Le commerce agentic répète une vieille erreur de données d’entreprise

Pendant longtemps, le commerce B2B a fonctionné sous une hypothèse simple : les humains parcourent. Ils lisent les pages de produits, survolent les feuilles de spécifications et tolèrent un langage vague parce qu’ils savent comment poser des questions de suivi. Lorsque quelque chose n’est pas clair, ils envoient un courriel à un représentant des ventes. Lorsqu’une règle est enfouie dans une note de bas de page, l’expérience comble le fossé. Les données de produit B2B ont évolué entièrement autour de ce comportement. Elles n’ont jamais eu à se tenir debout par elles-mêmes ; elles n’avaient qu’à être interprétables par un humain. Avec l’IA, cette hypothèse n’est plus valable.

Nous avons déjà vu cela avec les données d’entreprise

Si cela vous semble familier, c’est normal. Il y a une décennie, les entreprises avaient une conversation très similaire sur les données. Les entrepôts étaient pleins, les lacs de données débordaient et, finalement, chaque système exportait quelque chose. Sur le papier, les entreprises étaient riches en données. Dans la pratique, rien ne bougeait rapidement parce que les utilisateurs commerciaux ne pouvaient pas répondre à des questions de base sans analystes en tant que traducteurs. Le SQL est devenu un point de congestion.
Les données d’entreprise étaient organisées autour de la façon dont les systèmes stockaient les informations, et non de la façon dont les gens raisonnaient sur l’entreprise. Les lignes et les colonnes existaient, mais les concepts n’existaient pas. Le chiffre d’affaires vivait dans trois tableaux. Le « client » signifiait cinq choses différentes selon qui vous demandiez et quand. Les métriques étaient débattues sans fin parce que personne n’avait défini clairement.
La percée dans les données d’entreprise est venue de l’acceptation de la complexité et de sa maîtrise. Les couches sémantiques en sont un exemple, mais elles faisaient partie d’un changement plus large. Les entreprises ont cessé de prétendre que les données brutes étaient utilisables par défaut et ont commencé à construire des couches de traduction qui correspondaient à la façon dont l’entreprise fonctionnait réellement.
Les modèles de métriques ont fait cela en définissant les calculs une fois au lieu de les re-dériver dans chaque rapport. Le chiffre d’affaires signifiait la même chose partout parce que quelqu’un avait pris le temps de l’encoder. Les modèles de données et les schémas dimensionnels ont fait la même chose de manière structurale. Ils ont transformé les tableaux opérationnels en concepts tels que le client, le produit, la commande et le temps. Les utilisateurs commerciaux n’avaient plus à comprendre combien de joints étaient nécessaires pour répondre à une question de base. Les relations étaient déjà là.
Les catalogues de données et les définitions régies ont traité une autre partie du problème. Ils ont capturé le sens qui vivait dans les têtes des gens. Que représente ce champ ? Quand doit-il être utilisé ? Quelles sont ses limites ? Le contexte a cessé d’être une connaissance tribale et est devenu partie du système.
Ensemble, ces couches ont absorbé la complexité et l’ont rendue opérationnelle. Ils ont créé des abstractions stables qui ont permis à plus de personnes — et à plus de systèmes — de raisonner correctement sans réinterpréter le monde à partir de zéro chaque fois. C’est exactement ce dont le commerce B2B a besoin aujourd’hui.

La découverte dirigée par agent déclenche le même réveil

Le commerce agentic force les données de produit B2B à passer le même test. Les fabricants et les distributeurs ne manquent pas d’informations sur les produits. Ils stockent déjà d’énormes quantités de celles-ci : des spécifications aux configurations, en passant par la logique de tarification et les contraintes contractuelles.
Le problème est que presque toutes ces données ont été structurées pour les humains. Les spécifications vivent dans des PDF. Les règles sont expliquées dans un catalogue de produits physiques qui n’a jamais été mis en ligne. Les exceptions sont impliquées dans un processus de vente en arrière-bureau, plutôt que d’être encodées. Beaucoup trop de choses dépendent de la mémoire institutionnelle lorsque le contexte vit dans les têtes des équipes de vente.
Un agent IA ne survole pas un PDF et « comprend l’idée ». Il ne sait pas quelle phrase est une contrainte stricte et laquelle est un langage de vente. Il ne peut pas inférer en toute sécurité les règles à partir de la mise en page ou du ton. Si le sens n’est pas explicite, l’agent le traite comme inconnu.

