قادة الفكر

التجارة التي يقودها وكلاء الذكاء الاصطناعي تكرر خطأ قديمًا في بيانات المؤسسات

Bryan House
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةيتطلب التجارة الذاتية (الوكيلة) بيانات منتج منظمة يمكن للآلات التعامل معها منطقياً،…
عرض المزيد
  • يتطلب التجارة الذاتية (الوكيلة) بيانات منتج منظمة يمكن للآلات التعامل معها منطقياً، وليس فقط محتوى مقروءاً للبشر.
  • يجب أن تبني التجارة بين الشركات (B2B) طبقات منتج دلالية تُرمِّز القواعد والعلاقات والقيود بشكل صريح.
  • الشركات التي تعامل بيانات المنتج كبنية تحتية ستصبح مفهومة لوكلاء الذكاء الاصطناعي وستكتسب ميزة تنافسية.

قامت التجارة بين الشركات، لفترة طويلة، على افتراض بسيط: البشر يتصفحون.

فهم يقرؤون صفحات المنتجات، ويطّلعون سريعًا على أوراق المواصفات، ويتقبلون العبارات الغامضة لأنهم يعرفون كيف يطرحون أسئلة متابعة. وعندما يكون شيء غير واضح، يرسلون رسالة إلكترونية إلى مندوب المبيعات. وإذا كانت قاعدة ما مدفونة في حاشية، تسدّ الخبرة الفجوة.

تطورت بيانات المنتجات في التجارة بين الشركات بالكامل حول هذا السلوك. ولم يكن مطلوبًا منها أن تكون مكتفية بذاتها؛ بل كان يكفي أن يستطيع الإنسان تفسيرها. لكن مع الذكاء الاصطناعي، لم يعد هذا الافتراض قائمًا.

مررنا بهذا من قبل مع بيانات المؤسسات

إذا بدا هذا مألوفًا، فذلك ليس غريبًا. قبل عقد من الزمن، كانت المؤسسات تخوض نقاشًا مشابهًا جدًا بشأن البيانات. كانت مستودعات البيانات ممتلئة، وبحيرات البيانات تفيض، وفي النهاية كان كل نظام يصدّر نوعًا من البيانات. على الورق، كانت الشركات غنية بالبيانات. لكن عمليًا لم يكن شيء يتحرك بسرعة، لأن مستخدمي الأعمال لم يستطيعوا الإجابة عن أسئلة أساسية دون محللين يؤدون دور المترجمين. وأصبحت SQL عنق زجاجة.

كانت بيانات المؤسسات منظّمة وفق طريقة تخزين الأنظمة للمعلومات، لا وفق طريقة تفكير الناس في الأعمال. وُجدت الصفوف والأعمدة، لكن المفاهيم غابت. كانت الإيرادات موزعة على ثلاثة جداول. وكان معنى «العميل» يتغير بين خمسة معانٍ بحسب الشخص الذي تسأله ووقت السؤال. واستمر الجدل حول المقاييس بلا نهاية، لأن أحدًا لم يعرّفها بوضوح.

جاء التحول في بيانات المؤسسات من قبول التعقيد واحتوائه. الطبقات الدلالية مثال على ذلك، لكنها كانت جزءًا من تحول أوسع. توقفت المؤسسات عن التظاهر بأن البيانات الخام صالحة للاستخدام تلقائيًا، وبدأت تبني طبقات ترجمة تتوافق مع الطريقة التي تفكر بها المؤسسة وتعمل فعليًا.

نماذج المقاييس حققت ذلك بتعريف الحسابات مرة واحدة، بدلًا من إعادة اشتقاقها في كل تقرير. فأصبحت الإيرادات تعني الشيء نفسه في كل مكان، لأن شخصًا ما خصص وقتًا لترميز تعريفها. وفعلت نماذج البيانات والمخططات البُعدية الشيء نفسه على المستوى الهيكلي؛ إذ حوّلت الجداول التشغيلية إلى مفاهيم كالعميل والمنتج والطلب والزمن. ولم يعد مستخدمو الأعمال بحاجة إلى فهم عدد عمليات ربط الجداول المطلوبة للإجابة عن سؤال أساسي، لأن العلاقات كانت موجودة بالفعل.

