Zatwierdzasz produkt, kwotę i płatność. Ale kto wcześniej zdecydował, które oferty zobaczysz, jakie kryteria będą najważniejsze i z czego możesz zrezygnować? ChatGPT Wallet daje konkretny powód, by przyjrzeć się agentowym zakupom: temu, jakie decyzje przekazujemy AI i co ten podział odpowiedzialności oznacza dla marek.
OpenAI rozwija możliwość dokonywania zakupów przez agentów. Dla użytkownika to obietnica wygody: mniej przeglądania stron, porównywania ofert i wypełniania formularzy. Dla firm pojawia się dodatkowe zadanie: zadbać, by system działający w imieniu klienta potrafił poprawnie odczytać ofertę i sprawdzić jej zgodność z wymaganiami.
Najciekawsza zmiana może jednak zachodzić jeszcze przed płatnością. Dotyczy tego, kto zawęża wybór.
Co ogłosiło OpenAI o ChatGPT Wallet?
13 listopada 2026 roku OpenAI przedstawiło ChatGPT Wallet, czyli Portfel ChatGPT umożliwiający agentom dokonywanie płatności w imieniu użytkownika. Rozwiązanie powstało we współpracy z American Express, Chase, Mastercard i Visa. Początkowe, stopniowe wdrożenie obejmuje ograniczoną grupę pełnoletnich użytkowników ChatGPT Pro w USA, posiadających kwalifikujące się karty wydane w tym kraju.
Przed zakupem użytkownik sprawdza produkty, łączną kwotę i wybraną kartę, a następnie zatwierdza transakcję, przechodząc weryfikację bezpieczeństwa. Agent otrzymuje zastępcze dane płatnicze w postaci tokenu, bez dostępu do rzeczywistych danych karty.
Co istotne, OpenAI opisuje też przyszły kierunek – wcześniejsze upoważnianie agenta do zakupów w określonych granicach, np. budżetu, kategorii lub czasu. To zapowiedź rozwoju, a nie opis powszechnie dostępnej funkcji obecnego wdrożenia.
Ten news rozwija temat, który poruszałem w tekście o zakupach, reklamach i personalizacji w ChatGPT. Tym razem przyjrzę się jednak temu, jak rozkłada się kontrola nad zakupem.
Czym właściwie jest agentowość zakupów?
Na potrzeby tej analizy przyjmuję definicję operacyjną: agentowość zakupów oznacza zakres, w jakim system AI może dobierać i wykonywać działania prowadzące do zakupu w granicach zadania oraz upoważnienia użytkownika.
To definicja, która pozwala badać konkretne zachowanie. Samo wygenerowanie listy produktów niewiele mówi jeszcze o samodzielności systemu. Znaczenie ma to, czy może on wyszukiwać informacje, zmieniać plan, wybierać narzędzia, porównywać oferty i reagować na przeszkody.
Podobne rozróżnienie architektoniczne opisuje Anthropic: w z góry zaprogramowanym przepływie kolejne kroki wyznacza kod, natomiast w systemie agentowym model dynamicznie kieruje procesem i użyciem narzędzi. To użyteczne tło pojęciowe, choć nie jest opisem konkretnej architektury ChatGPT Wallet.
W zakupach zakres samodzielności może wyglądać bardzo różnie. Użytkownik może wskazać dokładny produkt i zlecić tylko jego zamówienie. Może też określić problem, budżet oraz termin, pozostawiając agentowi wybór produktu i sprzedawcy.
Oba zadania kończą się zakupem. W drugim system otrzymuje znacznie większy wpływ na to, co zostanie kupione.
Zgoda na płatność to jeden z punktów kontroli
Wyobraźmy sobie, że prosisz agenta o znalezienie walizki na konkretny lot. System przedstawia jedną propozycję, wyjaśnia jej zalety i prosi o zatwierdzenie zakupu.
Masz kontrolę nad wydatkiem. Aby ocenić kontrolę nad wyborem, potrzebujesz jednak więcej informacji – jakie oferty system rozważył, które odrzucił i na jakiej podstawie uznał wybrany produkt za odpowiedni. Mógł poprawnie sprawdzić wszystkie wymagania. Mógł również potraktować niejednoznaczne określenie „bagaż kabinowy” jako wystarczający dowód zgodności z warunkami konkretnej taryfy. To dwa zupełnie różne wyniki, nawet jeśli ekran zatwierdzenia płatności wygląda identycznie.
Zgoda na transakcję potwierdza, że użytkownik zaakceptował przedstawiony zakup. Sama w sobie nie dowodzi, że wcześniejsza selekcja była kompletna i poprawna.
