विचार नेता
AI एजेंटों के ज़रिए व्यापार एंटरप्राइज़ डेटा की पुरानी गलती दोहरा रहा है

मुख्य बिंदुएजेंटिक कॉमर्स को संरचित उत्पाद डेटा की आवश्यकता होती है जिस पर मशीनें तर्क कर सकें, न…
और देखें
- एजेंटिक कॉमर्स को संरचित उत्पाद डेटा की आवश्यकता होती है जिस पर मशीनें तर्क कर सकें, न कि केवल मानव-पठनीय सामग्री।
- बी2बी कॉमर्स को ऐसे शब्दार्थ उत्पाद परतों का निर्माण करना चाहिए जो नियमों, संबंधों और बाधाओं को स्पष्ट रूप से एन्कोड करें।
- जो कंपनियाँ उत्पाद डेटा को अवसंरचना के रूप में मानेंगी, वे एआई एजेंटों के लिए स्पष्ट होंगी और लाभ प्राप्त करेंगी।
लंबे समय तक B2B यानी व्यवसायों के बीच होने वाला व्यापार एक सरल धारणा पर चलता रहा: जानकारी को इंसान देखते और पढ़ते हैं।
वे उत्पादों के पृष्ठ पढ़ते हैं, तकनीकी विवरणों पर सरसरी नज़र डालते हैं और अस्पष्ट भाषा को स्वीकार कर लेते हैं, क्योंकि वे जानते हैं कि आगे के सवाल कैसे पूछने हैं। कुछ स्पष्ट न हो तो वे बिक्री प्रतिनिधि को ईमेल करते हैं। कोई नियम फुटनोट में छिपा हो तो अनुभव उस कमी को पूरा कर देता है।
B2B उत्पाद डेटा पूरी तरह इसी व्यवहार के अनुरूप विकसित हुआ। उसे कभी अपने आप में पर्याप्त होने की ज़रूरत नहीं थी; बस इतना काफ़ी था कि इंसान उसका अर्थ समझ सके। AI के आने से यह धारणा अब लागू नहीं होती।
एंटरप्राइज़ डेटा में हम यह स्थिति पहले देख चुके हैं
अगर यह बात जानी-पहचानी लगती है, तो इसकी वजह है। एक दशक पहले उद्यम डेटा को लेकर लगभग ऐसी ही चर्चा कर रहे थे। डेटा वेयरहाउस भरे हुए थे, डेटा लेक छलक रहे थे और अंततः हर सिस्टम कुछ न कुछ डेटा निर्यात कर रहा था। कागज़ पर कंपनियों के पास डेटा की भरमार थी। व्यवहार में कोई काम तेज़ी से नहीं होता था, क्योंकि व्यावसायिक उपयोगकर्ता बुनियादी सवालों के जवाब भी विश्लेषकों की मदद के बिना नहीं दे पाते थे; विश्लेषक उनके लिए अनुवादक का काम करते थे। SQL एक अवरोध बन गया था।
एंटरप्राइज़ डेटा इस आधार पर व्यवस्थित था कि सिस्टम जानकारी कैसे संग्रहित करते हैं, न कि लोग व्यवसाय के बारे में कैसे सोचते और तर्क करते हैं। पंक्तियाँ और स्तंभ थे, लेकिन अवधारणाएँ नहीं थीं। राजस्व की जानकारी तीन तालिकाओं में थी। ग्राहक का अर्थ पाँच अलग-अलग चीज़ें हो सकता था, जो इस पर निर्भर करता था कि किससे और कब पूछा गया। मेट्रिक्स पर अंतहीन बहस होती थी क्योंकि किसी ने उन्हें स्पष्ट रूप से परिभाषित नहीं किया था।
