Un agente AI per Magento che conosce il tuo catalogo e usa le tue API

Magento occupa una posizione unica nell'e-commerce. È la piattaforma che i merchant scelgono quando il loro catalogo è troppo complesso per soluzioni più semplici — quando i prodotti hanno decine di combinazioni di attributi, quando lo stesso store serve acquirenti all'ingrosso B2B e clienti retail B2C, quando le configurazioni multi-store coprono diversi marchi o regioni sotto un unico pannello di amministrazione. Questa complessità è ciò che rende Magento potente. È anche ciò che rende eccezionalmente difficile automatizzare il supporto clienti su uno store Magento.

Un tipico catalogo Magento non è un elenco piatto di prodotti con un nome, un prezzo e una descrizione. È una rete di tipi di prodotto, ognuno con una logica strutturale diversa. Un prodotto configurabile — diciamo, una giacca da corsa ad alte prestazioni — potrebbe avere 48 prodotti semplici figli che rappresentano ogni combinazione di taglia (dalla XS alla XXL) e colore (nero, blu navy, cremisi, antracite, oliva, acciaio). Un prodotto bundle consente al cliente di scegliere i componenti — un sistema home theater in cui seleziona il ricevitore, gli altoparlanti e il subwoofer da elenchi di opzioni curate, ognuno con il proprio prezzo. I prodotti raggruppati collegano articoli correlati — un set di mobili in cui tavolo da pranzo, sedie e panca sono visualizzati insieme ma acquistati singolarmente. Ogni conversazione di supporto su uno di questi prodotti richiede la comprensione non solo del prodotto stesso ma del suo tipo, dei suoi figli, dei suoi attributi e di come questi si mappano a ciò che il cliente sta effettivamente chiedendo.

Quando un cliente contatta il supporto e chiede "la giacca da performance Alpine è disponibile in rosso taglia L?" — questa non è una semplice ricerca. Nel modello dati di Magento, il cliente sta chiedendo se esiste un prodotto semplice specifico all'interno di una matrice di attributi di un prodotto configurabile. Un agente di supporto dovrebbe trovare il configurabile, guardare i semplici associati e verificare se l'intersezione di colore=rosso e taglia=L esiste ed è abilitata. Un chatbot FAQ non ha speranze di rispondere accuratamente. Darebbe una risposta generica del tipo "controlla la pagina prodotto" o indovinerebbe male. Un agente AI che ha scansionato lo storefront e comprende la struttura del prodotto può dare una risposta diretta — "Sì, la giacca da performance Alpine è disponibile in Rosso / Large. Costa $129.00 e viene spedita entro 2 giorni lavorativi. Vuoi che ti condivida un link diretto a quel prodotto?" — perché ha appreso la matrice degli attributi del prodotto scansionando la stessa pagina di dettaglio prodotto che vede il cliente.

L'agente AI di Asyntai si avvicina a un catalogo Magento come farebbe un agente di supporto ben addestrato: leggendo lo storefront. Scansiona le tue pagine prodotto, le pagine di categoria, le pagine di contenuto CMS e le pagine policy. Legge le descrizioni dei prodotti, le tabelle degli attributi, le strutture delle categorie, le opzioni di navigazione a livelli. Legge i blocchi CMS che hai incorporato negli header delle categorie e le pagine statiche con le tue politiche di spedizione e le procedure di reso. Quando un cliente pone una domanda, l'agente attinge a questa knowledge base scansionata — le stesse informazioni che il cliente potrebbe trovare navigando nel tuo sito, ma fornite istantaneamente in formato conversazionale senza lo sforzo di navigazione.

Ma il contenuto scansionato copre solo metà dell'equazione del supporto. L'altra metà — e quella che genera la maggior parte dei ticket di supporto — riguarda i dati in tempo reale. "Dov'è il mio ordine?" "Questo SKU è disponibile?" "Qual è il saldo del mio account?" "Posso ancora restituire questo?" Queste domande non possono essere risolte da una knowledge base statica perché le risposte cambiano con ogni transazione, ogni spedizione, ogni aggiustamento delle scorte. È qui che l'API REST di Magento diventa il punto di integrazione critico, e dove Custom Tools di Asyntai trasformano l'AI da assistente esperto ad agente operativo.

