değişim, yapay zekanın alışveriş kararının içine girmeye başlaması.

Anthropic’in 2 Eylül’de duyurduğu commerce agent blueprint’i bu açıdan dikkat çekici bir gelişme. Anthropic, şirketlerin kendi ticaret ajanlarını geliştirebilmeleri için açık bir referans mimari yayınladı. Yapıda iki temel ajan bulunuyor: müşteriye hizmet veren “shopping agent” ve perakendecinin kendi ekiplerine yardımcı olan “merchant agent”. Shopping agent ürün bulma, karşılaştırma, alışveriş listesi oluşturma, sepete ürün ekleme ve müşteri hizmetleri gibi işlevleri kapsarken; merchant agent satış analitiği, stok takibi, fiyat önerileri ve kampanya hazırlığı gibi konulara odaklanıyor. Dikkat çekici olan, kampanya hazırlığı gibi işlevlerin insan onayı gerektirecek şekilde kurgulanmış olması.

Bence burada özellikle üzerinde durulması gereken nokta, yapay zekanın alışverişin yalnızca müşteri tarafına değil, perakendecinin karar süreçlerine de yerleşmeye başlaması.

Müşteri tarafındaki ajan “Bu hafta ne almalıyım?” sorusunu çözmeye çalışırken, perakendeci tarafındaki ajan “Hangi ürünlerde stok riski oluşuyor?”, “Hangi kampanya beklediğimiz sonucu vermedi?”, “Hangi ürünlerde fiyat veya promosyon aksiyonu almalıyız?” gibi sorularla ilgileniyor.

Dolayısıyla gelecekte alışveriş deneyimini yalnızca müşteriye sunulan AI asistanları üzerinden değerlendirmek yeterli olmayacak. Arkada bu deneyimi besleyen ürün, müşteri, stok, fiyat, kampanya ve tedarik verisinin ne kadar bütünleşik olduğu ve bu verinin ne kadar hızlı karara dönüştürülebildiği çok daha önemli hale gelecek.

Anthropic’in yaklaşımında dikkatimi çeken bir diğer konu da müşteri ilişkisinin perakendecide kalmasına verilen önem. Shopping agent, perakendecinin kendi web sitesi veya mobil uygulaması içerisinde çalışıyor. Müşteri ürün araştırmasını ve alışverişini üçüncü taraf bir AI platformuna taşımadan perakendecinin kendi kanalında sürdürebiliyor. Ödeme tarafında da tablo benzer: Visa ve Mastercard gibi ödeme kuruluşları, ajana ham kart bilgisi vermek yerine tokenize kimlik ve harcama kuralları sağlayan programlar üzerinden bu yapıya eşlik ediyor. Yani checkout ve ödeme güvenliği katmanı model sağlayıcısının elinde değil.

Benim okumamla Anthropic burada Claude’u bir mağaza veya ödeme platformu olarak değil, perakendecinin kendi sistemlerine bağlayabileceği bir zeka katmanı olarak konumlandırıyor.

Bu konu önümüzdeki dönemde daha da önem kazanacak. Çünkü bir tarafta ChatGPT, Claude ve benzeri genel amaçlı AI platformları tüketicinin kişisel alışveriş asistanı olmaya aday. Diğer tarafta perakendeciler kendi müşteri ilişkilerini ve verilerini koruyarak kendi alışveriş ajanlarını geliştirmek isteyecekler.

Gıda perakendesinde bunun etkisinin daha da güçlü olacağını düşünüyorum. Çünkü alışveriş yüksek frekanslı, önemli ölçüde tekrarlı ve müşteri tercihleri zaman içinde öğrenilebilir durumda. Müşterinin kullandığı markalar, diyet tercihleri, aile yapısına bağlı tüketim alışkanlıkları, fiyat hassasiyeti, daha önce kabul ettiği ikame ürünler ve alışveriş sıklığı gibi bilgiler doğru kullanıldığında AI ajanı giderek daha iyi bir alışveriş yardımcısına dönüşebilir.

Ancak teknoloji tek başına yeterli olmayacak.