एंटरप्राइज़ डेटा में निर्णायक बदलाव तब आया जब जटिलता को स्वीकार कर उसे नियंत्रण में रखा गया। सिमैंटिक परतें इसका एक उदाहरण हैं, लेकिन वे एक व्यापक बदलाव का हिस्सा थीं। उद्यमों ने यह दिखावा करना छोड़ दिया कि कच्चा डेटा अपने आप उपयोग योग्य होता है। उन्होंने ऐसी रूपांतरण परतें बनानी शुरू कीं जो व्यवसाय की वास्तविक सोच और संचालन के अनुरूप थीं।
मेट्रिक मॉडल ने हर रिपोर्ट में गणनाओं को फिर से निकालने के बजाय उन्हें एक बार परिभाषित करके यह काम किया। राजस्व का अर्थ हर जगह एक जैसा हो गया क्योंकि किसी ने समय लगाकर उसकी परिभाषा को कोड में दर्ज किया था। डेटा मॉडल और आयामी स्कीमा ने संरचना के स्तर पर यही किया। उन्होंने परिचालन तालिकाओं को ग्राहक, उत्पाद, ऑर्डर और समय जैसी अवधारणाओं में बदल दिया। व्यावसायिक उपयोगकर्ताओं को अब यह समझने की ज़रूरत नहीं थी कि किसी बुनियादी सवाल का जवाब देने के लिए तालिकाओं को कितनी बार जोड़ना पड़ेगा। संबंध पहले से परिभाषित थे।
डेटा कैटलॉग और सुव्यवस्थित शासन के अंतर्गत प्रबंधित परिभाषाओं ने समस्या का एक और हिस्सा सुलझाया। उन्होंने उन अर्थों को दर्ज किया जो पहले केवल लोगों के दिमाग़ में होते थे। यह फ़ील्ड क्या दर्शाता है? इसका इस्तेमाल कब होना चाहिए? इसकी सीमाएँ क्या हैं? संदर्भ अब किसी सीमित समूह के पास मौजूद अनलिखा ज्ञान नहीं रहा, बल्कि सिस्टम का हिस्सा बन गया।
इन परतों ने मिलकर जटिलता को अपने भीतर संभाला और उसे इस्तेमाल करने योग्य बनाया। उन्होंने स्थिर अमूर्त रूप तैयार किए जिनसे अधिक लोग — और अधिक सिस्टम — हर बार दुनिया को शुरू से समझे बिना सही तर्क कर सकते थे। आज B2B व्यापार में ठीक यही चीज़ नहीं है।
एजेंटों द्वारा उत्पाद खोज वही पुनर्विचार करने को मजबूर कर रही है
AI एजेंटों के ज़रिए होने वाला व्यापार B2B उत्पाद डेटा को उसी कसौटी पर कस रहा है। निर्माताओं और वितरकों के पास उत्पाद जानकारी की कमी नहीं है। वे पहले से भारी मात्रा में जानकारी संग्रहित करते हैं: तकनीकी विवरण और कॉन्फ़िगरेशन से लेकर मूल्य निर्धारण के तर्क और अनुबंध संबंधी प्रतिबंधों तक।
समस्या यह है कि लगभग सारा डेटा इंसानों के लिए संरचित किया गया है। तकनीकी विवरण PDF में हैं। नियम किसी छपे हुए उत्पाद कैटलॉग में समझाए गए हैं जो कभी ऑनलाइन आया ही नहीं। अपवाद कोड में दर्ज होने के बजाय बिक्री की बैक-ऑफ़िस प्रक्रिया में अनकही समझ के रूप में मौजूद हैं। जब संदर्भ केवल बिक्री टीमों के दिमाग़ में हो, तो बहुत ज़्यादा बातें संगठन की याददाश्त पर निर्भर रह जाती हैं।
AI एजेंट PDF पर सरसरी नज़र डालकर उसका आशय नहीं समझ लेता। उसे नहीं पता कि कौन-सा वाक्य अनिवार्य प्रतिबंध है और कौन-सा बिक्री की भाषा। वह फ़ॉर्मैटिंग या लहजे से सुरक्षित रूप से नियमों का अनुमान नहीं लगा सकता। अर्थ स्पष्ट रूप से दिया न हो तो एजेंट उसे अज्ञात मानता है।