Magento 2 viene fornito con una API REST completa. I dati degli ordini risiedono in /rest/V1/orders. L'inventario è interrogabile tramite /rest/V1/stockItems/{sku}. I dati dei clienti si trovano dietro /rest/V1/customers. Contenuti CMS, regole catalogo, dati carrello, tracciamento spedizioni — quasi ogni entità nell'architettura di Magento è accessibile tramite API. Custom Tools consente all'agente AI di chiamare questi endpoint a metà conversazione. Un cliente chiede informazioni sul suo ordine. L'agente estrae l'ID di incremento dell'ordine dal messaggio, chiama l'endpoint dell'ordine Magento, riceve lo stato dell'ordine, i dettagli degli articoli, il tracciamento della spedizione e le informazioni di pagamento e compone una risposta completa. L'intero ciclo — analisi della domanda, chiamata API, interpretazione della risposta, generazione della replica — avviene in pochi secondi.

La differenza pratica che questo crea è significativa. Senza accesso API, il massimo che un'AI può fare con una domanda sull'ordine è recitare le tue istruzioni di tracciamento generiche: "Puoi trovare lo stato del tuo ordine in Il mio account sotto Ordini e Resi." Con Custom Tools collegati all'API ordini di Magento, l'agente dice: "Il tuo ordine #100000042 è stato spedito il 17 giugno tramite UPS Ground — numero di tracciamento 1Z999AA10123456784. Attualmente è in transito a Chicago e la consegna è prevista per il 21 giugno. L'ordine include la giacca da performance Alpine in Blu Navy / Medium e il Cappellino da Corsa in Antracite. Qualcos'altro riguardo a questo ordine?" Questo non è assistenza. Questa è risoluzione. Il cliente ha ottenuto la sua risposta. Il ticket è chiuso. Nessun umano è stato coinvolto.

Le domande sulle scorte sono particolarmente di valore per gli store Magento a causa della complessità del catalogo. Un cliente che naviga in un prodotto configurabile con 48 varianti vuole sapere se la sua specifica combinazione è disponibile prima di impegnarsi. Su molti store Magento, la pagina prodotto mostra "Disponibile" a livello configurabile anche quando specifiche combinazioni taglia-colore sono esaurite — il cliente non lo scopre finché non seleziona le opzioni e vede "Esaurito" in testo rosso. Questo crea frustrazione e ticket di supporto. L'agente AI può aggirare completamente questo problema. "La giacca da performance Alpine è disponibile in Oliva, XL?" — l'agente chiama l'endpoint di inventario per lo SKU di quel prodotto semplice specifico, controlla la quantità e risponde: "L'Oliva / XL ha attualmente 7 unità disponibili. È pronto per la spedizione." Oppure, se è esaurito: "L'Oliva / XL è attualmente esaurito, ma il Navy / XL è disponibile se sei flessibile sul colore." L'agente non si limita a rispondere alla domanda — offre alternative, perché comprende la struttura del prodotto.

I resi sono un'altra area in cui la complessità di Magento moltiplica il carico di supporto. Uno store Magento potrebbe avere politiche di reso diverse per tipi di prodotto diversi — elettronica con una finestra di 15 giorni, abbigliamento con 30 giorni, articoli personalizzati o su misura che sono vendita finale. La politica di reso potrebbe risiedere in una pagina CMS. I dati dell'ordine risiedono nel database, accessibili tramite API. Una richiesta di reso richiede entrambi: verificare la data dell'ordine rispetto alla politica applicabile e quindi elaborare l'RMA. Con Custom Tools, l'agente AI gestisce l'intero flusso di lavoro. Chiama l'API ordini per ottenere la data di acquisto e i dettagli dell'articolo. Li confronta con la politica di reso che ha appreso scansionando i tuoi contenuti CMS. Se il cliente è idoneo, può chiamare un endpoint resi per avviare l'RMA — acquisendo l'articolo, il motivo e le informazioni di contatto del cliente. Il cliente ottiene una risoluzione in una conversazione. Il tuo team di supporto ottiene un RMA completato nella sua coda invece di un'email non strutturata che deve ricercare.

