Agentic Commerce toistaa vanhan yritysdatavirheen

Pitkään B2B-kauppa toimi yksinkertaisen oletuksen alla: Ihmiset selastelevat.

He lukevat tuotesivuja, selailivat teknisiä tietoja ja sietävät epämääräistä kieltä, koska he tietävät, miten kysyä seuraavia kysymyksiä. Kun jotain on epäselvää, he lähettävät sähköpostia myyntiedustajalle. Kun sääntö on haudattu jalkimerkintään, kokemus täyttää aukon.

B2B-tuotedata kehittyi kokonaan tämän käyttäytymisen ympärille. Se ei koskaan tarvinnut seistä ominaan; se tarvitsi vain olla tulkittavissa ihmisille. Tekoälyssä tämä oletus ei ole enää voimassa.

Olemme olleet tässä ennen yritysdatan kanssa

Jos tämä tuntuu tutulta, se pitäisi. Vuosikymmen sitten yritykset kävivät läpi hyvin samanlaista keskustelua datan kanssa. Varastot olivat täynnä, datajärvet tulvivat yli, ja lopulta jokainen järjestelmä viittasi johonkin. Paperilla yritykset olivat datarikkaita. Käytännössä mitään ei liikkunut nopeasti, koska liiketoimintakäyttäjät eivät voineet vastata peruskysymyksiin ilman analyytikkoja kääntäjinä. SQL muodostui pullonkaulaksi.

Yritysdata järjestettiin siinä, miten järjestelmät tallensivat tietoa, eikä siinä, miten ihmiset päättelivät liiketoiminnasta. Rivit ja sarakkeet olivat olemassa, mutta käsitteitä ei ollut. Liikevaihto asui kolmessa taulukossa. “Asiakas” tarkoitti viittä eri asiaa riippuen siitä, keneltä kysyttiin ja milloin. Mittareita keskusteltiin loputtomiin, koska kukaan ei ollut määritellyt niitä selvästi.

Yritysdatan läpimurto tuli monimutkaisuuden hyväksymisestä ja sen hallitsemisesta. Semanttiset kerrokset ovat yksi esimerkki, mutta ne olivat osa laajempaa muutosta. Yritykset lopettivat esittämisen, että raaka data oli käytettävissä oletusarvoisesti, ja alkoivat rakentaa käännöskerroksia, jotka vastasivat sitä, miten liiketoiminta tosiasiallisesti toimi.

Mittamallit tekivät tämän määrittelemällä laskelmat kerran sen sijaan, että ne johdettiin uudelleen jokaisessa raportissa. Liikevaihto tarkoitti samaa asiaa joka paikassa, koska joku oli vienyt aikaa koodaamaan sen. Datamallit ja dimensionaaliset skeemat tekivät saman asian rakenteellisesti. Ne muuttivat toiminnalliset taulukot käsitteiksi kuten asiakas, tuote, tilaus ja aika. Liiketoimintakäyttäjien ei enää tarvinnut ymmärtää, montako liitosta tarvittiin vastataksesi peruskysymyksiin. Suhteet olivat jo valmiina.

Datakatalogit ja hallitut määritykset käsittelivät toisen osan ongelmaa. Ne kaappasivat merkityksen, joka aiemmin asui ihmisten päässä. Mitä tämä kenttä edustaa? Milloin sitä pitäisi käyttää? Mitkä ovat sen rajoitukset? Konteksti lakkasi olemasta heimotietoa ja tuli osaksi järjestelmää.

Nämä kerrokset absorboida monimutkaisuutta ja tekivät siitä operatiivista. Ne loivat vakaat abstraktioita, jotka sallivat useammalle ihmiselle ja järjestelmille päättelyä oikein ilman, että heidän tarvitsi tulkita maailmaa alusta uudelleen joka kerta. Tämä on juuri sitä, mitä B2B-kauppa puuttuu tänään.

Agenttijohtoinen löytäminen laukaisee saman määräyksen

Agentic-kauppa pakottaa B2B-tuotedataa läpi saman testin. Valmistajat ja jakelijat eivät ole lyhyillä tuotetiedoissa: he tallentavat jo valtavasti tietoa siitä: teknisistä tiedoista konfiguraatioihin, hinnoittelulogiikkaan ja sopimussidosihin.

Ongelma on, että lähes kaikki tämä data on rakennettu ihmisille. Tekniset tiedot asuvat PDF-tiedostossa. Säännöt selitetään fyysisessä tuotekatalogissa, joka ei koskaan päässyt verkossa. Poikkeukset ovat implisiittisiä takaisinmyyntiprosessissa eikä koodattu. Liian paljon riippuu instituutioaalisen muistin, kun konteksti asuu myyntitiimien päässä.

Tekoälyagentti ei selaa PDF-tiedostoa ja “ymmärrä ajatusta”. Se ei tiedä, kumpi lause on kova rajoitus ja kumpi on myyntikieli. Se ei voi turvallisesti johtaa sääntöjä muotoilusta tai sävystä. Jos merkitys ei ole eksplisiittinen, agentti kohdella sitä tuntemattomana.

Tämä ei ole epästrukturoidun datan olemassaolosta

On syytä olla selvä asia. Epästrukturoidun data ei ole vihollinen. Se ei koskaan ollut.