मुद्दा यह नहीं है कि असंरचित डेटा बुरा है
एक बात स्पष्ट होनी चाहिए। असंरचित डेटा दुश्मन नहीं है। वह कभी था भी नहीं।
उद्यमों के डेटा विश्लेषण में सिमैंटिक परतें आने पर असंरचित डेटा ग़ायब नहीं हुआ। उसे संरचना के ऊपर एक परत के रूप में रखा गया। संरचना नियम और संबंध संभालती थी। असंरचित सामग्री बारीकियाँ, स्पष्टीकरण और संदर्भ देती थी।
यही ढाँचा यहाँ भी लागू होता है।
एजेंटों को तर्क करने के लिए संरचना चाहिए। उन्हें स्पष्ट नियम, संबंध, प्रतिबंध और अवस्थाएँ चाहिए। उन्हें पता होना चाहिए कि क्या संगत है, किसका कॉन्फ़िगरेशन बदला जा सकता है, क्या अनुमत है और किस शर्त के तहत कोई बात लागू होती है। अकेली असंरचित सामग्री भरोसेमंद तरीके से यह सब नहीं दे सकती।
लेकिन अकेली संरचना भी काफ़ी नहीं है। एजेंट सिर्फ़ विशेषताएँ नहीं निकालते। वे विकल्पों की तुलना करते हैं और लाभ-हानि के बीच संतुलन का आकलन करते हैं। वे तय करते हैं कि कोई चीज़ क्या है और उसकी सिफ़ारिश कब करनी चाहिए।
व्याख्यात्मक विवरण वह परत है जो आशय, बाज़ार में स्थिति और उपयोग के मामलों को समझाती है। यह इस उत्पाद के मौजूद होने की जानकारी और उसे किस परिस्थिति में चुनना चाहिए, इसके बीच का अंतर है। एंटरप्राइज़ डेटा की दुनिया में यह परिभाषाओं, दस्तावेज़ों और व्यावसायिक संदर्भ के रूप में सामने आया। यहाँ यह उत्पाद-स्तरीय स्पष्टीकरण के रूप में आता है जिससे एजेंट सीख सकते हैं। संरचित उत्पाद डेटा एजेंट को बताता है कि क्या सच है, जबकि व्याख्यात्मक विवरण उसे तय करने में मदद करता है कि क्या महत्त्वपूर्ण है।
व्यापार को प्रस्तुति के लिए बेहतर बनाया गया, तर्क के लिए नहीं
यही असहज करने वाली बात है। व्यापार का बुनियादी ढाँचा वास्तव में वह छलाँग नहीं लगा पाया जो एंटरप्राइज़ डेटा ने लगाई थी। हमने बेहतर उत्पाद सूचना प्रबंधन सिस्टम यानी PIM बनाए, अधिक समृद्ध कैटलॉग बनाए और अधिक सुंदर उत्पाद पृष्ठ बनाए। लेकिन उत्पादों के लिए वास्तविक सिमैंटिक परत कभी नहीं बनाई; हमने प्रस्तुति को बेहतर बनाया।
जब तक इंसान B2B खरीद में मध्यस्थ थे, यह ठीक था। बिक्री प्रतिनिधि विशेष मामलों को समझाते थे। खरीदार अस्पष्टता स्वीकार कर लेते थे और सभी जानते थे कि सिस्टम की कमियों से कैसे निपटना है।
एजेंट इस बीच के सहारे को हटा देते हैं। B2B में दरारें तुरंत दिखने लगती हैं। कीमतें ग्राहक खाते के अनुसार बदलती हैं। उपलब्धता क्षेत्र के अनुसार बदलती है। संगतता कॉन्फ़िगरेशन पर निर्भर करती है। अनुबंध की शर्तों को सामान्य पूर्वनिर्धारित शर्तों पर प्राथमिकता मिलती है। प्राप्त अधिकार महत्त्व रखते हैं। इनमें से किसी चीज़ का सुरक्षित अनुमान नहीं लगाया जा सकता।