Il multi-store è una caratteristica distintiva di Magento, e crea una sfida di supporto unica. Una singola installazione Magento può servire più siti web, ognuno con più viste store — marchi diversi, regioni diverse, lingue diverse, cataloghi diversi, prezzi diversi. Un merchant che gestisce uno storefront B2C e un portale all'ingrosso B2B dalla stessa istanza Magento ha bisogno di supporto che comprenda su quale store si trova il cliente e applichi il catalogo, i prezzi e le politiche corretti. Asyntai lo gestisce consentendo a ciascuna vista store di avere la propria configurazione widget. Lo store B2C ottiene un agente che risponde usando le pagine prodotto consumer con politiche retail standard. Il portale B2B ottiene un agente che risponde usando cataloghi all'ingrosso con logiche di prezzo negoziate e flussi di lavoro per account aziendali. Ogni widget scansiona il proprio storefront. Ognuno si collega all'ambito API pertinente. Il cliente sul tuo portale all'ingrosso chiede informazioni sui prezzi negoziati della sua azienda — l'agente conosce quel contesto perché opera all'interno di quella vista store.

La dimensione B2B di Magento — specialmente in Adobe Commerce — aggiunge un altro livello di complessità del supporto. Gli acquirenti B2B hanno account aziendali, cataloghi condivisi con prezzi personalizzati, liste di prelievo, ordini di acquisto e flussi di lavoro di richiesta preventivo. Questi non sono casi limite; sono fondamentali per il modo in cui gli acquirenti B2B interagiscono con la piattaforma. Un agente AI collegato agli endpoint API REST B2B di Magento può cercare il catalogo condiviso di un'azienda per confermare i prezzi negoziati su un prodotto specifico. Può controllare una lista di prelievo e informare l'acquirente se alcuni articoli sono esauriti da quando l'hanno aggiornata l'ultima volta. Può recuperare lo stato di un preventivo in sospeso o di un ordine di acquisto in attesa di approvazione. Per i merchant B2B, questa non è una comodità — sostituisce una parte significativa del lavoro di gestione account che altrimenti richiederebbe un addetto alle vendite o un agente del servizio clienti dedicato per gestirlo manualmente.

Le prestazioni sono una preoccupazione perenne per i merchant Magento, e giustamente. Gli store Magento vengono eseguiti tipicamente dietro la cache completa delle pagine Varnish, spesso con Fastly o Cloudflare come livello CDN. Hanno dedicato tempo alla configurazione del cache warming, dell'hole-punching per i contenuti dinamici e delle regole TTL per diversi tipi di pagina. Qualsiasi strumento aggiunto al sito deve funzionare all'interno di questa infrastruttura, non contro di essa. Lo snippet JS di Asyntai viene caricato in modo asincrono — non blocca il rendering della pagina, non interferisce con le regole di cache Varnish e non richiede alcuna configurazione di invalidazione della cache o di hole-punching. Lo snippet è un singolo tag script asincrono. Il crawler legge le stesse pagine in cache che vedono i tuoi visitatori. Il tuo stack di performance Magento attentamente ottimizzato rimane intatto.

Il processo di installazione riflette il modo in cui operano effettivamente gli store Magento. Hai due percorsi. Il percorso sviluppatore: aggiungi il tag script al file di layout default_head_blocks.xml del tuo tema, fai il deploy, e hai finito. Il percorso admin: incolla lo script in un blocco statico CMS che viene referenziato nel tuo header, salva, svuota cache, fatto. Se stai già usando Google Tag Manager sul tuo store, puoi aggiungere lo snippet come tag HTML personalizzato — nessuna modifica al tema, nessun deployment, nessun aggiornamento Composer. Il punto è che l'aggiunta dell'agente AI non tocca il tuo codebase Magento. Non c'è nessun modulo da installare, nessun setup:upgrade da eseguire, nessuna configurazione DI, nessun passaggio di compilazione. È solo front-end — un file JavaScript caricato nel browser, che parla con il backend di Asyntai. La tua versione Magento, i tuoi moduli personalizzati, la tua pipeline di deployment — nulla cambia.