Ceci n’est pas à propos des données non structurées étant mauvaises

Il est important d’être clair sur quelque chose. Les données non structurées ne sont pas l’ennemi. Elles ne l’ont jamais été.
Dans l’analyse d’entreprise, les données non structurées n’ont pas disparu lorsque les couches sémantiques sont apparues. Elles ont été superposées à la structure. La structure a géré les règles et les relations. Le contenu non structuré a géré la nuance, l’explication et le contexte.
Le même modèle s’applique ici.
Les agents ont besoin de structure pour raisonner. Ils ont besoin de règles explicites, de relations, de contraintes et d’états. Ils ont besoin de savoir ce qui est compatible, ce qui est configurable, ce qui est autorisé et dans quelles conditions quelque chose s’applique. Le contenu non structuré seul ne peut pas fournir cela de manière fiable.
Mais la structure seule ne suffit pas non plus. Les agents ne récupèrent pas seulement les attributs. Ils comparent les options. Ils évaluent les compromis. Ils décident à la fois ce que quelque chose est et quand il devrait être recommandé.
La narration est la couche qui explique l’intention, la position et les cas d’utilisation. C’est la différence entre « ce produit existe » et « c’est quand vous devriez le choisir ». Dans le monde des données d’entreprise, cela s’est présenté sous la forme de définitions, de documentation et de contexte commercial. Ici, cela apparaît sous la forme d’une explication de produit de niveau qui peut être apprise par les agents. Alors que les données de produit structurées disent à l’agent ce qui est vrai, la narration l’aide à décider ce qui compte.

Le commerce a été optimisé pour la présentation, et non pour la raison

C’est la partie inconfortable. Les infrastructures de commerce n’ont jamais vraiment fait le saut que les données d’entreprise ont fait. Nous avons construit de meilleurs PIM. Nous avons construit des catalogues plus riches. Nous avons construit des pages de produits plus jolies. Mais nous n’avons jamais construit une véritable couche sémantique pour les produits ; nous avons optimisé pour la présentation.
Tant que les humains ont médité l’achat B2B, cela allait bien. Les représentants des ventes expliquaient les cas de bordure. Les acheteurs toléraient l’ambiguïté, et tout le monde savait comment contourner le système.
Les agents suppriment ce tampon. Dans le B2B, les fissures apparaissent immédiatement. Les prix varient par compte. La disponibilité change par région. La compatibilité dépend de la configuration. Les contrats annulent les paramètres par défaut. Les droits sont importants. Rien de tout cela n’est sûrement devinable.
Lorsqu’un agent évalue un produit, il n’est pas impressionné par une description bien écrite. Il veut savoir ce qui convient, ce qui est autorisé, ce qui est compatible et ce qui se passe ensuite. Si ces informations ne sont pas explicites, l’agent ne demande pas de clarification ; il passe simplement à autre chose.

Ce que les sociétés de commerce doivent faire maintenant

C’est le point d’inflexion. Les sociétés de commerce peuvent continuer à traiter les données de produit comme du contenu que les humains interprètent. Ou ils peuvent commencer à les traiter comme une infrastructure que les machines raisonnent.
Cela signifie que les spécifications doivent devenir des attributs avec un sens défini. La compatibilité doit être encodée en tant que relations, et non expliquée dans des paragraphes. La tarification doit être exprimée en logique. Les droits doivent être explicites. La disponibilité doit être étatique et précise.
C’est exactement le même mouvement que les entreprises ont dû faire avec l’analyse. Lorsque les données brutes et les tableaux n’étaient pas suffisants, le sens devait être défini. Et une fois que ce noyau structuré existe, la narration cesse d’être la seule source de vérité pour l’IA et devient la couche qui enseigne aux agents comment appliquer cette vérité dans des situations réelles.
Les fabricants et les distributeurs qui font cela deviendront lisibles pour les agents. Leurs produits seront plus faciles à évaluer, plus faciles à recommander et plus faciles à faire confiance. Ceux qui ne le font pas auront toujours « des données », mais elles fonctionneront comme les anciens entrepôts d’entreprise : techniquement présents, mais pratiquement inutilisables.

Le modèle est ancien, mais les conséquences ne le sont pas

Rien de tout cela n’est spéculatif. Nous avons déjà regardé les données d’entreprise passer par ce cycle exact. La seule différence maintenant est l’utilisateur. Au lieu des analystes commerciaux, c’est des agents autonomes. Au lieu des tableaux de bord, ce sont des recommandations. Au lieu de décisions lentes, c’est une exclusion instantanée.
Le commerce agentic expose un problème de données d’entreprise vieux de plusieurs décennies. Les sociétés qui reconnaissent cela — et traitent les données de produit de la même manière que les entreprises ont appris à traiter les données opérationnelles — s’adapteront rapidement. Ceux qui ne le font pas continueront à ajouter des PDF, à réécrire des descriptions et à se demander pourquoi les agents ne les choisissent jamais.
L’histoire se répète. Cette fois, les machines font attention.