فهارس البيانات والتعريفات الخاضعة للحوكمة عالجت جانبًا آخر من المشكلة. فقد وثّقت المعاني التي كانت حبيسة أذهان الناس. ماذا يمثّل هذا الحقل؟ متى ينبغي استخدامه؟ وما حدوده؟ لم يعد السياق معرفة ضمنية تتداولها مجموعة محدودة، بل أصبح جزءًا من النظام.

استوعبت هذه الطبقات مجتمعةً التعقيد وجعلته قابلًا للإدارة والتشغيل. وأنشأت تجريدات مستقرة أتاحت لمزيد من الناس، ولمزيد من الأنظمة، الاستدلال على نحو صحيح دون إعادة تفسير العالم من الصفر كل مرة. وهذا بالضبط ما تفتقر إليه التجارة بين الشركات اليوم.

اكتشاف المنتجات بقيادة الوكلاء يفرض المراجعة نفسها

تضع التجارة التي يقودها وكلاء الذكاء الاصطناعي بيانات المنتجات بين الشركات أمام الاختبار نفسه. فلا يعاني المصنعون والموزعون نقصًا في معلومات المنتجات؛ بل يخزّنون بالفعل كميات هائلة منها، من المواصفات والتكوينات إلى منطق التسعير والقيود التعاقدية.

المشكلة أن جميع هذه البيانات تقريبًا جرى تنظيمها للبشر. فالمواصفات موجودة في ملفات PDF، والقواعد مشروحة في كتالوج منتجات مطبوع لم يُنشر قط على الإنترنت. أما الاستثناءات فتُفهم ضمنًا في إجراءات المبيعات الخلفية، بدلًا من ترميزها. ويعتمد الكثير جدًا على الذاكرة المؤسسية عندما يبقى السياق في أذهان فرق المبيعات.

لا يتصفح وكيل الذكاء الاصطناعي ملف PDF سريعًا ثم «يفهم الفكرة». فهو لا يعرف أي جملة تمثل قيدًا ملزمًا وأيها مجرد لغة تسويقية. ولا يستطيع استنتاج القواعد بأمان من التنسيق أو النبرة. وإذا لم يكن المعنى صريحًا، يتعامل معه الوكيل بوصفه مجهولًا.

المسألة ليست أن البيانات غير المهيكلة سيئة

ثمة أمر يجب توضيحه: البيانات غير المهيكلة ليست العدو، ولم تكن كذلك قط.

في تحليلات المؤسسات، لم تختفِ البيانات غير المهيكلة عند ظهور الطبقات الدلالية، بل أُضيفت كطبقة فوق الهيكل. تولّى الهيكل القواعد والعلاقات، فيما تولّى المحتوى غير المهيكل الفروق الدقيقة والشرح والسياق.

وينطبق النمط نفسه هنا.

يحتاج الوكلاء إلى هيكل كي يستدلوا. ويحتاجون إلى قواعد وعلاقات وقيود وحالات صريحة. عليهم أن يعرفوا ما هو متوافق، وما يمكن تهيئته، وما هو مسموح، والشروط التي ينطبق فيها شيء ما. ولا يستطيع المحتوى غير المهيكل وحده تقديم ذلك بصورة موثوقة.

لكن الهيكل وحده لا يكفي أيضًا. فالوكلاء لا يسترجعون السمات فقط؛ بل يقارنون الخيارات ويقيّمون المفاضلات. ويحددون ماهية الشيء، وكذلك متى ينبغي التوصية به.

السرد التوضيحي هو الطبقة التي تشرح القصد والتموضع وحالات الاستخدام. وهو ما يصنع الفرق بين «هذا المنتج موجود» و«هذه هي الحالة التي ينبغي أن تختاره فيها». وفي عالم بيانات المؤسسات، ظهر ذلك في صورة تعريفات وتوثيق وسياق للأعمال. وهنا يظهر في صورة شرح على مستوى المنتج يستطيع الوكلاء التعلم منه. فبينما تخبر بيانات المنتجات المهيكلة الوكيل بما هو صحيح، يساعده السرد التوضيحي على تحديد ما هو مهم.

جرى تحسين التجارة للعرض لا للاستدلال

هذا هو الجانب غير المريح. فالبنية التحتية للتجارة لم تحقق فعلًا القفزة التي حققتها بيانات المؤسسات. بنينا أنظمة أفضل لإدارة معلومات المنتجات (PIM)، وكتالوجات أغنى، وصفحات منتجات أجمل. لكننا لم نبنِ قط طبقة دلالية حقيقية للمنتجات؛ بل ركّزنا التحسين على طريقة العرض.

