Tankeledere
Handel drevet af AI-agenter gentager en gammel fejl med virksomhedsdata

NøglepunkterAgentisk handel kræver struktureret produktdata, som maskiner kan ræsonnere over, ikke…
Vis mere
- Agentisk handel kræver struktureret produktdata, som maskiner kan ræsonnere over, ikke blot menneskelæsbart indhold.
- B2B-handel skal bygge semantiske produktlag, der eksplicit koder regler, relationer og begrænsninger.
- Virksomheder, der behandler produktdata som infrastruktur, vil blive forståelige for AI-agenter og opnå en konkurrencefordel.
I lang tid byggede B2B-handel på en enkel antagelse: Det er mennesker, der gennemser oplysningerne.
De læser produktsider, skimmer specifikationsark og accepterer uklare formuleringer, fordi de ved, hvordan de skal stille opfølgende spørgsmål. Når noget er uklart, sender de en e-mail til en sælger. Når en regel er gemt i en fodnote, udfylder erfaringen hullet.
B2B-produktdata udviklede sig udelukkende omkring denne adfærd. Oplysningerne skulle aldrig være tilstrækkelige i sig selv; et menneske skulle blot kunne fortolke dem. Med AI gælder den antagelse ikke længere.
Vi har oplevet det før med virksomhedsdata
Hvis det lyder bekendt, er der en grund til det. For ti år siden havde virksomheder en meget lignende diskussion om data. Datavarehusene var fulde, datasøerne flød over, og til sidst eksporterede hvert system noget. På papiret var virksomhederne rige på data. I praksis gik intet hurtigt, fordi forretningsbrugere ikke kunne besvare grundlæggende spørgsmål uden analytikere som tolke. SQL blev en flaskehals.
Virksomhedsdata var organiseret efter, hvordan systemerne lagrede oplysninger, ikke efter, hvordan mennesker ræsonnerede om forretningen. Rækker og kolonner fandtes, men begreberne manglede. Omsætningen lå i tre tabeller. Kunde betød fem forskellige ting, afhængigt af hvem man spurgte, og hvornår. Måltal blev diskuteret i det uendelige, fordi ingen havde defineret dem klart.
Gennembruddet for virksomhedsdata kom, da man accepterede kompleksiteten og fik den under kontrol. Semantiske lag er ét eksempel, men de var en del af en bredere ændring. Virksomheder holdt op med at lade, som om rådata automatisk var anvendelige, og begyndte at bygge oversættelseslag, der svarede til den måde, forretningen faktisk tænkte og fungerede på.
Modeller for måltal gjorde det ved at definere beregninger én gang frem for at udlede dem på ny i hver rapport. Omsætning betød det samme overalt, fordi nogen havde taget sig tid til at kode definitionen. Datamodeller og dimensionelle skemaer gjorde det samme på det strukturelle plan. De omdannede driftstabeller til begreber som kunde, produkt, ordre og tid. Forretningsbrugere behøvede ikke længere at forstå, hvor mange sammenkædninger af tabeller der skulle til for at besvare et grundlæggende spørgsmål. Relationerne var allerede defineret.
Datakataloger og definitioner underlagt styring og forvaltning håndterede en anden del af problemet. De fastholdt betydninger, der tidligere kun fandtes i folks hoveder. Hvad repræsenterer dette felt? Hvornår bør det bruges? Hvilke begrænsninger har det? Kontekst var ikke længere uformel viden inden for en begrænset gruppe, men blev en del af systemet.
Tilsammen opsamlede disse lag kompleksiteten og gjorde den håndterbar. De skabte stabile abstraktioner, som gjorde det muligt for flere mennesker — og flere systemer — at ræsonnere korrekt uden at fortolke verden forfra hver gang. Det er præcis det, B2B-handlen mangler i dag.
Agentstyret produktsøgning tvinger den samme revurdering frem
Handel drevet af AI-agenter sætter B2B-produktdata på den samme prøve. Producenter og distributører mangler ikke produktinformation. De lagrer allerede enorme mængder, fra specifikationer og konfigurationer til prislogik og kontraktmæssige begrænsninger.
Problemet er, at næsten alle disse data blev struktureret til mennesker. Specifikationer ligger i PDF-filer. Regler forklares i et trykt produktkatalog, der aldrig kom på nettet. Undtagelser ligger implicit i salgsafdelingens administrative processer frem for kodet. Alt for meget afhænger af organisationens hukommelse, når konteksten kun findes i salgsteamenes hoveder.
En AI-agent skimmer ikke en PDF og forstår omtrent, hvad der menes. Den ved ikke, hvilken sætning der udtrykker en bindende begrænsning, og hvilken der er salgssprog. Den kan ikke sikkert udlede regler af formatering eller tone. Hvis betydningen ikke er udtrykkelig, behandler agenten den som ukendt.
