Agentic Commerce gentager en gammel Enterprise Data-fejl

I lang tid har B2B-commerce fungeret under en simpel antagelse: Mennesker browser.

De læser produktsider, scroller gennem specifikationer og tolererer vagt sprog, fordi de ved, hvordan de skal stille følgespørgsmål. Når noget er uklart, sender de en email til en salgsrepræsentant. Når en regel er begravet i en fodnote, fylder erfaringen hullerne.

B2B-produktdata udviklede sig helt omkring dette adfærd. Den havde aldrig brug for at stå på egne ben; den havde kun brug for at være fortolkelig for et menneske. Med AI er denne antagelse ikke længere tilfældet.

Vi har været her før med Enterprise Data

Hvis dette føles bekendt, skal det. For et årti siden havde virksomheder en meget lignende diskussion om data. Lagerhuse var fulde, data-søer var overfyldte, og ultimativt eksporterede hver system noget. På papir var virksomhederne data-rige. I praksis bevægede ingenting sig hurtigt, fordi forretningsbrugere ikke kunne besvare grundlæggende spørgsmål uden analytikere som deres oversættere. SQL blev et flaskehals.

Enterprise-data var organiseret omkring, hvordan systemer gemte information, ikke om, hvordan mennesker forstod forretningen. Rækker og kolonner fandtes, men begreber fandtes ikke. Omsætning levede i tre tabeller. “Kunde” betød fem forskellige ting afhængigt af, hvem du spurgte og hvornår. Metrikker blev diskuteret uendeligt, fordi ingen havde defineret dem klart.

Gennembruddet i enterprise-data kom fra at acceptere kompleksiteten og indeholde den. Semantiske lag er et eksempel, men de var en del af en bredere skift. Virksomheder stoppede med at forestille sig, at rådata var brugbar som standard, og startede med at bygge oversættelseslag, der matchede, hvordan forretningen faktisk tænkte og opererede.

Metrikmodeller gjorde dette ved at definere beregninger én gang i stedet for at genskabe dem i hver rapport. Omsætning betød det samme overalt, fordi nogen havde taget sig tid til at kodificere det. Data-modeller og dimensionelle skemaer gjorde det samme strukturelt. De omdannede operationelle tabeller til begreber som kunde, produkt, ordre og tid. Forretningsbrugere behøvede ikke længere at forstå, hvor mange joins der var nødvendige for at besvare et grundlæggende spørgsmål. Relationerne var allerede der.

Datakataloger og regulerede definitioner håndterede en anden del af problemet. De fanget mening, der tidligere levede i menneskers hoveder. Hvad repræsenterer dette felt? Når skal det bruges? Hvad er dets begrænsninger? Kontekst stoppede med at være stamme-kendskab og blev en del af systemet.

Sammen absorberede disse lag kompleksiteten og gjorde den operativ. De skabte stabile abstraktioner, der tillod flere mennesker – og flere systemer – at forstå korrekt uden at genfortolke verden fra scratch hver gang. Det er nøjagtig, hvad B2B-commerce mangler i dag.

Agent-ledt opdagelse udløser den samme regnskab

Agentic-commerce tvinger B2B-produktdata gennem samme test. Fabrikanter og distributører mangler ikke produktinformation. De gemmer allerede enorme mængder af det: fra specifikationer til konfigurationer til prissætningslogik til kontraktbegrænsninger.

Problemet er, at næsten alt dette data var struktureret for mennesker. Specifikationer lever i PDF’er. Regler forklares i en fysisk produktkatalog, der aldrig kom online. Undtagelser antydes i en back-office salgsproces i stedet for at blive kodificeret. For meget afhænger af institutionel hukommelse, når kontekst lever i salgsholdets hoveder.

En AI-agent scroller ikke gennem en PDF og “får ideen”. Den ved ikke, hvilken sætning er en hård begrænsning, og hvilken er salgssprog. Den kan ikke sikkert slutte regler fra formatering eller tone. Hvis betydningen ikke er eksplicit, behandler agenten det som ukendt.

Dette handler ikke om, at ustruktureret data er dårlig

Det er værd at være klart om noget. Ustruktureret data er ikke fjenden. Det var aldrig.

I enterprise-analytik forsvandt ustruktureret data ikke, da semantiske lag dukkede op. Den lagde sig oven på struktur. Struktur håndterede regler og relationer. Ustruktureret indhold håndterede nuance, forklaring og kontekst.