La configurazione di Custom Tool per Magento segue un modello prevedibile perché l'API REST di Magento è ben documentata e standardizzata. Il primo strumento che la maggior parte dei merchant Magento crea è lo stato dell'ordine: endpoint /rest/V1/orders?searchCriteria[filterGroups][0][filters][0][field]=increment_id&searchCriteria[filterGroups][0][filters][0][value]={order_number}, con un token di integrazione nell'header di autenticazione. L'agente estrae il numero d'ordine dalla conversazione, effettua la chiamata e restituisce i campi pertinenti — stato, articoli, tracciamento spedizione. Il secondo strumento è tipicamente l'inventario: /rest/V1/stockItems/{sku}, dove lo SKU viene estratto dalla domanda del cliente sul prodotto e mappato alla fonte di inventario. Da lì, i merchant aggiungono strumenti in base ai loro specifici schemi di supporto — ricerca dati account cliente, elaborazione resi, saldo punti fedeltà, saldo buoni regalo, stato preventivo. Ogni strumento richiede cinque minuti per essere configurato nella dashboard. Nessun codice. Nessun middleware. Solo un URL di endpoint, parametri, un token di autenticazione e una descrizione in linguaggio semplice di quando l'AI dovrebbe usarlo.

Il modello di autenticazione per gli strumenti API di Magento è semplice. Magento supporta i token di integrazione — token API a lunga durata creati nel pannello di amministrazione sotto Sistema > Integrazioni. Crei un'integrazione con accesso alle risorse API specifiche di cui l'agente AI ha bisogno (ordini, inventario, clienti), copi il token di accesso e lo incolli nel campo header di autenticazione dello strumento Custom Tool nella dashboard di Asyntai come Authorization: Bearer your-integration-token. Il token non raggiunge mai il browser del cliente — Asyntai chiama il tuo server API Magento lato server, riceve la risposta e utilizza i dati per comporre la replica della chat. Il tuo token di integrazione rimane tra l'infrastruttura di Asyntai e il tuo backend Magento. Puoi limitare l'accesso dell'integrazione a risorse di sola lettura se vuoi che l'agente cerchi dati ma non li modifichi — un punto di partenza ragionevole prima di abilitare operazioni di scrittura come la creazione di RMA.

I modelli di traffico stagionali colpiscono gli store Magento in modo particolarmente duro. Black Friday, Cyber Monday, saldi festivi, saldi stagionali — questi eventi possono moltiplicare il traffico e il volume degli ordini per 5x o 10x in poche ore. Il volume dei ticket di supporto segue. "Dov'è il mio ordine?" aumenta il giorno dopo un grande saldo. "È ancora disponibile?" aumenta durante le promozioni lampo. "Posso restituire questo?" raggiunge il picco a gennaio. Assumere personale di supporto stagionale per una finestra di tre settimane è costoso e il tempo di preparazione fa sì che siano a malapena formati prima che il picco passi. Un agente AI non ha bisogno di formazione, non ha bisogno di imparare la tua politica di reso e non rallenta quando il volume aumenta. Risponde al millesimo "dov'è il mio ordine?" allo stesso modo in cui ha risposto al primo — chiamando la tua API Magento, ottenendo i dati in tempo reale e fornendo una risposta completa. Il tuo team di supporto si concentra sui problemi complessi — i casi limite, gli escalation, i clienti arrabbiati che hanno bisogno di un tocco umano — mentre l'agente gestisce il volume ripetitivo che costituisce il 70-80% dei ticket durante la stagione di punta.

La dimensione multilingue merita una nota perché l'architettura multi-store di Magento è comunemente utilizzata per viste store basate sulla lingua. Un merchant che serve USA, Germania e Francia potrebbe avere tre viste store con contenuti tradotti in ogni lingua. L'agente AI gestisce questo in modo naturale. Quando scansiona la vista store tedesca, apprende le descrizioni dei prodotti tedesche, le pagine policy tedesche e i contenuti CMS tedeschi. Quando un cliente su quella vista store pone una domanda in tedesco, l'agente risponde in tedesco — attingendo al contenuto tedesco che ha scansionato. Le risposte degli strumenti Custom Tool provenienti dall'API Magento (che tipicamente restituiscono dati nel linguaggio predefinito dell'API) vengono tradotte al volo dall'AI nella lingua del cliente. Il cliente tedesco ottiene risposte in tedesco, anche quando l'API sottostante restituisce nomi di campi e valori di stato in inglese. Nessun lavoro aggiuntivo di localizzazione sul lato Magento. L'AI gestisce il livello di traduzione automaticamente.

