एजेंटिक कॉमर्स एक पुरानी एंटरप्राइज डेटा गलती को दोहरा रहा है

लंबे समय से, बी2बी कॉमर्स एक सरल धारणा के तहत काम करता था: मानव ब्राउज़ करते हैं।

वे उत्पाद पृष्ठ पढ़ते हैं, विशिष्ट पत्रक को स्किम करते हैं, और अस्पष्ट भाषा को सहन करते हैं क्योंकि वे जानते हैं कि अनुवर्ती प्रश्न कैसे पूछना है। जब कुछ अस्पष्ट होता है, तो वे एक बिक्री प्रतिनिधि को ईमेल करते हैं। जब एक नियम एक पाद लेख में दबा होता है, तो अनुभव अंतराल को भर देता है।

बी2बी उत्पाद डेटा पूरी तरह से उस व्यवहार के आसपास विकसित हुआ। इसको अपने आप खड़ा होने की जरूरत नहीं थी; इसको केवल मानव द्वारा व्याख्या योग्य होने की जरूरत थी। एआई के साथ, वह धारणा अब मामला नहीं है।

हम एंटरप्राइज डेटा के साथ पहले यहां थे

यदि यह परिचित लगता है, तो यह होना चाहिए। एक दशक पहले, उद्यम एक बहुत ही समान बातचीत कर रहे थे डेटा के बारे में। गोदाम भरे हुए थे, डेटा झीलें ओवरफ्लो हो रही थीं, और अंततः हर प्रणाली कुछ निर्यात कर रही थी। कागज पर, कंपनियां डेटा से भरी हुई थीं। अभ्यास में, कुछ भी तेजी से नहीं चलता था क्योंकि व्यवसाय उपयोगकर्ता विश्लेषकों के अनुवादकों के बिना बुनियादी प्रश्नों का उत्तर नहीं दे सकते थे। एसक्यूएल एक गले का फंदा बन गया।

एंटरप्राइज डेटा प्रणालियों द्वारा जानकारी कैसे संग्रहीत की जाती है, उसके आसपास संगठित किया गया था, न कि लोग व्यवसाय के बारे में कैसे तर्क करते हैं। पंक्तियां और स्तंभ मौजूद थे, लेकिन अवधारणाएं नहीं थीं। राजस्व तीन तालिकाओं में रहता था। “ग्राहक” का अर्थ पांच अलग-अलग चीजें थीं जो आपको पूछने और कब पर निर्भर करती थीं। मीट्रिक्स को अंतहीन रूप से बहस की गई क्योंकि किसी ने उन्हें स्पष्ट रूप से परिभाषित नहीं किया था।

एंटरप्राइज डेटा में सफलता जटिलता को स्वीकार करने और उसे नियंत्रित करने से मिली। सेमेंटिक परतें एक उदाहरण हैं, लेकिन वे एक व्यापक बदलाव का हिस्सा थीं। उद्यमों ने डिफ़ॉल्ट रूप से कच्चे डेटा का उपयोग करने का दावा करना बंद कर दिया और व्यावसायिक रूप से वास्तव में सोचते हुए और संचालित करते हुए अनुवाद परतों का निर्माण शुरू किया।

मीट्रिक मॉडल ने यह करके ऐसा किया कि उन्होंने हर रिपोर्ट में फिर से प्राप्त करने के बजाय गणना को एक बार परिभाषित किया। राजस्व का अर्थ हर जगह एक ही था क्योंकि किसी ने इसे एनकोड करने के लिए समय लिया था। डेटा मॉडल और आयामी योजनाएं इसी तरह से संरचनात्मक रूप से ऐसा किया। उन्होंने ऑपरेशनल तालिकाओं को ग्राहक, उत्पाद, आदेश और समय जैसी अवधारणाओं में बदल दिया। व्यवसाय उपयोगकर्ताओं को अब एक बुनियादी प्रश्न का उत्तर देने के लिए आवश्यक जोड़ों की संख्या को समझने की आवश्यकता नहीं थी। संबंध पहले से ही वहां थे।

डेटा कैटलॉग और शासित परिभाषाएं समस्या के एक अन्य भाग को संभाला। उन्होंने अर्थ को कैप्चर किया जो लोगों के सिर में रहता था। यह क्षेत्र क्या प्रतिनिधित्व करता है? जब इसका उपयोग किया जाना चाहिए? इसकी सीमाएं क्या हैं? संदर्भ आदिवासी ज्ञान को रोकना बंद कर दिया और प्रणाली का हिस्सा बन गया।

एक साथ, इन परतों ने जटिलता को अवशोषित किया और इसे संचालित किया। उन्होंने स्थिर अमूर्तता बनाई जिसने अधिक लोगों — और अधिक प्रणालियों — को बिना किसी स्क्रैच से दुनिया की व्याख्या किए बिना सही तरीके से तर्क करने की अनुमति दी। यह बिल्कुल वही है जो बी2बी कॉमर्स आज की कमी है।

