Agentic Commerce opět opakuje starou chybu podnikových dat

Po dlouhou dobu fungoval B2B obchod na základě jednoduchého předpokladu: Lidé procházejí.

Čtou produktové stránky, prolétávají specifikační listy a tolerují vágní jazyk, protože vědí, jak položit následné otázky. Když něco není jasné, pošlou e-mail prodejnímu zástupci. Když je pravidlo zakopané v poznámce pod čarou, zkušenost vyplňuje mezeru.

Data o B2B produktech se vyvinula zcela kolem tohoto chování. Nemusela sama o sobě stát, stačilo, aby byla interpretovatelná člověkem. S umělou inteligencí již tento předpoklad neplatí.

Byli jsme tady už dříve s podnikovými daty

Pokud vám tohle připadá povědomé, mělo by. Před deseti lety měly podniky velmi podobnou konverzaci o datech. Sklady byly plné, datové jezera přetékala a nakonec každý systém exportoval něco. Na papíru byly společnosti bohaté na data. V praxi se však nic nezrychlovalo, protože obchodní uživatelé nemohli odpovědět na základní otázky bez analytiků jako svých překladatelů. SQL se stal úzkým místem.

Podniková data byla organizována kolem toho, jak systémy ukládaly informace, nikoli kolem toho, jak lidé uvažovali o podnikání. Řádky a sloupce existovaly, ale koncepty ne. Tržby žily ve třech tabulkách. “Zákazník” znamenalo pět různých věcí v závislosti na tom, koho se zeptáte a kdy. Metriky se debatovaly donekonečna, protože nikdo je jasně nedefinoval.

Průlom v podnikových datech přišel z přijetí složitosti a jejího obsažení. Semantické vrstvy jsou jedním z příkladů, ale byly součástí širšího posunu. Podniky přestaly předstírat, že surová data jsou použitelná samy o sobě, a začaly budovat překladové vrstvy, které odpovídaly tomu, jak podnik skutečně uvažoval a fungoval.

Modely metrik to udělaly tak, že definovaly výpočty jednou místo toho, aby je znovu odvozovaly v každé zprávě. Tržby znamenaly všude stejné, protože někdo strávil čas tím, aby je zakódovat. Datové modely a dimenzionální schéma udělaly totéž strukturálně. Přeměnily provozní tabulky na koncepty, jako je zákazník, produkt, objednávka a čas. Obchodní uživatelé již nemuseli rozumět, kolik spojení je třeba k odpovědi na základní otázku. Vztahy již tam byly.

Katalogy dat a řízené definice řešily další část problému. Zachytili význam, který dříve žil v hlavách lidí. Co toto pole reprezentuje? Kdy by se mělo použít? Jaké jsou jeho omezení? Kontext přestal být kmenovým poznáním a stal se součástí systému.

Společně tyto vrstvy absorbovaly složitost a učinily ji provozuschopnou. Vytvořily stabilní abstrakce, které umožnily více lidem – a více systémům – správně uvažovat, aniž by museli reinterpretovat svět od začátku každý čas. To je přesně to, co dnes chybí B2B obchodu.

Agentní objev je spouštěčem stejné zúčtování

Agentic commerce nutí data o B2B produktech projít stejnou zkouškou. Výrobci a distributoři nejsou krátkí na produktové informace. Už ukládají enormní množství z nich: od specifikací po konfigurace, od cenové logiky po smluvní omezení.

Problém je v tom, že téměř všechna tato data byla strukturována pro lidi. Specifikace žijí v PDF. Pravidla jsou vysvětlena v fyzickém produktovém katalogu, který se nikdy nedostal online. Výjimky jsou naznačeny v back-office prodejním procesu, spíše než zakódovány. Příliš mnoho závisí na institucionální paměti, když kontext žije v hlavách prodejních týmů.

Umělý agent neprohlíží PDF a “chápe myšlenku”. Neví, která věta je tvrdým omezením a která je prodejním jazykem. Nemůže bezpečně odvodit pravidla z formátování nebo tónu. Pokud význam není explicitní, agent ho považuje za neznámý.

Tohle není o tom, že nestrukturovaná data jsou špatná

Je důležité být jasný o něčem. Nestrukturovaná data nejsou nepřítelem. Nikdy jím nebyla.

V podnikové analýze nezmizela nestrukturovaná data, když se objevily semantické vrstvy. Byla vrstva nad strukturou. Struktura zpracovávala pravidla a vztahy. Nestrukturovaný obsah zpracovával nuance, vysvětlení a kontext.