Asıl değer, müşterinin niyetini anlamakla perakendecinin elindeki veriyi ve operasyonel karar mekanizmalarını bir araya getirebilmekte oluşacak. Bir ürünü müşteriye önermek kolaylaşabilir. Ancak o ürünün doğru mağazada bulunması, stok riskinin önceden görülmesi, uygun fiyat ve promosyon kararının verilmesi ve gerektiğinde alternatif ürünün belirlenmesi hâlâ perakendenin temel karar problemleri olmaya devam ediyor.

Ajanın şirketin dilini öğrenmesi

Bu noktada çok konuşulmayan ama belirleyici olacak bir konu var. Bir ticaret ajanının bir şirketin hayatına gerçekten girebilmesi için o şirketin kendi diline, yani veri modelindeki anlam katmanına bağlanması gerekiyor.

Bir merchant agent’a “hangi kampanya beklediğimiz sonucu vermedi?” diye sorduğunuzu düşünün. Ajanın bu soruyu cevaplayabilmesi için önce o şirkette “sonuç”un ne demek olduğunu bilmesi gerekiyor. Satış brüt mü net mi ölçülüyor, iadeler düşülüyor mu, konsinye ürünler dahil mi, karşılaştırma için hangi baz dönem seçiliyor, kampanyanın diğer ürünler üzerindeki kanibalizasyon ve halo etkisi hesaba katılıyor mu? Bunların hiçbiri modelin kendiliğinden bilebileceği şeyler değil; her şirkete özgü tanımlar. Ajan ham tablolar üzerinde sorgu üretmeye başlarsa ortaya çıkan cevap dil olarak kusursuz, iş olarak yanlış olur. Daha kötüsü, yanlış olduğu kolayca fark edilmez; çünkü cevap makul görünür.

Müşteri tarafında da durum farklı değil. “Laktozsuz” tek başına bir etiket değil; bir ilişkiler bütünü. Hangi ürün grubuna dahil olduğunu, hangi ürünün yerine geçebileceğini, hangi müşterinin daha önce hangi ikameyi kabul ettiğini bilmeyi gerektiriyor. Bu ilişkiler tanımlı değilse ajan tahmin etmeye başlıyor.

Bu nedenle insan onayı şartını bir çözüm olarak değil, bir gösterge olarak okumak gerekiyor. Ajanın arkasındaki anlam katmanı ne kadar zayıfsa, o kadar çok kararı insana geri döndürmek zorunda kalırsınız. Kurumsal metrik tanımları, iş kuralları ve ürün, müşteri, mağaza arasındaki ilişkiler modellenmiş bir yapıda ise ajana çok daha geniş bir karar alanı devredilebilir. Yani semantik katman ve ontoloji, yapay zekanın ne kadar özerk çalışabileceğini belirleyen asıl unsur.

Bu da bizi çok somut üç başlığa getiriyor.

Katalog verisini ajanın anlayabileceği hale getirmek. Bugün çoğu perakendecide ürün verisi insan gözüyle okunmak üzere hazırlanmış durumda. Bir ajanın “laktozsuz”, “hızlı hazırlanabilir” ya da “okul atıştırmalığı” gibi bir talebi karşılayabilmesi için öznitelik, içerik, diyet ve alerjen bilgisinin yapılandırılmış biçimde var olması gerekiyor. Bu veri yoksa modelin ne kadar iyi olduğunun bir önemi kalmıyor.

İkame ürün ilişkilerini veri olarak tanımlamak. “Stokta yoksa muadilini önerir” cümlesi kulağa modelin işi gibi geliyor; oysa bu bir altyapı meselesi. Hangi ürünün hangisinin yerine, hangi müşteri için ve hangi koşulda geçerli olduğunu bilmek, ürün ilişkilerinin modellenmesini gerektiriyor. Bu alanda ürün bilgi grafiği çalışmaları bugün en somut ilerleme noktalarından biri.

Mağaza bazlı bulunurluk ve stok doğruluğunu ciddiye almak. Ajan mağaza seviyesinde yanlış stok görüyorsa deneyim ilk günde kırılıyor. Müşteri, kendisine önerdiği ürünü sonra “bulunamadı” diye geri alan bir asistana ikinci kez güvenmiyor.

Bu nedenle AI destekli alışverişin geldiği noktayı yalnızca “daha akıllı bir chatbot” olarak görmemek gerekiyor. Yapay zeka artık bir yandan müşterinin alışveriş kararının içine girerken, diğer yandan perakendecinin bu talebi karşılamak için verdiği kararların da parçası olmaya başlıyor.