एजेंट-नेतृत्व वाली खोज उसी परीक्षण को ट्रिगर कर रही है

एजेंटिक कॉमर्स बी2बी उत्पाद डेटा को उसी परीक्षण के माध्यम से मजबूर कर रहा है। निर्माताओं और वितरकों के पास उत्पाद जानकारी की कमी नहीं है। वे पहले से ही इसकी बड़ी मात्रा में संग्रहीत करते हैं: विशिष्टताओं से लेकर कॉन्फ़िगरेशन तक मूल्य निर्धारण तर्क से लेकर अनुबंध प्रतिबंधों तक।

समस्या यह है कि लगभग इस डेटा का अधिकांश मानवों के लिए संरचित किया गया था। विशिष्टताएं पीडीएफ में रहती हैं। नियमों को एक भौतिक उत्पाद कैटलॉग में समझाया जाता है जो कभी ऑनलाइन नहीं आया। अपवाद बैक-ऑफिस बिक्री प्रक्रिया में निहित हैं, न कि एनकोडेड। संस्थागत स्मृति पर बहुत कुछ निर्भर करता है जब संदर्भ बिक्री टीमों के सिर में रहता है।

एक एआई एजेंट पीडीएफ को स्किम नहीं करता है और “विचार” प्राप्त करता है। यह नहीं जानता कि कौन सा वाक्य एक कठिन प्रतिबंध है और कौन सा बिक्री भाषा है। यह सुरक्षित रूप से नियमों को प्रारूप या स्वर से अनुमान नहीं लगा सकता है। यदि अर्थ स्पष्ट नहीं है, तो एजेंट इसे अज्ञात के रूप में मानता है।

यह असंरचित डेटा के बारे में नहीं है जो बुरा है

यह स्पष्ट करने योग्य है कि कुछ है। असंरचित डेटा दुश्मन नहीं है। यह कभी नहीं था।

एंटरप्राइज विश्लेषण में, असंरचित डेटा गायब नहीं हुआ जब सेमेंटिक परतें दिखाई दीं। यह संरचना पर परतदार हो गया। संरचना नियमों और संबंधों को संभाला। असंरचित सामग्री ने सूक्ष्मता, व्याख्या, और संदर्भ संभाला।

यही पैटर्न यहां लागू होता है।

एजेंटों को तर्क करने के लिए संरचना की आवश्यकता है। उन्हें स्पष्ट नियमों, संबंधों, प्रतिबंधों, और राज्यों की आवश्यकता है। उन्हें यह जानने की आवश्यकता है कि क्या संगत है, क्या कॉन्फ़िगर करने योग्य है, क्या अनुमत है, और किन शर्तों के तहत कुछ लागू होता है। असंरचित सामग्री अकेले उसे विश्वसनीय रूप से प्रदान नहीं कर सकती है।

लेकिन संरचना अकेले पर्याप्त नहीं है। एजेंट केवल विशेषताओं को पुनर्प्राप्त नहीं करते हैं। वे विकल्पों की तुलना करते हैं। वे व्यापार-बंद का मूल्यांकन करते हैं। वे यह तय करते हैं कि कुछ क्या है और कब इसकी सिफारिश की जानी चाहिए।

नैरेटिव वह परत है जो इरादे, स्थिति, और उपयोग के मामलों की व्याख्या करती है। यह “यह उत्पाद मौजूद है” और “यह तब चुनना चाहिए जब” के बीच का अंतर है। एंटरप्राइज डेटा दुनिया में, यह परिभाषाओं, दस्तावेज़, और व्यवसायिक संदर्भ के रूप में दिखाई दिया। यहां, यह एक उत्पाद-स्तर की व्याख्या के रूप में दिखाई देता है जिसे एजेंट सीख सकते हैं। जबकि संरचित उत्पाद डेटा एजेंट को बताता है कि क्या सच है, नैरेटिव उसे यह तय करने में मदद करता है कि क्या महत्वपूर्ण है।

वाणिज्य प्रस्तुति के लिए, तर्क के लिए अनुकूलित नहीं किया गया है

यह असहज हिस्सा है। वाणिज्य इन्फ्रास्ट्रक्चर ने वास्तव में एंटरप्राइज डेटा की तरह छलांग नहीं लगाई। हमने बेहतर पीआईएम बनाए। हमने समृद्ध कैटलॉग बनाए। हमने सुंदर उत्पाद पृष्ठ बनाए। लेकिन हमने वास्तविक सेमेंटिक परत उत्पादों के लिए नहीं बनाई; हमने प्रस्तुति के लिए अनुकूलित किया।