I dati dai log delle chiamate Custom Tool forniscono un'intelligenza operativa che va oltre le analisi di base dei chatbot. Quando vedi che 300 clienti questo mese hanno chiamato lo strumento stato ordine, e il 40% di questi erano entro 24 ore dal piazzamento del loro ordine, sai che le tue email di conferma ordine non stanno dando ai clienti abbastanza fiducia che il loro acquisto sia andato a buon fine. Quando le chiamate di controllo scorte aumentano per uno SKU specifico che è elencato come "disponibile" sulla pagina prodotto ma restituisce costantemente quantità zero dall'API, hai trovato un problema di sincronizzazione tra la tua fonte di inventario e il tuo indice di stock Magento. Quando le richieste di reso si raggruppano attorno a una particolare categoria di prodotto, hai identificato un problema di qualità o di discrepanza di aspettative prima che il tuo report sui resi lo rilevi il trimestre successivo. La cronologia delle chiamate agli strumenti dell'agente AI diventa un livello diagnostico in tempo reale sulla tua operazione Magento — uno che rivela non solo ciò che i clienti stanno chiedendo, ma ciò che stanno cercando di fare e dove il tuo store non riesce a soddisfare le loro aspettative.

I merchant Magento che hanno già investito nella loro API REST — creando endpoint per app mobili, frontend headless, integrazioni ERP o connettori di marketplace di terze parti — ottengono un valore sproporzionato dai Custom Tools perché quegli endpoint esistono già. Non costruiscono nulla di nuovo. Indicano l'agente AI allo stesso endpoint stato ordine che usa la loro app mobile, lo stesso endpoint inventario che controlla il loro POS, lo stesso endpoint cliente con cui si sincronizza il loro CRM. L'agente AI diventa un altro consumatore della stessa infrastruttura API — uno che ha un'interfaccia conversazionale e serve direttamente il cliente. L'investimento che hanno fatto nella loro API paga un dividendo che non avevano pianificato: supporto clienti potenziato dall'AI che risolve i ticket utilizzando le stesse fonti di dati che alimentano il resto della loro operazione.

La realtà competitiva per i merchant Magento è che le aspettative dei clienti non si adattano alla complessità della piattaforma. Un cliente che acquista su uno store Magento con 50.000 prodotti configurabili e un sistema di gestione dell'inventario multi-magazzino si aspetta la stessa esperienza di supporto istantanea e accurata che ottiene da uno store Shopify con 50 prodotti. Si aspetta di chiedere informazioni sul proprio ordine e ottenere un numero di tracciamento. Si aspetta di chiedere la disponibilità del prodotto e ottenere una risposta reale. Si aspetta di richiedere un reso e che venga elaborato senza inviare tre email. La complessità della piattaforma è il problema del merchant, non del cliente. Un agente AI che comprende le strutture del catalogo Magento e si collega alla sua API REST colma questo divario di aspettative — fornendo l'esperienza di supporto istantanea e basata sui dati che i clienti richiedono, indipendentemente dalla complessità strutturale sottostante.

Il percorso dall'installazione a un agente AI completamente operativo su uno store Magento segue tipicamente una progressione chiara. Settimana uno: aggiungi lo snippet, lascia che l'agente scansioni il catalogo e i contenuti, e abilitarlo per domande di base su prodotti e policy. L'agente gestisce immediatamente "qual è la vostra politica di reso?" e "spedite in Canada?" e "parlami della giacca da performance Alpine" — lo strato di knowledge base funziona dal primo giorno. Settimana due: collega l'API stato ordine e gli endpoint di controllo scorte. Ora l'agente gestisce "dov'è il mio ordine?" e "è disponibile?" — le due domande di supporto con il volume più alto nell'e-commerce. Settimana tre: aggiungi l'elaborazione dei resi, la ricerca account cliente e qualsiasi endpoint specializzato di cui il tuo store ha bisogno. Entro la fine del mese, l'agente AI gestisce la maggior parte del tuo volume di supporto in modo autonomo, i tuoi agenti umani si concentrano su problemi complessi che richiedono veramente una persona, e la tua coda di supporto appare fondamentalmente diversa da come era trenta giorni fa. Non perché hai implementato una piattaforma AI enterprise. Perché hai aggiunto un tag script e hai indicato alcuni strumenti API a endpoint che esistevano già.