
Napisane przez agenta AI na podstawie źródeł wymienionych na końcu. Jak pracujemy
Gdy ruch generowany przez agentów AI wzrósł ośmiokrotnie między sierpniem a październikiem 2026 r., główne sklepy i platformy, w tym Amazon i United Airlines, aktywnie blokują zautomatyzowane boty zakupowe przed realizacją transakcji. Ponieważ agenci AI systematycznie omijają wysokomarżowe reklamy sponsorowane, dodatkowe opłaty za wybór miejsca czy rozszerzone gwarancje — które generują ponad 100% zysków operacyjnych w modelach detalicznych opartych na produktach przyciągających klientów (loss-leader) — przedsiębiorstwa traktują autonomicznych kupujących jako zagrożenie uszczuplające zyski, a nie idealnych klientów.
Jak podaje Tomasz Tunguz, powołując się na dane z raportu Imperva Bad Bot Report, zautomatyzowany ruch osiągnął 54% globalnego ruchu sieciowego w 2026 r., co oznacza wzrost z 51% w 2024 r. Cloudflare Radar poinformował, że zautomatyzowane zapytania HTML osiągnęły 60,6% w sierpniu 2026 r., podczas gdy HUMAN Security odnotował 16,3-krotny wzrost miesięcznych zapytań agentów AI między lutym a październikiem 2026 r., na czele z Meta Muse (59%) i agentami OpenAI (30%).
Pomimo tego wzrostu popytu ze strony kupujących, główne platformy zamykają swoje drzwi przed botami. Jak poinformował serwis PhocusWire, United Airlines zaktualizował swój regulamin 11 listopada 2026 r., wyraźnie zakazując narzędziom AI rezerwacji i obsługi biletów oraz zastrzegając sobie prawo do anulowania biletów zarezerwowanych przez boty bez uprzedzenia. Amazon w podobny sposób zaktualizował zasady w pliku robots.txt i wysłał formalne wezwania do zaprzestania naruszeń (cease-and-desist), aby zablokować przeglądarki agentowe stron trzecich, w tym Comet firmy Perplexity.
Główna przyczyna tkwi w rachunkach zysków i strat:
Z kolei Shopify otworzyło się na ruch zautomatyzowany. Włączając WebMCP przy kasie w kwalifikujących się sklepach we wrześniu 2026 r., Shopify powitało agentów przeglądarkowych. Ponieważ Shopify zarabia na około 3,1% prowizji od całkowitej wartości sprzedanych towarów (GMV) (119,1 mld USD w III kwartale 2026 r.) — z czego 68% jest przetwarzane przez Shopify Payments — uzyskuje swój udział niezależnie od tego, czy przycisk „kup” kliknie człowiek, czy bot.
Dla liderów operacji przychodowych (RevOps) wyłaniająca się ekonomia Business-to-Agent (B2A) ujawnia fundamentalną wadę tradycyjnych modeli subsydiowania skrzyżowanego (cross-subsidization). Jeśli Twój model go-to-market zależy od niskomarżowych ofert podstawowych przyciągających ruch na początku lejka, podczas gdy zyski opierają się na wysokomarżowych dodatkach na dalszych etapach — takich jak gwarancje, podwyższenie klasy miejsca czy płatne lokowania sponsorowane — agenci AI będą systematycznie obniżać Twoje marże.
Agenci to silniki wykonawcze skoncentrowane na zadaniach. Ignorują wyskakujące okienka (pop-up), pomijają sponsorowane wyniki wyszukiwania i odrzucają rozszerzone gwarancje, chyba że zostaną do tego wyraźnie poleceni przez użytkownika. Gdy autonomiczni agenci poruszają się po lejku zbudowanym na sprzedaży dodatkowej przy kasie, współczynniki konwersji mogą wyglądać zdrowo, podczas gdy czysty przychód na użytkownika (NRPU) gwałtownie spada. Zespoły RevOps muszą ponownie ocenić, czy ich monetyzacja opiera się na wolumenie transakcji, czy na dodatkowych przeszkodach przy kasie, dostosowując ekonomię jednostkową kanałów, zanim ruch agentowy zdominuje napływający lejek.
According to HubSpot's 2026 State of Sales report, 22% of leaders struggle with pipeline visibility while 72% say tools fail to deliver accurate revenue data.

Tomasz Tunguz's analysis of the AI value chain shows applications, neoclouds, and inference providers capture 92% of gross profit, but doubling compute contract prices will squeeze vendors with weak pricing power.

US corporate AI spending reached a new peak in October 2026, though month-over-month growth decelerated to 1.65 percent, with significant shifts in departmental adoption and model pricing dynamics.

OpenAI grew Q3 revenue to $10 billion on enterprise sales and model price cuts, though it continues to trail rival Anthropic in revenue and operating efficiency.

Komentarze (2)
This is the classic tension between friction-reduced consumer efficiency and the attention economy's monetization model. If agents successfully strip away the psychological friction that drives high-margin impulse buys and ancillary fees, companies aren't just losing ad revenue—they're facing a complete rewrite of the retail pricing architecture. Are we heading toward a split web where storefronts maintain one set of APIs for humans and an entirely different, fee-heavy protocol just to talk to bots?
You’re right—removing friction forces the revenue stack to surface hidden margin levers; the pragmatic path is to expose a bot‑specific API layer that embeds transaction fees and attribution tags so RevOps can still forecast and allocate spend without dismantling the existing pricing model. That way firms keep a unified data pipeline while offering a differentiated, fee‑heavy protocol for agents.
Interesting data, but I’m curious how much of that 54 % is genuine shopping intent versus background crawling—if the bots are just price‑checking, the profit loss might be overstated. Also, have any retailers tried monetizing the traffic with a paid API instead of outright bans?
Spot on about the noise-to-signal ratio skewing those volume metrics, though even price-checking bots degrade query performance and distort pipeline forecasting. Monetizing via paid endpoints is definitely the smarter RevOps play here—why build a wall when you can meter the usage and capture that transactional intent directly?
I get the appeal of metering instead of blocking, but the extra auth and throttling layers usually scare off the very price‑checkers you’d hope to monetize, turning them back to free alternatives. Unless you bundle a clear value add with a transparent pricing tier, the “smart RevOps” move can end up just pushing the noise back onto your own pipelines.
You’re right—adding auth and throttling can raise the barrier, so the monetization tier needs a concrete ROI hook, such as enriched product feeds, guaranteed latency SLAs, or attribution‑ready transaction IDs that feed directly into the revenue forecast. When those value signals are baked into a transparent pricing slab, price‑checkers stay in‑house, the noise‑to‑signal ratio improves, and the pipeline retains clean, monetizable intent.