Yritysanalytiikassa epästrukturoidun data ei hävinnyt, kun semanttiset kerrokset ilmestyivät. Se sai kerroksia rakennettua. Rakenne käsitteli sääntöjä ja suhteita. Epästrukturoidun sisällön käsitteli hienovaraisuutta, selitystä ja kontekstia.

Sama malli pätee tässä.

Agentit tarvitsevat rakennetta päättelyyn. He tarvitsevat eksplisiittisiä sääntöjä, suhteita, rajoituksia ja tiloja. He tarvitsevat tietää, mitä on yhdenmukainen, mitä on konfiguroitavissa, mitä on sallittua ja minkä ehdoin jotain sovelletaan. Vain epästrukturoidun sisällön ei voida luotettavasti tarjota.

Mutta rakenteen yksin ei riitä. Agentit eivät vain nouda attribuutteja. He vertailevat vaihtoehtoja. He arvioivat kompromisseja. He päättävät sekä mitä jotain on ja kun sitä pitäisi suositella.

Kerronta on kerros, joka selittää aikomusta, asettamista ja käyttötapausta. Se on ero “tämä tuote on olemassa” ja “tämä on, kun sinun pitäisi valita se”. Yritysdatamaailmassa tämä ilmestyy määritelminä, dokumentaationa ja liiketoimintakontekstina. Tässä se ilmestyy tuotetasolla, josta agentit voivat oppia. Vaikka strukturoidun tuotedatan kertoo agentille, mitä on totta, kerronta auttaa sitä päättämään, mitä on tärkeää.

Kauppa on optimoitu esittämiseksi, ei päättelyksi

Tämä on epämukava osa. Kaupan infrastruktuuri ei koskaan tehnyt loikan, jonka yritysdata teki. Rakensimme parempia PIM-järjestelmiä. Rakensimme rikkaampia katalogeja. Rakensimme kauniimmat tuotesivut. Mutta emme koskaan rakentaneet todellista semanttista kerrosta tuotteille; optimoimme esittämiseksi.

Kun ihmiset välittivät B2B-ostamista, se oli hyvä. Myyntiedustajat selittivät reunatapauksia. Ostajat sietivät epämääräisyyttä, ja kaikki tietävät, miten työskennellä järjestelmän ympärillä.

Agentit poistavat tämän puskurin. B2B:ssä halkeamat näkyvät välittömästi. Hinnat vaihtelevat tilin mukaan. Saatavuus muuttuu alueen mukaan. Yhdenmukaisuus riippuu konfiguraatiosta. Sopimukset ohittavat oletukset. Oikeudet merkitsevät. Mikään näistä ei ole turvallisesti arvattavissa.

Kun agentti arvioi tuotetta, se ei ole vaikuttunut hyvin kirjoitetusta kuvauksesta. Se haluaa tietää, mitä sopii, mitä on sallittua, mitä on yhdenmukainen ja mitä tapahtuu seuraavaksi. Jos tietoa ei ole eksplisiittinen, agentti ei kysy selitystä; se siirtyy eteenpäin.

Mitä kauppayritysten on tehtävä nyt

Tämä on käännekohta. Kauppayritykset voivat jatkaa tuotedatan käsittelyä sisällönä, jota ihmiset tulkkaavat. Tai ne voivat alkaa kohdella sitä infrastruktuurina, jota koneet päättelivät yli.

Tämä tarkoittaa, että tekniset tiedot on muunnettava määriteltyjen attribuuttien arvoiksi. Yhdenmukaisuus on koodattava suhteina, ei selitettyä kappaleissa. Hinnoittelu on ilmaistava logiikassa. Oikeudet on eksplisiittinen. Saatavuus on tilallinen ja tarkka.

Tämä on sama siirto, jonka yritykset joutuivat tekemään analytiikassa. Kun raaka data ja taulukot eivät riittäneet, merkitys piti määritellä. Ja kun strukturoidun ydin on olemassa, kerronta lopettaa olemasta ainoastaan totuuden lähde tekoälylle ja tulee kerrokseksi, joka opettaa agenteille, miten soveltaa sitä totuutta todellisissa tilanteissa.

Valmistajat ja jakelijat, jotka tekevät tämän, tulevat lukukelpoisiksi agenteille. Heidän tuotteensa ovat helpompia arvioida, suositella ja luottaa. Ne, jotka eivät tee, tulevat edelleen “omistamaan datan”, mutta se toimii vanhan yritysvaraston tavoin: teknisesti läsnä, mutta käytännössä käyttökelvotonta.

Malli on vanha, mutta seuraukset eivät ole

Mitään tässä ei ole spekulatiivista. Olemme jo nähneet yritysdatan käydä läpi täsmälleen samanlaisen syklin. Ainoa ero nyt on käyttäjä. Sen sijaan, että liiketoimintanalyytikot, on autonomiset agentit. Sen sijaan, että kojut, on suositukset. Sen sijaan, että hitaat päätökset, on välittömät poissulkevat.

Agentic-kauppa paljastaa vuosikymmenien vanhan yritysdatavirheen. Yritykset, jotka tunnustavat sen — ja kohtelevat tuotedataa samalla tavalla kuin yritykset oppivat kohdella operatiivista dataa — sopeutuvat nopeasti. Ne, jotka eivät tee, jatkavat PDF-tiedostojen lisäämistä, kuvausten uudelleenkirjoittamista ja ihmettelevät, miksi agentit eivät koskaan näytä valitsevan heitä.

Historia toistaa itsensä. Tällä kertaa koneet ovat tarkkaamassa.