Bence bundan sonraki rekabet de tam burada şekillenecek.

En iyi AI modelini kullanan değil; müşteriyi, veriyi, karar mekanizmalarını ve operasyonu en iyi biçimde birbirine bağlayan perakendeciler avantaj sağlayacak.

Kaynak: Anthropic, “Building commerce agents with Claude”, 2 Eylül 2026 — claude.com/blog/claude-for-commerce-agents

Perakende sektörü uzun yıllardır yalnızca perakendeciler için değil, aynı zamanda birlikte çalıştığı değer zinciri paydaşları, tedarikçiler, üreticiler, finansal servisler ve çapraz pazarlama yapılan tüm oyuncular için tüketici nabzını tutmak ve ortak yürütülen süreçlerin verimliliğini artırmak amacıyla gittikçe zenginleşen bir veri üretiyor. Özellikle dijitalleşme ile birlikte tüketicinin alışveriş öncesi ve sonrası yolculuğunu, diğer yandan ürünün üretim safhalarından rafa kadar olan sürecini çok daha iyi takip edebiliyoruz. Gerçek zamanlı mağaza operasyonlarını online dünyaya yakın hassasiyetle yönetme aşamasına doğru hızla ilerliyoruz.

Artan dijitalleşmenin sonucu ortaya çıkan zengin ve anlık veri, artık çok sayıda operasyonel kararın gerçek zamanlı ve içgörüye dayalı şekilde alınabilmesini mümkün hale getiriyor. Üretken yapay zekâ, Agentic AI ve karar zekâsı (Decision Intelligence) yaklaşımları sayesinde artık “ne oldu?” sorusundan “şimdi ne yapılmalı?” aşamasına geçmiş bulunuyoruz.

Önde gelen oyuncular uzun süredir birçok pilot proje yürütüyor. Ancak bugüne kadar ağırlıklı olarak deneme amaçlı projeler yapılırken, 2026 yılı somut iş sonuçlarına dokunan projelerin hayata geçirileceği bir dönem olacak. Maliyet düşüşü ve gelir artışı sağlayacak, kısa sürede devreye alınabilecek projeler işletmelerin önceliği haline gelecek. Şirketler, kendi altyapı yeterliliklerine ve operasyonel olgunluk seviyelerine göre hangi alanlarda ilerleyeceklerine karar vermek durumunda kalacak. Bu çerçevede özellikle en yüksek katkı potansiyeline sahip şu 5 alan öne çıkıyor:

1. Operasyonel karar orkestrasyonu ve envanter yönetimi

Önümüzdeki dönemde süpermarketlerde operasyon yönetimi yalnızca talep tahmini üzerinden ilerlemeyecek. Perakendeciler aynı anda promosyon etkilerini, mağaza bazlı tüketim farklılıklarını, tedarik sorunlarını, hava durumu değişimlerini, operasyonel kısıtları ve rakip aksiyonlarını birlikte değerlendiren sistemlere ihtiyaç duyacak.

Yeni nesil Agentic AI yaklaşımları sayesinde sistemler yalnızca rapor ve tahmin üreten yapılar olmaktan çıkacak; operasyon içindeki riskleri gerçek zamanlı izleyen ve aksiyon süreçlerini yöneten yapılara dönüşecek. Yok satma riski oluşan ürünler, mağaza bazlı operasyonel problemler, promosyonların tedarik zinciri üzerindeki baskısı, fire veya imha riski taşıyan kategoriler ile kritik teslimat gecikmeleri çok daha erken fark edilebilecek.

Bu sistemler ilgili ekipleri otomatik olarak yönlendirecek, alternatif aksiyon önerileri oluşturacak ve gerektiğinde süreçleri dinamik biçimde yeniden planlayacak. Böylece operasyon yönetimi yalnızca geçmiş veriye göre hareket eden yapılardan çıkıp; sürekli öğrenen, önceliklendiren ve şirket genelinde koordinasyonu artıran bir yapıya dönüşecek.