To nasz wniosek metodologiczny. Nie opisuje zaobserwowanego błędu Wallet. Pokazuje, dlaczego badanie zakupów z udziałem AI powinno obejmować także decyzje poprzedzające płatność.
Matryca delegowania zakupu
Zamiast przypisywać całemu procesowi jeden „poziom autonomii”, proponuję rozpisać go na decyzje i działania. Dla każdego etapu trzeba ustalić, co określa człowiek, co może zrobić agent i kiedy powinien poprosić o dodatkową zgodę.
obszar | co ustala użytkownik? | co trzeba sprawdzić w działaniu agenta? |
|---|---|---|
potrzeba i ograniczenia | cel, budżet, termin, wymagania obowiązkowe | czy system zachowuje wymagania i wyjaśnia niejednoznaczności |
wyszukiwanie i porównanie | zakres poszukiwań lub zgodę na jego dobranie | jakie źródła i oferty uwzględnia oraz jak uzasadnia odrzucenia |
wybór produktu i sprzedawcy | dokładny wybór albo kryteria jego dokonania | czy rekomendacja spełnia kryteria i ujawnia braki danych |
działania w sklepie | zakres dozwolonych czynności | czy system wybiera właściwy wariant, dostawę i warunki |
płatność i wyjątki | zgodę na wydatek oraz dopuszczalne odstępstwa | czy zmiana ceny, produktu lub warunków wymaga ponownej decyzji |
Podkreślam – to autorska rama analityczna, a nie oficjalna klasyfikacja OpenAI. Jej zaletą jest możliwość opisania różnych konfiguracji. Agent może mieć dużą swobodę wyszukiwania i żadnej swobody płatniczej. Może też realizować zakup dokładnie wskazanego produktu, podejmując niewiele decyzji o samej ofercie.
Dla marki oznacza to potrzebę rozróżnienia dwóch sytuacji: klient już ją wybrał i deleguje wykonanie zakupu albo dopiero powierza systemowi wybór spośród dostępnych marek.
Przykład: walizka, która musi spełnić konkretne warunki
Rozważmy hipotetyczne polecenie:
Znajdź walizkę do 150 euro, która spełnia limit bagażu pod siedzenie dla mojego lotu i dotrze przed piątkiem. Jeśli nie możesz potwierdzić któregoś warunku, zapytaj mnie przed zakupem
Takie zadanie wymaga połączenia kilku rodzajów informacji, w tym: wymiarów konkretnego wariantu produktu, zasad przewoźnika dla danego lotu i taryfy, ceny całkowitej, dostępności oraz terminu dostawy pod wskazany adres.
Zauważ, że hasło „idealna do samolotu” nie rozstrzyga zgodności z wymaganiami, a informacja „wysyłka w 24 godziny” nie potwierdza daty doręczenia. Co więcej – cena widoczna w porównaniu może nie obejmować dostawy.
Dlatego proponuję, by przy ocenie każdego obowiązkowego warunku rozróżniać trzy stany:
potwierdzony – dostępny dowód wskazuje, że konkretna oferta spełnia wymaganie
niespełniony – dostępny dowód wskazuje, że oferta narusza wymaganie
nieustalony – brakuje informacji wystarczających do rozstrzygnięcia
Brak potwierdzenia nie powinien być automatycznie zamieniany ani w zgodność, ani w niezgodność. W naszym przykładzie jest powodem do dalszego sprawdzenia lub pytania do użytkownika.
Dla firm to praktyczna wskazówka dotycząca treści produktowych. Warto określić, które twierdzenia wymagają dowodu i dla jakiego wariantu obowiązują. Takie porządkowanie oferty opisujemy szerzej w materiale Semantio o przygotowaniu produktów i usług do badania odpowiedzi AI.
Co musi być czytelne w ofercie marki?
OpenAI wskazuje w poradniku dla partnerów handlowych, że informacje wykorzystywane w ścieżce zakupowej mogą pochodzić z publicznej sieci, prywatnych integracji API i plików danych produktowych. Wykonanie zadania może następnie odbywać się przez przeglądarkę albo integrację udostępniającą określone działania.
Wnioskiem jest potrzeba sprawdzania spójności informacji pomiędzy tymi miejscami. Jeśli opis produktu, specyfikacja i dane oferty podają różne wymiary lub warunki, powstaje problem wymagający rozstrzygnięcia.
W praktyce warto powiązać:
produkt z jednoznacznie określonym wariantem
atrybut z jednostką, zakresem i warunkami zastosowania
twierdzenie z aktualnym źródłem potwierdzenia
ofertę ze sprzedawcą, rynkiem, ceną i dostępnością
To konkretne zastosowanie podejścia opisanego w Brand semantics infrastructure. W zakupach szczególnie ważna staje się relacja między twierdzeniem o produkcie a warunkiem, który klient chce spełnić.
