Agentic Commerce wiederholt einen alten Fehler bei Unternehmensdaten

Seit langem funktionierte der B2B-Handel unter einer einfachen Annahme: Menschen blättern.

Sie lesen Produktseiten, überfliegen Spezifikationen und tolerieren vage Sprache, weil sie wissen, wie sie Nachfragen stellen. Wenn etwas unklar ist, mailen sie einen Vertriebsmitarbeiter. Wenn eine Regel in einer Fußnote versteckt ist, füllt Erfahrung die Lücke.

B2B-Produktinformationen entwickelten sich vollständig um dieses Verhalten herum. Sie mussten nie für sich selbst stehen; sie mussten nur von Menschen interpretierbar sein. Mit künstlicher Intelligenz (KI) ist diese Annahme nicht mehr gültig.

Wir waren bereits hier mit Unternehmensdaten

Wenn Ihnen das vertraut erscheint, sollte es auch so sein. Vor einem Jahrzehnt hatten Unternehmen eine sehr ähnliche Diskussion über Daten. Lagerhäuser waren voll, Data Lakes überquollen, und letztendlich exportierte jedes System etwas. Auf dem Papier waren Unternehmen datenreich. In der Praxis bewegte sich nichts schnell, weil Geschäftsanwender nicht einmal grundlegende Fragen ohne Analysten als Übersetzer beantworten konnten. SQL wurde zu einem Engpass.

Unternehmensdaten waren um die Art und Weise organisiert, wie Systeme Informationen speicherten, und nicht um die Art und Weise, wie Menschen über das Geschäft nachdachten. Zeilen und Spalten existierten, aber Konzepte nicht. Umsatz lebte in drei Tabellen. “Kunde” bedeutete fünf verschiedene Dinge, je nachdem, wen Sie fragten und wann. Metriken wurden endlos debattiert, weil niemand sie klar definiert hatte.

Der Durchbruch bei Unternehmensdaten kam durch die Akzeptanz von Komplexität und ihre Eindämmung. Semantische Schichten sind ein Beispiel, aber sie waren Teil einer umfassenderen Veränderung. Unternehmen hörten auf, so zu tun, als ob rohe Daten per Default verwendbar wären, und begannen, Übersetzungsschichten zu bauen, die der Art und Weise entsprachen, wie das Geschäft tatsächlich funktionierte und dachte.

Metriken-Modelle taten dies, indem sie Berechnungen einmal definierten, anstatt sie in jedem Bericht neu abzuleiten. Umsatz bedeutete überall das Gleiche, weil jemand die Zeit genommen hatte, es zu kodifizieren. Datenmodelle und dimensionale Schemata taten das Gleiche strukturell. Sie verwandelten operationale Tabellen in Konzepte wie Kunde, Produkt, Bestellung und Zeit. Geschäftsanwender mussten nicht länger verstehen, wie viele Joins erforderlich waren, um eine grundlegende Frage zu beantworten. Die Beziehungen waren bereits vorhanden.

Data-Kataloge und geregelte Definitionen behandelten einen anderen Teil des Problems. Sie erfassten Bedeutungen, die früher in den Köpfen von Menschen lebten. Was stellt dieses Feld dar? Wann sollte es verwendet werden? Was sind seine Einschränkungen? Kontext hörte auf, Stammeswissen zu sein, und wurde Teil des Systems.

Zusammen absorbierten diese Schichten Komplexität und machten sie operabel. Sie schufen stabile Abstraktionen, die es mehr Menschen und mehr Systemen ermöglichten, korrekt zu argumentieren, ohne die Welt jedes Mal von Grund auf neu interpretieren zu müssen. Genau das fehlt dem B2B-Handel heute.

Agenten-geführte Entdeckung löst die gleiche Abrechnung aus

Agentic Commerce zwingt B2B-Produktinformationen durch denselben Test. Hersteller und Großhändler haben nicht wenig Produktinformationen. Sie speichern bereits enorme Mengen davon: von Spezifikationen bis hin zu Konfigurationen, Preislogik und vertraglichen Einschränkungen.

Das Problem ist, dass fast alle dieser Daten für Menschen strukturiert wurden. Spezifikationen leben in PDFs. Regeln werden in einem physischen Produktkatalog erklärt, der nie online ging. Ausnahmen werden in einem Back-Office-Vertriebsprozess angedeutet, anstatt kodifiziert. Zu viel hängt von institutionellem Gedächtnis ab, wenn Kontext in den Köpfen von Vertriebsteams lebt.

Ein KI-Agent blättert nicht durch eine PDF und “versteht den Gedanken”. Er weiß nicht, welcher Satz eine harte Einschränkung und welcher Satz Vertriebssprache ist. Er kann nicht sicher Regeln aus Formatierung oder Ton ableiten. Wenn die Bedeutung nicht explizit ist, behandelt der Agent sie als unbekannt.

Dies geht nicht darum, unstrukturierte Daten als schlecht zu betrachten

Es ist wichtig, etwas klarzustellen. Unstrukturierte Daten sind nicht der Feind. Sie waren es nie.

In der Unternehmensanalyse verschwanden unstrukturierte Daten nicht, als semantische Schichten auftraten. Sie wurden auf Struktur aufgesetzt. Struktur behandelte Regeln und Beziehungen. Unstrukturierte Inhalte behandelten Nuancen, Erklärungen und Kontext.