Yeni dönemde rekabet avantajı sağlayacak konu yalnızca daha iyi tahmin yapmak olmayacak. Asıl farkı, operasyonel gerçekleri birlikte değerlendirebilen ve daha hızlı ortak karar alabilen yapılar yaratacak.

2. Promosyon, müşteri etkileşimi ve karar motorları

Önümüzdeki dönemde süpermarketlerde herkese aynı kampanyayı sunan geleneksel yaklaşım giderek önemini kaybedecek. Perakendeciler yalnızca kişiselleştirme yapan sistemlere değil; müşteri davranışını, mağaza bazlı tüketim farklılıklarını, stok durumunu, tedarik koşullarını ve ticari hedefleri birlikte değerlendirebilen akıllı karar mekanizmalarına yönelecek.

Yeni nesil Agentic AI sistemleri sayesinde hangi müşteriye hangi ürünün önerileceği, hangi kampanyanın hangi mağazada öne çıkarılacağı ve hangi kategorilerde promosyon yoğunluğunun artırılması veya azaltılması gerektiği gerçek zamanlı olarak yönetilebilecek.

Örneğin yüksek talep gören ancak stok riski oluşan ürünlerde sistemler promosyon baskısını azaltabilecek; buna karşılık fazla stok veya fire riski taşıyan kategorilerde kişiselleştirilmiş kampanyaları otomatik olarak devreye alabilecek. Böylece kampanya yönetimi yalnızca pazarlama ekiplerinin yönettiği bir süreç olmaktan çıkacak; kategori yönetimi, tedarik zinciri, mağaza operasyonları ve müşteri deneyiminin birlikte optimize edildiği bütünleşik bir karar yapısına dönüşecek.

Yeni dönemde rekabet avantajı sağlayacak yapı, yalnızca daha fazla kampanya üretebilen değil; operasyonel gerçeklerle uyumlu, dinamik ve bağlamsal kararlar alabilen sistemler olacak.

3. Mağaza operasyonlarında gerçek zamanlı yönetim

Önümüzdeki dönemde mağaza operasyonlarında en büyük farkı yaratan unsur, problemlerin ne kadar hızlı fark edilip ne kadar hızlı aksiyon alınabildiği olacak. Çünkü süpermarketlerde raf boşlukları, fiyat uyumsuzlukları, operasyonel yoğunluklar, personel planlama problemleri ve mağaza içi aksaklıklar çoğu zaman geç fark edildiğinde hem satış kaybına hem de müşteri deneyiminde bozulmaya neden olacak.

Yeni nesil AI sistemleri sayesinde mağaza operasyonları artık yalnızca geçmiş verileri analiz eden yapılardan çıkacak; mağaza içindeki operasyonel akışı gerçek zamanlı izleyen ve süreçler arasında koordinasyon sağlayan yapılara dönüşecek. Sistemler raf erişilebilirliği problemlerini, fiyat hatalarını, operasyonel darboğazları, yoğunluk kaynaklı hizmet problemlerini ve mağaza içindeki anormal durumları çok daha erken tespit edebilecek.

Bu yapılar yalnızca problemi göstermekle kalmayacak; ilgili ekipleri yönlendirecek, operasyonel öncelikleri dinamik olarak güncelleyecek ve çözüm süreçlerini hızlandıracak. Böylece mağaza yönetimi reaktif operasyon yaklaşımından uzaklaşıp; sürekli öğrenen, riskleri erken yöneten ve aksiyon hızını artıran daha çevik bir yapıya dönüşecek.

4. Tedarik zinciri ve tedarikçi ekosistem yönetimi

Önümüzdeki dönemde perakendede rekabet yalnızca retailer’lar arasında yaşanmayacak. Asıl farkı, retailer ve tedarikçilerin ne kadar entegre çalışabildiği belirleyecek. Çünkü promosyon etkileri, talep değişimleri, lojistik problemleri, tedarik sürekliliği ve kategori bazlı operasyonel baskılar artık tek bir tarafın yönetebileceği kadar basit olmayacak.

Yeni nesil AI destekli karar sistemleri sayesinde retailer ve tedarikçiler ortak veriyle çalışan, süreçler arasında koordinasyon kurabilen ve operasyonel riskleri çok daha erken görebilen yapılara dönüşecek. Sistemler promosyonların tedarik zinciri üzerindeki etkilerini önceden değerlendirebilecek, talep değişimlerini erken fark edebilecek ve kritik lojistik veya tedarik problemlerinde alternatif senaryolar oluşturabilecek.