Stejný vzorec platí zde.

Agenti potřebují strukturu, aby mohli uvažovat. Potřebují explicitní pravidla, vztahy, omezení a stavy. Potřebují vědět, co je kompatibilní, co je konfigurovatelné, co je povoleno a za jakých podmínek něco platí. Samotná nestrukturovaná data nemohou spolehlivě poskytnout to.

Ale struktura sama o sobě nestačí. Agenti neonly získávají atributy. Porovnávají možnosti. Hodnotí kompromisy. Rozhodují nejen o tom, co něco je, ale i o tom, kdy by se mělo doporučit.

Narrativ je vrstva, která vysvětluje záměr, pozici a použití. Je to rozdíl mezi “tento produkt existuje” a “toto je kdy byste měli tento produkt zvolit”. V podnikovém světě dat se to objevilo jako definice, dokumentace a obchodní kontext. Zde se to objevuje jako produktová vysvětlení, ze které se agenti mohou učit. Zatímco strukturovaná produktová data říkají agentovi, co je pravda, narrativ pomáhá mu rozhodnout, co je důležité.

Obchod byl optimalizován pro prezentaci, ne pro uvažování

Tohle je nepříjemná část. Obchodní infrastruktura nikdy skutečně neudělala skok, který udělala podniková data. Postavili jsme lepší PIM. Postavili jsme bohatší katalogy. Postavili jsme hezčí produktové stránky. Ale nikdy jsme nepostavili skutečnou semantickou vrstvu pro produkty; optimalizovali jsme pro prezentaci.

Dokud lidé zprostředkovali B2B nákup, bylo to v pořádku. Prodejní zástupci vysvětlovali hraniční případy. Kupující tolerovali nejednoznačnost a všichni věděli, jak pracovat kolem systému.

Agenti odstraňují tuto nárazníkovou zónu. V B2B se trhliny objevují okamžitě. Ceny se liší podle účtu. Dostupnost se mění podle regionu. Kompatibilita závisí na konfiguraci. Smlouvy ruší výchozí hodnoty. Oprávnění mají význam. Žádná z těchto věcí není bezpečně odhadnutelná.

Když agent vyhodnotí produkt, není ohromen dobře napsaným popisem. Chce vědět, co se hodí, co je povoleno, co je kompatibilní a co se stane dál. Pokud tato informace není explicitní, agent se neptá na vysvětlení; prostě přechází na další.

Co musí podniky udělat nyní

Tohle je bod zlomu. Obchodní společnosti mohou pokračovat v tom, že považují produktová data za obsah, který lidé interpretují. Nebo mohou začít je považovat za infrastrukturu, nad kterou stroje uvažují.

To znamená, že specifikace musí stát se atributy s definovaným významem. Kompatibilita musí být zakódována jako vztahy, ne vysvětlena v odstavcích. Ceny musí být vyjádřeny jako logika. Oprávnění musí být explicitní. Dostupnost musí být stavová a přesná.

To je přesně stejný krok, který musely podniky udělat s analýzou. Když surová data a tabulky nebyly dostatečné, musel být definován význam. A jakmile existuje tento strukturovaný jádro, narrativ přestává být jediným zdrojem pravdy pro umělou inteligenci a stává se vrstvou, která učí agenty, jak aplikovat tuto pravdu v reálných situacích.

Výrobci a distributoři, kteří to udělají, se stanou čitelnými pro agenty. Jejich produkty budou snazší vyhodnotit, snazší doporučit a snazší důvěřovat. Ti, kteří to neudělají, budou mít stále “data”, ale budou fungovat jako staré podnikové sklady: technicky přítomné, ale prakticky nepoužitelné.

Vzorec je starý, ale důsledky nejsou

Nic z toho není spekulativní. Už jsme sledovali, jak podniková data prošla touto přesně stejnou cyklus. Jediná změna je v tom, kdo je uživatel. Místo obchodních analytiků je to autonomní agenti. Místo řídicích panelů jsou to doporučení. Místo pomalých rozhodnutí je to okamžité vyloučení.

Agentic commerce odhaluje deset let starý problém podnikových dat. Společnosti, které to rozpoznají – a budou produktová data zpracovávat stejně, jako se naučily zpracovávat provozní data – se rychle přizpůsobí. Ty, které to neudělají, budou pokračovat v přidávání PDF, přepisování popisů a divit se, proč agenti je nikdy nevyberou.

Historie se opakuje. Tentokrát jsou to stroje, které si to všímají.