जब एजेंट किसी उत्पाद का मूल्यांकन करता है, तो वह अच्छी तरह लिखे विवरण से प्रभावित नहीं होता। वह जानना चाहता है कि क्या उपयुक्त है, क्या अनुमत है, क्या संगत है और आगे क्या होगा। यह जानकारी स्पष्ट न हो तो एजेंट स्पष्टीकरण नहीं माँगता; बस आगे बढ़ जाता है।
व्यापारिक कंपनियों को अब क्या करना चाहिए
यही निर्णायक मोड़ है। व्यापारिक कंपनियाँ उत्पाद डेटा को ऐसी सामग्री मानती रह सकती हैं जिसका अर्थ इंसान निकालते हैं। या उसे ऐसे बुनियादी ढाँचे के रूप में देखना शुरू कर सकती हैं जिसके आधार पर मशीनें तर्क करती हैं।
इसका मतलब है कि तकनीकी विवरण ऐसी विशेषताओं में बदलें जिनका अर्थ परिभाषित हो। संगतता को अनुच्छेदों में समझाने के बजाय संबंधों के रूप में कोड किया जाए। मूल्य निर्धारण को तर्क के रूप में व्यक्त किया जाए। प्राप्त अधिकार स्पष्ट हों। उपलब्धता को अवस्था की सटीक जानकारी के रूप में दर्शाया जाए।
यह ठीक वही बदलाव है जो उद्यमों को विश्लेषण में करना पड़ा था। जब कच्चा डेटा और तालिकाएँ काफ़ी नहीं थीं, तो अर्थ को परिभाषित करना ज़रूरी था। एक बार यह संरचित मूल मौजूद हो, तो व्याख्यात्मक विवरण AI के लिए सत्य का अकेला स्रोत नहीं रहता। वह ऐसी परत बन जाता है जो एजेंटों को वास्तविक परिस्थितियों में उस सत्य को लागू करना सिखाती है।
ऐसा करने वाले निर्माता और वितरक एजेंटों के लिए समझने योग्य बन जाएँगे। उनके उत्पादों का मूल्यांकन और उनकी सिफ़ारिश करना आसान होगा, तथा उन पर भरोसा करना भी आसान होगा। ऐसा न करने वालों के पास फिर भी डेटा होगा, लेकिन वह पुराने एंटरप्राइज़ डेटा वेयरहाउस की तरह काम करेगा: तकनीकी रूप से मौजूद, मगर व्यावहारिक रूप से अनुपयोगी।
ढाँचा पुराना है, लेकिन परिणाम नए हैं
यह सब अटकल नहीं है। हम एंटरप्राइज़ डेटा को ठीक इसी चक्र से गुज़रते देख चुके हैं। अब अंतर केवल उपयोगकर्ता का है। व्यावसायिक विश्लेषकों की जगह स्वायत्त एजेंट हैं। डैशबोर्ड की जगह सिफ़ारिशें हैं। धीमे फ़ैसलों की जगह तुरंत विकल्पों से बाहर कर दिया जाना है।
AI एजेंटों के ज़रिए होने वाला व्यापार एंटरप्राइज़ डेटा की दशकों पुरानी समस्या सामने ला रहा है। जो कंपनियाँ इसे पहचानती हैं और उत्पाद डेटा को वैसे सँभालती हैं जैसे उद्यमों ने परिचालन डेटा सँभालना सीखा था, वे जल्दी अनुकूलित हो जाएँगी। बाक़ी कंपनियाँ PDF जोड़ती रहेंगी, विवरण दोबारा लिखती रहेंगी और सोचती रहेंगी कि एजेंट उन्हें चुनते क्यों नहीं दिखते।
इतिहास दोहराया जा रहा है। इस बार मशीनें ध्यान दे रही हैं।