Agentic AI yapıları yalnızca analiz üreten sistemler olmayacak; ilgili ekipleri devreye alan, operasyonel öncelikleri dinamik olarak yeniden şekillendiren ve süreçler arasında koordinasyon sağlayan yapılara dönüşecek. Böylece retailer ve tedarikçiler arasındaki iş birliği daha reaktif değil, daha öngörülü ve senkronize bir yapıya evrilecek.

Önümüzdeki dönemde özellikle FMCG dünyasında ortak karar alma ve ortak operasyon yönetimi kabiliyeti, en önemli rekabet avantajlarından biri haline gelecek.

5. Taze ürün operasyonlarının dinamik yönetimi

Önümüzdeki dönemde taze ürün operasyonları perakendenin en kritik ve en karmaşık yönetim alanlarından biri olmaya devam edecek. Çünkü taze ürün tarafında yalnızca satış performansı değil; raf ömrü, fire, üretim planlama, personel yönetimi ve gün içindeki ani tüketim değişimleri aynı anda yönetilmek zorunda kalacak.

Yeni nesil AI sistemleri sayesinde taze ürün operasyonları artık yalnızca geçmiş satış verilerine göre yönetilmeyecek. Sistemler fire riski taşıyan ürünleri, mağaza bazlı tüketim anomalilerini, üretim-planlama uyumsuzluklarını, stok yaşlanmalarını ve operasyonel kalite risklerini çok daha erken tespit edebilecek.

Bu yapılar yalnızca problemi göstermekle kalmayacak; dinamik aksiyon önerileri oluşturabilecek, mağaza ve kategori bazlı öncelikleri güncelleyebilecek ve operasyon ekiplerini gerçek zamanlı yönlendirebilecek. Özellikle gün içindeki değişen tüketim davranışlarına göre üretim, fiyatlama ve ürün yönetimi daha çevik şekilde optimize edilebilecek.

Böylece taze ürün operasyonları statik planlarla yönetilen yapılardan çıkıp; gerçek zamanlı öğrenen, kendini optimize eden ve operasyonel çevikliği artıran yapılara dönüşecek.

Yeni nesil AI projeleri artık yalnızca teknoloji projeleri olarak değil; operasyonel dönüşüm projeleri olarak ele alınmalı. Operasyonel işleyiş ve yeni dönemdeki roller, karar süreçlerine göre yeniden düzenlenmediği takdirde, başarılı bir teknoloji implementasyonu bile sahaya sınırlı ölçüde yansıyacaktır.

Bu nedenle yeni nesil platformlar; üretken yapay zekâyı, kurumsal bilgi, süreç yönetimi ve operasyonel aksiyonlarla bütünleştiren yapılara dönüşüyor. Obase olarak AIR (AI-Ready) çözümümüz ile bu dönüşüme liderlik yapmayı hedefliyoruz. Alınması gereken kararları güvenilir bir şekilde operasyonların içine taşıyacak bir sistemi işletmelerin hayatına entegre etmeyi amaçlıyoruz.

Yapay zekâ çıktılarını karar süreçlerinin aktif bir parçası haline getirmek, kısa ve orta vadeli başarının çıtasını belirleyecek. Tüm süreçlerde bunu yapmak için veri kalitesi, süreçlerin tariflenmesi ve organizasyonel dönüşüm zaman alabilir. Ancak adım adım hayata geçirilebilecek çok sayıda somut proje bulunuyor.

Önümüzdeki dönemde fark yaratacak şirketler, en fazla veriye sahip olanlar değil; veriyi en hızlı, en güvenilir ve en doğru şekilde aksiyona dönüştürebilenler olacak.