जितना समय मानव बी2बी खरीद को मध्यस्थ करते थे, यह ठीक था। बिक्री प्रतिनिधि एजेंसी मामलों की व्याख्या करते थे। खरीदार अस्पष्टता को सहन करते थे, और हर कोई जानता था कि प्रणाली के चारों ओर कैसे काम करना है।

एजेंट उस बफर को हटा देते हैं। बी2बी में, दरारें तुरंत दिखाई देती हैं। कीमतें खाते द्वारा भिन्न होती हैं। उपलब्धता क्षेत्र द्वारा बदलती है। संगतता कॉन्फ़िगरेशन पर निर्भर करती है। अनुबंध डिफ़ॉल्ट ओवरराइड करते हैं। हकदारी का महत्व है। इनमें से कोई भी सुरक्षित रूप से अनुमान नहीं लगाया जा सकता है।

जब एक एजेंट एक उत्पाद का मूल्यांकन करता है, तो यह एक अच्छी तरह से लिखे गए विवरण से प्रभावित नहीं होता है। यह जानना चाहता है कि क्या फिट बैठता है, क्या अनुमत है, क्या संगत है, और आगे क्या होता है। यदि यह जानकारी स्पष्ट नहीं है, तो एजेंट स्पष्टीकरण के लिए नहीं पूछता; यह बस आगे बढ़ जाता है।

अब क्या वाणिज्य कंपनियों को करने की आवश्यकता है

यह एक परिवर्तन का बिंदु है। वाणिज्य कंपनियां उत्पाद डेटा को मानवों द्वारा व्याख्या की जाने वाली सामग्री के रूप में मान सकती हैं। या वे इसे मशीनों द्वारा तर्क की जाने वाली इन्फ्रास्ट्रक्चर के रूप में मानना शुरू कर सकती हैं।

इसका अर्थ है कि विशिष्टताओं को परिभाषित अर्थ के साथ विशेषताओं में बदलने की आवश्यकता है। संगतता को अनुभागों के रूप में एनकोड किया जाना चाहिए, न कि अनुच्छेदों में समझाया जाना चाहिए। मूल्य निर्धारण को तर्क के रूप में व्यक्त किया जाना चाहिए। हकदारी को स्पष्ट रूप से व्यक्त किया जाना चाहिए। उपलब्धता को स्थितिज और सटीक होना चाहिए।

यह विश्लेषण के साथ उद्यमों को करने के लिए वैसा ही कदम है। जब कच्चे डेटा और तालिकाएं पर्याप्त नहीं थीं, तो अर्थ को परिभाषित करने की आवश्यकता थी। और एक बार जब संरचित कोर मौजूद है, तो नैरेटिव एकमात्र सत्य के स्रोत के रूप में एआई के लिए नहीं रहता है और वास्तविक स्थितियों में उस सत्य को लागू करने के लिए एजेंटों को सिखाने वाली परत बन जाता है।

निर्माता और वितरक जो ऐसा करते हैं वे एजेंटों के लिए पठनीय हो जाएंगे। उनके उत्पादों का मूल्यांकन करना आसान होगा, सिफारिश करना आसान होगा, और विश्वास करना आसान होगा। जो लोग नहीं करते हैं वे अभी भी “डेटा होगा”, लेकिन यह पुराने उद्यम गोदामों की तरह काम करेगा: तकनीकी रूप से मौजूद, लेकिन व्यावहारिक रूप से अनुपयोगी।

पैटर्न पुराना है, लेकिन परिणाम नहीं हैं

कुछ भी अनुमानित नहीं है। हमने पहले ही एंटरप्राइज डेटा को इसी चक्र से गुजरते हुए देखा है। एकमात्र अंतर अब उपयोगकर्ता है। व्यवसायिक विश्लेषकों के बजाय, यह स्वायत्त एजेंट हैं। डैशबोर्ड के बजाय, यह सिफारिशें हैं। धीमी निर्णय लेने के बजाय, यह तुरंत बहिष्कार है।

एजेंटिक कॉमर्स एक दशक पुरानी एंटरप्राइज डेटा समस्या को उजागर कर रहा है। जो कंपनियां यह पहचानती हैं — और उत्पाद डेटा को उसी तरह से मानती हैं जिस तरह उद्यमों ने संचालन डेटा को सीखा है — वे जल्दी से अनुकूलन करेंगी। जो लोग नहीं करते हैं वे पीडीएफ जोड़ते रहेंगे, विवरण फिर से लिखेंगे, और आश्चर्यचकित रहेंगे कि एजेंट उन्हें क्यों नहीं चुनते हैं।

इतिहास खुद को दोहरा रहा है। इस बार, मशीनें ध्यान दे रही हैं।