Det samme mønster gælder her.

Agenrer har brug for struktur for at forstå. De har brug for eksplicitte regler, relationer, begrænsninger og tilstande. De har brug for at vide, hvad der er kompatibelt, hvad der er konfigurerbart, hvad der er tilladt og under hvilke betingelser noget gælder. Ustruktureret indhold alene kan ikke pålideligt give det.

Men struktur alene er ikke nok heller. Agenrer henter ikke bare attributter. De sammenligner muligheder. De vurderer kompromiser. De beslutter både hvad noget er og når det skal anbefales.

Narrativ er laget, der forklarer intention, positionering og brugs Tilfælde. Det er forskellen på “dette produkt findes” og “dette er, når du skal vælge det”. I enterprise-data-verdenen viste dette sig som definitioner, dokumentation og forretningskontekst. Her viser det sig som en produkt-niveau forklaring, som agenter kan lære fra. Mens struktureret produktdata fortæller agenten, hvad der er sandt, hjælper narrativ det med at beslutte, hvad der betyder noget.

Commerce er optimeret til præsentation, ikke til forståelse

Dette er den ubehagelige del. Commerce-infrastruktur gjorde aldrig rigtigt springet, som enterprise-data gjorde. Vi byggede bedre PIM’er. Vi byggede rigere kataloger. Vi byggede pænere produktsider. Men vi byggede aldrig en sand semantisk lag for produkter; vi optimerede for præsentation.

Så længe mennesker mæglede B2B-køb, var det i orden. Salgsrepræsentanter forklarede undtagelser. Købere tolererede tvivl, og alle vidste, hvordan de skulle arbejde omkring systemet.

Agenrer fjerner denne buffer. I B2B viser revnerne sig straks. Priser varierer efter konto. Tilgængelighed ændrer sig efter region. Kompatibilitet afhænger af konfiguration. Kontrakter overtager standarder. Rettigheder betyder noget. Ingen af disse ting er sikkert gættelige.

Når en agent vurderer et produkt, er det ikke imponeret af en godt skrevet beskrivelse. Det vil vide, hvad der passer, hvad der er tilladt, hvad der er kompatibelt og hvad der sker herefter. Hvis denne information ikke er eksplicit, spørger agenten ikke om klarhed; den flytter bare videre.

Hvad commerce-virksomheder skal gøre nu

Dette er vendingspunktet. Commerce-virksomheder kan fortsætte med at behandle produktdata som indhold, som mennesker fortolker. Eller de kan starte med at behandle det som infrastruktur, som maskiner forstår.

Det betyder, at specifikationer skal blive til attributter med defineret betydning. Kompatibilitet skal blive kodificeret som relationer, ikke forklaret i afsnit. Priser skal udtrykkes som logik. Rettigheder skal være eksplicit. Tilgængelighed skal være tilstandsfuld og præcis.

Dette er nøjagtig det samme trin, som virksomheder havde brug for at tage med analytics. Når rådata og tabeller ikke var nok, skulle betydning defineres. Og når denne strukturerede kerne findes, holder narrativ op med at være den eneste kilde til sandhed for AI og bliver laget, der lærer agenter, hvordan de skal anvende denne sandhed i virkelige situationer.

Fabrikanter og distributører, der gør dette, bliver læselige for agenter. Deres produkter vil være lettere at evaluere, lettere at anbefale og lettere at stole på. De, der ikke gør det, vil stadig “have data”, men det vil fungere som gamle enterprise-lager gjorde: teknisk til stede, men praktisk ubrugeligt.

Mønsteret er gammelt, men konsekvenserne er ikke

Ingenting af dette er spekulativt. Vi har allerede set enterprise-data gå gennem nøjagtig denne cyklus. Den eneste forskel nu er brugeren. I stedet for forretningsanalytikere er det autonome agenter. I stedet for dashboards er det anbefalinger. I stedet for langsomme beslutninger er det instant udelukkelse.

Agentic-commerce afslører en årtier-gammel enterprise-data-problem. Virksomhederne, der erkender det – og behandler produktdata på samme måde, som virksomheder lærte at behandle operationel data – vil tilpasse sig hurtigt. De, der ikke gør det, vil fortsætte med at tilføje PDF’er, omskrive beskrivelser og undre sig over, hvorfor agenter aldrig synes at vælge dem.

Historien gentager sig. Denne gang er maskinerne opmærksomme på det.