Agentic Commerce opět opakuje starou chybu podnikových dat

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

Čtou stránky produktů, 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, zkušenost vyplňuje mezeru.

B2B produktová data se vyvinula zcela kolem tohoto chování. Nikdy nemusela stát sama o sobě; musela být pouze interpretovatelná pro člověka. S umělou inteligencí již tento předpoklad neplatí.

Byli jsme tady už dříve s podnikovými daty

Pokud se tohle cítí povědomě, 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 nehýbalo rychle, 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, ne kolem toho, jak lidé přemýšleli o podniku. Řádky a sloupce existovaly, ale koncepty ne. Tržby žily ve třech tabulkách. “Zákazník” znamenal pět různých věcí v závislosti na tom, koho se zeptáte a kdy. Metriky byly nekonečně diskutovány, protože nikdo je jasně nedefinoval.

Průlom v podnikových datech přišel z přijetí složitosti a jejího obsažení. Sémantické vrstvy jsou jedním z příkladů, ale byly součástí širší změny. Podniky přestaly předstírat, že surová data jsou použitelná jako samozřejmost, a začaly budovat překladové vrstvy, které odpovídaly tomu, jak podnik skutečně fungoval.

Modely metrik to dělaly tak, že definovaly výpočty jednou místo toho, aby je opakovaně odvozovaly v každém reportu. Tržby znamenaly tutéž věc všude, protože někdo sebral čas, aby je zakodoval. Datové modely a dimenzionální schéma to dělaly strukturálně. Přeměnily operační tabulky na koncepty, jako je zákazník, produkt, objednávka a čas. Obchodní uživatelé již nemuseli rozumět, kolik spojení bylo zapotřebí k odpovědi na základní otázku. Vztahy již byly tam.

Datové katalogy a řízené definice řešily další část problému. Zachycovaly význam, který dříve žil v hlavách lidí. Co tato 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 bez reinterpretace světa od začátku každého času. To je přesně to, co dnes chybí B2B obchodu.

Agentní objev je spouštěcím stejnou konfrontaci

Agentic commerce nutí B2B produktová data 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 neskáče přes 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 jedné věci. Nestrukturovaná data nejsou nepřítelem. Nikdy jím nebyla.

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

Tento stejný vzorec platí i zde.

Agenti potřebují strukturu, aby mohli uvažovat. Potřebují explicitní pravidla, vztahy, omezení a stavy. Potřebují vědět, co je kompatibilní, co je konfigurovatelné, co je dovoleno a za jakých podmínek se něco uplatňuje. Nestrukturovaný obsah sám o sobě nemůže spolehlivě poskytnout to.

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

Narrativ je vrstva, která vysvětluje záměr, pozici a použití. Je to rozdíl mezi “tento produkt existuje” a “tento je ten, který byste měli zvolit.” V podnikovém světě dat se to objevilo jako definice, dokumentace a obchodní kontext. Zde se to objevuje jako produktová úroveň vysvětlení, ze které 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 opravdu neudělala skok, který podniková data udělala. Postavili jsme lepší PIM. Postavili jsme bohatší katalogy. Postavili jsme hezčí produktové stránky. Ale nikdy jsme nepostavili pravou sémantickou vrstvu pro produkty; optimalizovali jsme pro prezentaci.

Dokud lidé zprostředkovali B2B nákup, bylo to v pořádku. Prodejní zástupci vysvětlovali hraniční případy. Kupující tolerovali ambiguitu a všichni věděli, jak obejít systém.

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 přepsávají výchozí hodnoty. Oprávnění jsou důležitá. Žádná z těchto věcí není bezpečně odhadnutelná.

Když agent vyhodnocuje produkt, není ohromen dobře napsaným popisem. Chce vědět, co se hodí, co je dovoleno, co je kompatibilní a co se stane dál. Pokud tato informace není explicitní, agent se nezeptá na vyjasnění; prostě jde dál.

Co musí podniky udělat nyní

Tohle je bod zlomu. Podniky mohou pokračovat v zacházení s produktovými daty jako s obsahem, který lidé interpretují. Nebo mohou začít zacházet s nimi jako s infrastrukturou, nad kterou stroje uvažují.

To znamená, že specifikace se musí stát 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 podniky musely udělat s analýzou. Když surová data a tabulky nebyly dostatečné, musel být definován význam. A jakmile existuje tato strukturovaná jádra, narrativ přestává být jediným zdrojem pravdy pro AI 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 na vyhodnocení, snazší na doporučení a snazší na důvěru. 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 exactly stejnou cyklem. Jediný rozdíl je v tom, že uživatelé nejsou business analytici, ale autonomní agenti. Místo dashboardů jsou to doporučení. Místo pomalých rozhodnutí je to okamžitá exkluze.

Agentic commerce odhaluje desetiletou starou podnikovou datovou problematiku. Společnosti, které rozpoznají, že — a zacházejí s produktovými daty způsobem, jakým podniky naučily zacházet s provozními daty — se rychle přizpůsobí. Ty, které to neudělají, budou pokračovat v přidávání PDF, přepisování popisů a divit se, proč agenti je nikdy nevybírají.

Historie se opakuje. Tentokrát se stroje dívají.