New York Javits Center’da düzenlenen NRF 2026, perakende teknolojilerinin geleceğine dair önemli sinyaller vermeye devam etti. Bu yıl konferans ve fuarın ana teması beklendiği gibi yapay zekaydı; ancak geçmiş yıllardan farklı olarak artık hayatın içerisine girmiş örnekleri görmeye başladık. Perakende IT bütçelerinin %15’i artık AI’a ayrılıyor ve bu oran yıllık %27 büyüme gösteriyor. Yapılan bilgilendirmelerde AI harcamalarının, pilot proje çalışmaları ve kısıtlı sayıda akıllı chatbot lisansının ötesine geçmeye başlamış olduğu; perakendecinin hem müşteriye dokunan yüzünü, hem de mutfağını aynı anda dönüştüren üç katmanlı bir yatırım çerçevesinde şekillendiğini görüyoruz. Ön yüzde kişiselleştirilmiş öneriler, dinamik sayfalar ve müşterinin yerine araştırıp karşılaştıran müşteri asistanı senaryoları öne çıkarken; arka planda talep tahmini, stok ve tedarik zinciri, fiyatlama/promosyon ve iş gücü planlama gibi karar mekanizmaları AI ile yeniden kurgulanıyor. Tüm bunların çalışmasını sağlayan görünmez katmanda ise AI altyapı kullanım maliyetleri, veri platformları ve güvenlik/yönetişim ile veri anonimleştirme yer alıyor; yani AI’a hazır ve sürdürülebilir bir altyapı oluşturmak temel oluşturuyor.

NRF’te AI ile ilgili en öne çıkan ve gelecekteki müşteri davranışını da adresleyen ana mesaj, AI destekli alışverişten otonom kararlar alabilen “ajan tabanlı ticaret” dönemine geçiş oldu. Bu süreci desteklemek üzere önemli anonslar yapıldı. Geçen yıl ajan olarak sunulan çözümler aslında gelişmiş chatbot’lardan ibaretti. Bu yıl ise gerçek anlamda otonom karar alabilen, işlem gerçekleştirebilen ve zincirleme etkileri yönetebilen sistemler sergilendi.

Protokol Savaşları: UCP ve ACP

NRF 2026’nın en kritik duyurusu Google’dan geldi: Universal Commerce Protocol (UCP). Google, Shopify, Etsy, Wayfair, Target ve Walmart ortaklığıyla duyurduğu bu açık standardı “AI arayüzleri içinde ticaretin altyapısı” olarak konumlandırdı. UCP’nin perakendeciler için en büyük avantajı, Google Merchant Center’a zaten entegre olan firmaların otomatik olarak sisteme dahil olması. Yani ürün bilgilerinizi Google’a besliyorsanız, Gemini sizi zaten bulabilir durumda.

Sundar Pichai, CEO, Google Alphabet ve John Furner, President and CEO and incoming Walmart Inc. President and CEO, Walmart U.S.

Öte yandan OpenAI ve Stripe’ın daha önce duyurduğu Agentic Commerce Protocol (ACP), farklı bir değer önerisi sunuyor: Stripe kullanan perakendeciler için tek satır kodla ChatGPT içinden görünür hale gelme imkanı. ACP hız ve basitliğe odaklanırken, UCP kullanıcı kimlik doğrulama ve sadakat programı entegrasyonu gibi özelliklerle öne çıkıyor.

Bu iki protokolü ajan tabanlı ticaretin HTTP’si olarak düşünebiliriz. Hangisinin kazanacağı sorusunun cevabı ise belki de “ikisi de” olacak. Walmart’ın stratejisi bunu net gösteriyor: Hem ACP hem UCP’yi benimseyen şirket, “müşteri niyetinin başladığı her yerde var olmak” mottosuyla hareket ediyor. Bu yaklaşım, omnichannel’ın ötesinde “omni-protocol” bir geleceğe işaret ediyor. Aslında burada uzun süredir gözlemlenen Amazon’un duruşuna dikkat çekmek gerekiyor. Amazon ise “ben zaten ayrı bir standardım; hem kendi portföyümdeki hem de dışarıdaki ürünleri Rufus ile bulabilir ve sipariş verebilirsin” diyor. Bu sektörde bazıları tarafından Walmart’ın önderliğini yaptığı açık standartlar ile Amazon’un kapalı network’ü arasındaki bir savaş olarak değerlendiriliyor.