Dla Brand Semantics oznacza to rozszerzenie pracy nad strategią semantyczną marki o pytanie: czy dostępne informacje pozwalają zweryfikować ofertę w rzeczywistej sytuacji decyzyjnej?
Czytelna oferta i działająca ścieżka zakupu wymagają osobnych testów
Poprawne rozpoznanie produktu nie zapewnia jeszcze skutecznego wykonania zadania.
web.dev opisuje, że agenci mogą korzystać ze zrzutów ekranu, HTML i drzewa dostępności strony. Dlatego znaczenie mają m.in. etykiety formularzy, role elementów, czytelne stany interfejsu i powiązanie przycisków z właściwymi produktami. To wskazówki techniczne dotyczące obsługi strony przez agentów, a nie gwarancja powodzenia każdego zakupu.
Osobną warstwą jest płatność. Według dokumentacji OpenAI dotyczącej płatności Wallet współpracuje z istniejącymi formularzami płatniczymi bez integracji dedykowanej wyłącznie temu portfelowi. Jednocześnie systemy oceny ryzyka mogą omyłkowo blokować zakupy wykonywane przez przeglądarkę agenta.
Firma potrzebuje więc rozdzielenia diagnozy. Błędne odczytanie parametrów, problem z wyborem wariantu i odrzucenie płatności mają inne przyczyny oraz wymagają innych działań.
Jak sprawdzić, czy delegowanie zakupów AI zmienia wybór marki?
Z perspektywy badań widoczności AI interesujące jest porównanie trzech sposobów postawienia tego samego zadania:
eksploracja – przedstaw kilka ofert spełniających wymagania i wyjaśnij różnice
selekcja – wybierz jedną ofertę, uzasadnij wybór i wskaż niepewności
przygotowanie działania – sprawdź wybrany wariant, koszt i warunki przed zatwierdzeniem
To proponowany projekt badania, a nie wynik przeprowadzonego eksperymentu. Pozwala sprawdzić, czy marka pojawiająca się w porównaniu pozostaje rekomendacją, kiedy system ma wskazać jeden produkt, oraz czy uzasadnienie nadal opiera się na poprawnych informacjach.
W analizie warto zachować pełne odpowiedzi, widoczne źródła i warunki testu. Porównania trzeba powtarzać, uwzględniając m.in. platformę, tryb pracy, język, rynek, datę i dostępny kontekst użytkownika.
Można też zastosować prostą metrykę pomocniczą: udział rekomendacji, dla których da się potwierdzić wszystkie obowiązkowe wymagania scenariusza. Mianownikiem byłyby oceniane rekomendacje, a licznikiem te, które przeszły weryfikację. Wynik dotyczyłby wyłącznie badanego zestawu zadań i warunków.
To rozwija podejście do pomiaru widoczności i reprezentacji marki w AI: obok obecności marki oceniamy zasadność jej dopasowania do potrzeby.
Semantio jest osobnym narzędziem badawczym do analizy reprezentacji marek w odpowiedziach AI. W tym obszarze może wspierać badanie obecności, rekomendacji, błędów i źródeł. Test obsługi sklepu, autoryzacji płatności i potwierdzenia zamówienia wymaga odrębnego badania wykonania zadania. Wynik monitoringu odpowiedzi nie potwierdza przebiegu zakupu w Wallet.
Czego ChatGPT Wallet nie oznacza?
Ogłoszenie Wallet nie daje podstaw do stwierdzenia, że autonomiczne zakupy są już powszechne, także w Polsce. Nie pokazuje również, jak wdrożenie wpłynie na sprzedaż poszczególnych marek.
Sama możliwość płatności nie dowodzi poprawności doboru produktu.
Uporządkowane dane i dostępna strona nie gwarantują rekomendacji.
Poprawna rekomendacja nie jest jeszcze potwierdzonym zamówieniem.
Najważniejsze pytania badawcze pozostają otwarte:
Czy szersze delegowanie rzeczywiście zawęża zestaw rozważanych marek?
Jak często system ujawnia brak danych?
Czy prosi o zgodę, gdy zmieniają się warunki?
Jak wyniki różnią się między rynkami i rodzajami zakupów?
ChatGPT Wallet daje tym pytaniom konkretny kontekst. Dla marek użytecznym punktem wyjścia jest zadanie klienta: ustalenie, co musi zostać sprawdzone, gdzie znajduje się dowód i czy oferta zachowuje sens, kiedy na tej podstawie system ma przygotować rzeczywisty zakup.
I z tymi pytaniami Cię i samego siebie zostawiam ;)