Das gleiche Muster gilt hier.

Agenten benötigen Struktur, um zu argumentieren. Sie benötigen explizite Regeln, Beziehungen, Einschränkungen und Zustände. Sie benötigen, um zu wissen, was kompatibel ist, was konfigurierbar ist, was erlaubt ist und unter welchen Bedingungen etwas anwendbar ist. Unstrukturierte Inhalte allein können das nicht zuverlässig liefern.

Aber Struktur allein reicht nicht aus. Agenten ermitteln nicht nur Attribute. Sie vergleichen Optionen. Sie bewerten Kompromisse. Sie entscheiden sowohl, was etwas ist, als auch wann es empfohlen werden sollte.

Narrative ist die Schicht, die Absicht, Positionierung und Anwendungsfälle erklärt. Es ist der Unterschied zwischen “dieses Produkt existiert” und “dies ist, wenn Sie es wählen sollten”. In der Welt der Unternehmensdaten trat dies als Definitionen, Dokumentation und Geschäftskontext auf. Hier tritt es als produktspezifische Erklärung auf, die Agenten lernen können. Während strukturierte Produktinformationen dem Agenten sagen, was wahr ist, hilft Narrative ihm, zu entscheiden, was wichtig ist.

Der Handel wurde für Präsentation und nicht für Argumentation optimiert

Dies ist der unangenehme Teil. Die Handelsinfrastruktur hat nie wirklich den Sprung gemacht, den Unternehmensdaten gemacht haben. Wir bauten bessere PIMs. Wir bauten reichere Kataloge. Wir bauten hübschere Produktseiten. Aber wir bauten nie eine wahre semantische Schicht für Produkte; wir optimierten für Präsentation.

Solange Menschen den B2B-Kauf vermittelten, war das in Ordnung. Vertriebsmitarbeiter erklärten Randfälle. Käufer tolerierten Mehrdeutigkeit, und jeder wusste, wie man mit dem System umging.

Agenten entfernen diesen Puffer. Im B2B-Handel zeigen sich die Risse sofort. Preise variieren je nach Konto. Verfügbarkeit ändert sich je nach Region. Kompatibilität hängt von der Konfiguration ab. Verträge überlagern Standardwerte. Berechtigungen sind wichtig. Keines davon ist sicher errätbar.

Wenn ein Agent ein Produkt bewertet, ist er nicht von einer gut geschriebenen Beschreibung beeindruckt. Er will wissen, was passt, was erlaubt ist, was kompatibel ist und was als Nächstes passiert. Wenn diese Informationen nicht explizit sind, fragt der Agent nicht nach Klarstellung; er geht einfach weiter.

Was Handelsunternehmen jetzt tun müssen

Dies ist der Wendepunkt. Handelsunternehmen können weiterhin Produktinformationen als Inhalt behandeln, den Menschen interpretieren. Oder sie können beginnen, sie als Infrastruktur zu behandeln, über die Maschinen argumentieren.

Das bedeutet, dass Spezifikationen zu Attributen mit definierter Bedeutung werden müssen. Kompatibilität muss als Beziehungen kodifiziert werden, anstatt in Absätzen erklärt zu werden. Preise müssen als Logik ausgedrückt werden. Berechtigungen müssen explizit sein. Verfügbarkeit muss zustandsbezogen und genau sein.

Dies ist genau der gleiche Schritt, den Unternehmen im Bereich der Analyse gehen mussten. Als rohe Daten und Tabellen nicht mehr ausreichten, musste Bedeutung definiert werden. Und sobald diese strukturierte Kernstruktur existiert, hört Narrative auf, die einzige Wahrheitsquelle für KI zu sein, und wird zu der Schicht, die Agenten lehrt, wie sie diese Wahrheit in realen Situationen anwenden.

Hersteller und Großhändler, die dies tun, werden für Agenten lesbar. Ihre Produkte werden einfacher zu bewerten, einfacher zu empfehlen und einfacher zu vertrauen sein. Diejenigen, die dies nicht tun, werden immer noch “Daten haben”, aber sie werden wie alte Unternehmenslagerhäuser funktionieren: technisch vorhanden, aber praktisch unbrauchbar.

Das Muster ist alt, aber die Konsequenzen sind es nicht

Nichts davon ist spekulativ. Wir haben bereits beobachtet, wie Unternehmensdaten durch denselben Zyklus gehen. Der einzige Unterschied jetzt ist der Benutzer. Anstatt von Geschäftsanalytikern handelt es sich um autonome Agenten. Anstatt von Dashboards handelt es sich um Empfehlungen. Anstatt von langsamen Entscheidungen handelt es sich um instantane Ausgrenzung.

Agentic Commerce deckt ein Jahrzehnte altes Unternehmensdatenproblem auf. Die Unternehmen, die erkennen, dass — und Produktinformationen so behandeln, wie Unternehmen operativ Daten behandelt haben — werden sich schnell anpassen. Diejenigen, die dies nicht tun, werden weiterhin PDFs hinzufügen, Beschreibungen neu schreiben und sich fragen, warum Agenten sie nie zu wählen scheinen.

Geschichte wiederholt sich. Dieses Mal achten die Maschinen darauf.