Det handler ikke om, at ustrukturerede data er dårlige
Én ting skal stå klart. Ustrukturerede data er ikke fjenden. Det har de aldrig været.
I virksomhedsanalyse forsvandt ustrukturerede data ikke, da de semantiske lag kom. De blev lagt som et lag oven på strukturen. Strukturen håndterede regler og relationer. Det ustrukturerede indhold håndterede nuancer, forklaringer og kontekst.
Det samme mønster gælder her.
Agenter har brug for struktur for at ræsonnere. De har brug for udtrykkelige regler, relationer, begrænsninger og tilstande. De skal vide, hvad der er kompatibelt, hvad der kan konfigureres, hvad der er tilladt, og under hvilke betingelser noget gælder. Ustruktureret indhold alene kan ikke levere det pålideligt.
Men struktur alene er heller ikke nok. Agenter henter ikke kun attributter. De sammenligner muligheder og vurderer afvejninger. De afgør både, hvad noget er, og hvornår det bør anbefales.
Forklarende indhold er det lag, der beskriver hensigt, positionering og anvendelsestilfælde. Det er forskellen mellem «dette produkt findes» og «i denne situation bør du vælge det». I virksomhedsdataenes verden viste det sig som definitioner, dokumentation og forretningskontekst. Her viser det sig som forklaringer på produktniveau, som agenter kan lære af. Strukturerede produktdata fortæller agenten, hvad der er sandt, mens det forklarende indhold hjælper den med at afgøre, hvad der er vigtigt.
Handel er optimeret til præsentation, ikke til ræsonnement
Dette er den ubehagelige del. Handelsinfrastrukturen tog aldrig rigtig det spring, som virksomhedsdata tog. Vi byggede bedre systemer til produktinformationsstyring, PIM-systemer, rigere kataloger og pænere produktsider. Men vi byggede aldrig et ægte semantisk lag til produkter; vi optimerede præsentationen.
Så længe mennesker formidlede B2B-køb, fungerede det. Sælgere forklarede særlige tilfælde. Købere accepterede tvetydighed, og alle vidste, hvordan de skulle omgå systemets mangler.
Agenter fjerner den buffer. I B2B bliver revnerne synlige med det samme. Priser varierer efter kundekonto. Tilgængelighed ændrer sig efter region. Kompatibilitet afhænger af konfigurationen. Kontrakter har forrang for standardvilkår. Tildelte rettigheder betyder noget. Intet af dette kan gættes sikkert.
Når en agent vurderer et produkt, bliver den ikke imponeret over en velskrevet beskrivelse. Den vil vide, hvad der passer, hvad der er tilladt, hvad der er kompatibelt, og hvad der sker bagefter. Hvis oplysningerne ikke er udtrykkelige, beder den ikke om en præcisering; den går bare videre.
Hvad handelsvirksomheder skal gøre nu
Dette er vendepunktet. Handelsvirksomheder kan fortsætte med at behandle produktdata som indhold, mennesker fortolker. Eller de kan begynde at behandle dem som infrastruktur, som maskiner bygger deres ræsonnementer på.
Det betyder, at specifikationer skal blive attributter med en defineret betydning. Kompatibilitet skal kodes som relationer, ikke forklares i afsnit. Prissætning skal udtrykkes som logik. Tildelte rettigheder skal være udtrykkelige. Tilgængelighed skal beskrives med præcise tilstandsoplysninger.
Det er præcis den samme ændring, virksomhederne måtte foretage inden for analyse. Da rådata og tabeller ikke var nok, måtte betydningen defineres. Når den strukturerede kerne findes, er forklarende indhold ikke længere AI’s eneste kilde til sandhed, men bliver det lag, der lærer agenter at anvende denne sandhed i virkelige situationer.
Producenter og distributører, der gør dette, bliver forståelige for agenter. Deres produkter bliver lettere at vurdere, anbefale og have tillid til. De, der ikke gør det, vil stadig have data, men de vil fungere som gamle datavarehuse i virksomheder: teknisk til stede, men i praksis ubrugelige.
Mønsteret er gammelt, men konsekvenserne er nye
Intet af dette er spekulativt. Vi har allerede set virksomhedsdata gennemgå præcis denne cyklus. Den eneste forskel nu er brugeren. I stedet for forretningsanalytikere er det autonome agenter. I stedet for kontrolpaneler er det anbefalinger. I stedet for langsomme beslutninger er det øjeblikkelig udelukkelse.
Handel drevet af AI-agenter blotlægger et problem med virksomhedsdata, der er flere årtier gammelt. Virksomheder, som indser det og behandler produktdata, som virksomheder lærte at behandle driftsdata, vil tilpasse sig hurtigt. De andre fortsætter med at tilføje PDF-filer, omskrive beskrivelser og undre sig over, hvorfor agenter aldrig synes at vælge dem.
Historien gentager sig. Denne gang følger maskinerne med.












