Agentic Commerce wiederholt einen alten Fehler bei Unternehmensdaten

Seit langem basierte der B2B-Handel auf einer einfachen Annahme: Menschen blättern durch.

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

B2B-Produktdaten 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 der Fall.

Wir waren bereits hier mit Unternehmensdaten

Wenn Ihnen das vertraut erscheint, sollte es auch so sein. Vor einem Jahrzehnt hatten Unternehmen ein sehr ähnliches Gespräch über Daten. Lagerhäuser waren voll, Data Lakes überquollen, und letztendlich exportierte jedes System etwas. Auf dem Papier waren die 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 deren Eindämmung. Semantische Schichten sind ein Beispiel, aber sie waren Teil einer umfassenderen Verschiebung. Unternehmen hörten auf, so zu tun, als ob rohe Daten von selbst verwendbar wären, und begannen, Übersetzungsschichten zu bauen, die der Art und Weise entsprachen, wie das Geschäft tatsächlich dachte und operierte.

Metrikenmodelle 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 dimensionsbezogene 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, tribales Wissen zu sein, und wurde Teil des Systems.

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

Agenten-geführte Entdeckung löst die gleiche Abrechnung aus

Agentic Commerce zwingt B2B-Produktdaten durch den gleichen 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 werden. Zu viel hängt von institutionellem Gedächtnis ab, wenn Kontext in den Köpfen der Vertriebsteams lebt.

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

Dies geht nicht darum, dass unstrukturierte Daten schlecht sind

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

In der Unternehmensanalytik verschwanden unstrukturierte Daten nicht, als semantische Schichten auftauchten. Sie wurden auf die Struktur aufgeschichtet. Struktur behandelte Regeln und Beziehungen. Unstrukturierte Inhalte behandelten Nuancen, Erklärungen und Kontext.

Das gleiche Muster gilt hier.

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

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

Erzählung 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 zeigt es sich als produktspezifische Erklärung, die Agenten lernen können. Während strukturierte Produktdaten dem Agenten sagen, was wahr ist, hilft die Erzählung ihm, zu entscheiden, was wichtig ist.

Commerce wurde für Präsentation und nicht für Denken optimiert

Dies ist der unangenehme Teil. Commerce-Infrastruktur hat nie wirklich den gleichen Sprung wie Unternehmensdaten gemacht. 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. Nichts davon ist sicher zu erraten.

Wenn ein Agent ein Produkt auswertet, 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 Commerce-Unternehmen jetzt tun müssen

Dies ist der Wendepunkt. Commerce-Unternehmen können weiterhin Produktdaten als Inhalt behandeln, den Menschen interpretieren. Oder sie können beginnen, sie als Infrastruktur zu behandeln, über die Maschinen denken.

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 bei der Analytik unternehmen mussten. Als rohe Daten und Tabellen nicht mehr ausreichten, musste Bedeutung definiert werden. Und sobald dieser strukturierte Kern existiert, hört die Erzählung 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 nicht

Nichts davon ist spekulativ. Wir haben bereits gesehen, wie Unternehmensdaten genau diesen Zyklus durchlaufen. Der einzige Unterschied jetzt ist der Benutzer. Anstatt von Business-Analysten sind es autonome Agenten. Anstatt von Dashboards sind es Empfehlungen. Anstatt von langsamen Entscheidungen ist es instantane Ausgrenzung.

Agentic Commerce deckt ein Jahrzehnte altes Unternehmensdatenproblem auf. Die Unternehmen, die dies erkennen – und Produktdaten behandeln, wie Unternehmen gelernt haben, operativ zu behandeln – werden sich schnell anpassen. Diejenigen, die dies nicht tun, werden weiterhin PDFs hinzufügen, Beschreibungen umschreiben und sich fragen, warum Agenten sie nie zu wählen scheinen.

Die Geschichte wiederholt sich. Dieses Mal achten die Maschinen darauf.