Ajan tabanlı ticaret: Tüketici deneyiminin yeniden tanımı

AWS’den David Dor’un ortaya koyduğu “Agentic Commerce Seviye Tablosu” fuarın en tartışılan içeriklerinden biriydi. Seviye 0’dan (asistan tabanlı öneriler) Seviye 5’e (tam otonom alışveriş ajanları) uzanan bu çerçeve, sektörün nereye gittiğini net gösteriyor. Şu an çoğu perakendeci L2-L3 seviyesinde, yani rehberli ve işlemsel aşamada denemeler yapıyor. Ancak 2026-2027’de L4 ve L5’e geçiş; yani sizin adınıza alışveriş kararları veren yapay zeka ajanları beklentisi tarifleniyor.

Bu dönüşümün boyutunu Adobe’nin paylaştığı veriler somutlaştırıyor: 2025 Amerika tatil sezonunda AI destekli e-ticaret trafiği bir önceki yıla göre %693 artmış. Salesforce ise AI ve ajanların 2025 tatil perakende satışlarının %20’sini oluşturduğunu açıkladı. Bu veriler, AI’ın en çok müşteri hizmetleri süreçlerinde benimsendiği bulgusunu destekliyor.

Terminoloji de değişiyor. B2B ve B2C’nin yanına artık A2A (Agent-to-Agent) ticaret ekleniyor. Bir tüketici ajanının, bir perakendeci ajanıyla doğrudan iletişim kurarak alışveriş yapması yani müşterinin yönetiminin yanı sıra ajanların yönetilmesi de ana bir konu haline geliyor.

Perakende devlerinden AI yansımaları

Amazon’un yaklaşımı dikkat çekici bir şekilde farklılaşıyor. Rufus adlı AI asistanı ile 250 milyon müşteriye ulaşan ve bugüne kadar 10 milyar dolar satış gerçekleştiren şirket, UCP veya ACP’ye katılmak yerine kendi ekosistemini güçlendirmeyi tercih ediyor. Amazon CEO’su Andy Jassy’nin “diğer LLM’ler iyi bir deneyim sunduğunda yeniden değerlendiririz” şeklindeki açıklaması, şirketin bu alandaki özgüvenini yansıtıyor.

Target ise farklı bir strateji izliyor: ChatGPT içinde özel bir uygulama geliştirerek “@Target” komutuyla müşterilerine ürün sorgulama, stok kontrolü ve sipariş tamamlama imkanı sunuyor. Bu, protokollerden bağımsız, API tabanlı bir entegrasyon modeli. Target aslında müşterilerinin, hangi ürünleri aradıklarını anlayıp, gerekirse bu ürünler portföylerinde yok ise dahil etme kararını vermeyi de hedefliyor.

Kroger’ın Instacart işbirliği de önemli bir gelişme. Akıllı alışveriş arabaları ile mağaza içi deneyimi dönüştüren bu ortaklık, sepet toplamını anlık gösterme özelliğiyle ortalama %2-3 satış artışı sağlıyor. Wegmans mağazalarının %20’sinde konuşlanan bu sistem, sıfır alışveriş arabası hırsızlığı rakamıyla da dikkat çekiyor.

Walmart’ın “müşteri niyetinin başladığı yerde olmak” stratejisi, sektör için bir manifesto niteliğinde. Artık mesele “müşterinin olduğu yerde olmak” değil, “niyetin oluştuğu anda orada olmak.” Ve bu niyet, giderek artan oranda AI asistanlarında şekilleniyor.

Yeni kullanıcı arayüzü: Ses ve görsel tanıma

NRF 2026’da sergilenen çözümler, kullanıcı arayüzünün köklü bir dönüşüm geçirdiğini gösterdi. Bazı örnekler mağaza içinde sesli etkileşimin kiosk ve müşteri arasında özel bir iletişim içerisinde gideceğini gösterdi. Örneğin müşterinin ihtiyacını sesli olarak belirtmesi, sistemin uygun ürünü önermesi gibi. Özel hoparlör ve mikrofon tasarımı sayesinde bu etkileşimin mağaza ortamında yankılanmadan gerçekleşebildiğini gördük.

Görsel tanıma tarafında buluta bağlanmadan çalışan kamera bağlantılı akıllı görsel yorumlama sistemleri öne çıktı. Tek bir kamera ile kayıp önleme, self-checkout doğrulama, çalışan suistimali tespiti ve müşteri davranış analizi yapılabilen sistemler sergilendi.