وما دام البشر يتوسطون عمليات الشراء بين الشركات، كان ذلك مقبولًا. كان مندوبو المبيعات يشرحون الحالات الاستثنائية، ويتقبّل المشترون الغموض، ويعرف الجميع كيف يتجاوزون قصور النظام.

يزيل الوكلاء هذا الحاجز الوقائي. وفي التجارة بين الشركات، تظهر الشقوق فورًا. تختلف الأسعار بحسب حساب العميل، ويتغير التوافر بحسب المنطقة، ويعتمد التوافق على التكوين. وللعقود أولوية على الإعدادات الافتراضية، كما أن للاستحقاقات أهمية. ولا يمكن تخمين أي من ذلك بأمان.

عندما يقيّم الوكيل منتجًا، لا ينبهر بوصف مكتوب بإتقان. بل يريد أن يعرف ما يلائم الحاجة، وما هو مسموح، وما هو متوافق، وما الذي يحدث بعد ذلك. وإذا لم تكن هذه المعلومات صريحة، فلن يطلب الوكيل توضيحًا؛ بل سينتقل ببساطة إلى خيار آخر.

ما الذي ينبغي لشركات التجارة فعله الآن؟

هذه هي نقطة التحول. يمكن لشركات التجارة مواصلة التعامل مع بيانات المنتجات بوصفها محتوى يفسره البشر، أو البدء بالتعامل معها بوصفها بنية تحتية تستند إليها الآلات في الاستدلال.

ويعني ذلك أن المواصفات يجب أن تتحول إلى سمات ذات معنى محدد، وأن يُرمّز التوافق في صورة علاقات بدل شرحه في فقرات. ويجب التعبير عن التسعير بوصفه منطقًا، وأن تكون الاستحقاقات صريحة، وأن يُمثَّل التوافر بمعلومات دقيقة عن حالته.

وهذا هو التحول نفسه الذي اضطرت المؤسسات إلى إحداثه في التحليلات. فعندما لم تعد البيانات الخام والجداول كافية، كان لا بد من تعريف المعنى. وما إن تتوافر تلك النواة المهيكلة، يتوقف السرد التوضيحي عن كونه المصدر الوحيد للحقيقة لدى الذكاء الاصطناعي، ويصبح الطبقة التي تعلّم الوكلاء تطبيق تلك الحقيقة في المواقف الواقعية.

المصنعون والموزعون الذين يفعلون ذلك سيصبحون مفهومين للوكلاء، وستكون منتجاتهم أسهل في التقييم والتوصية بها والثقة بها. أما الذين لا يفعلون، فسيظلون «يمتلكون بيانات»، لكنها ستعمل كمستودعات بيانات المؤسسات القديمة: موجودة تقنيًا، وغير صالحة للاستخدام عمليًا.

النمط قديم، لكن العواقب جديدة

لا شيء من هذا مجرد تكهن. لقد شهدنا بالفعل مرور بيانات المؤسسات بالدورة نفسها تمامًا. والفارق الوحيد الآن هو المستخدم: بدلًا من محللي الأعمال، هناك وكلاء مستقلون؛ وبدلًا من لوحات المعلومات، هناك توصيات؛ وبدلًا من قرارات بطيئة، هناك استبعاد فوري.

تكشف التجارة التي يقودها وكلاء الذكاء الاصطناعي مشكلة في بيانات المؤسسات تعود إلى عقود مضت. والشركات التي تدرك ذلك، وتتعامل مع بيانات المنتجات بالطريقة التي تعلمت بها المؤسسات التعامل مع البيانات التشغيلية، ستتكيف بسرعة. أما غيرها فستواصل إضافة ملفات PDF، وإعادة كتابة الأوصاف، والتساؤل عن سبب عدم اختيار الوكلاء لها.

التاريخ يعيد نفسه. وهذه المرة، الآلات هي التي تتابع باهتمام.

بريان هو الرئيس التنفيذي في Elastic Path، حيث يقود فريق GTM وفرق نجاح العملاء والخدمات العالمية والمنتجات. في السابق، كان بريان رئيسًا للشؤون التجارية في Neural Magic (التي تم الاستحواذ عليها من قبل Red Hat)، وهي شركة ناشئة لبرمجيات التعلم العميق حيث كان يدير المنتج وGTM ونجاح العملاء.