Fiziksel AI tarafında ise robotlar ile yüzlerce mağazaya ulaşması planlanan, maliyetleri düşen RFID’nin ve görsel tanıma teknolojilerinin birleşerek envanter doğruluğunu artıran sistemlerde tümleşmesi dikkat çekiciydi.

Bu gelişmeler, yazılım çözümlerinin de evrilmesi gerektiğine işaret ediyor. Obase olarak da geliştirmekte olduğumuz “çoklu uzman ajanlar” modeli buna iyi bir örnek: Mağaza müdürü ajanı, içgörü ajanı, eylem ajanı ve envanter ajanı birlikte çalışarak kapsamlı mağaza müdürünü asiste eden bir yapı oluşturuyor. Mağaza arka ofisinin yeni misyonu da tam bu olacağına inanıyoruz; yani mağazadaki dijitalize olan tüm veri kaynaklarından veriyi toplayan, anlamlandıran ve iş süreçleri ile gerekli noktalarda mağaza çalışanı onayıyla tümleştiren bir sisteme dönüşecek.

AI’a hazır olmanın pratik tanımı: Problem + veri + süreç

NRF 2026’da anlatılanlar ve gündemdekilerden çıkaracağımız en anlamlı sonuç, AI’ın “yapabilir” olmasının yetmediği, “yapmalı mı” sorusunun cevaplanması gerektiği. AI’dan fayda elde etmek üç temel üzerine oturuyor: Birincisi, çözülecek iş probleminin net tanımı; “AI kullanalım” değil “envanter doğruluğunu %98’e çıkaralım” gibi bir hedefle yola çıkmak lazım. İkincisi, bu problemi besleyecek kaliteli, tutarlı ve erişilebilir veri varlığı; ajanlar ne kadar akıllı olursa olsun, beslendiği veri kadar değer üretir. Üçüncüsü, verinin üretildiği ve sonuçların uygulandığı iş süreçlerinin olgunluğu. NRF’te gördüğümüz Dollar Tree buna güzel bir örnek. Dollar Tree ilk denemelerinde beklenmedik kriz senaryoları gerçekleştiğinde chatbot’a sorup yönlendirme almak gibi iyi niyetli ama gerçekçi olmayan ve böylesi durumlarda çalışanların itibar etmediği süreçler kurgulamış. Sonrasında yönlerini daha anlamlı bir probleme çevirmişler: mağaza yöneticilerinin hangi gün hangi mağazaya odaklanması gerektiğini, kritik KPI’ları ve mağaza bazlı risk/fırsatları üretken yapay zeka üzerinden görmesini sağlayan bir operasyonel karar desteği hayata geçirerek fayda elde etmişler.

Hangi süreci iyileştireceğiz ile başlamak için bir örnek daha verelim. Bir sipariş takıldığında sistemin problemi tespit etmesi, olası çözümleri değerlendirmesi ve en uygununa karar vermesi ve bu kararın zincirleme etkilerini insan müdahalesini en aza indirerek yönetmesi. Ancak bu otonom karar alma yeteneği, süreçlerin ve iş kurallarının önceden net tanımlanmış olmasını gerektiriyor. Kuralları belirsiz bir süreç üzerinde hiçbir yapay zeka sağlıklı karar veremez. Bu üç unsurun; problem, veri, süreçin beraber ele alınmas durumunda AI yatırımı değer yaratır; aksi halde teknoloji sadece maliyet kalemi olarak kalır. Yıllardır veri kalitesi, süreç standardizasyonu ve sistem entegrasyonuna yatırım yapan şirketler, bu dönüşümde rekabet avantajını hazır olarak yakaladığını görmekteyiz.

NRF 2026’dan çıkan ana mesaj şu: Ajan tabanlı ticaret çağı başlıyor ve bu dönüşümde hızlı ilerleyecek olan şirketler, yıllardır veri kalitesi, süreç standardizasyonu ve sistem entegrasyonuna yatırım yapanlar olacak. AI herkes için kullanılabilir hale geliyor, ama onu etkili kullananlar hazırlıklı olanlar arasından çıkacak. Dijital Ticaret Protokol savaşlarının galibi henüz belli değil, ancak veri savaşının galibi çoktan belli: Veriye sahip olan, geleceğe sahip olacak.