Pemimpin pemikiran

Perdagangan oleh agen AI mengulangi kesalahan lama dalam data perusahaan

Bryan House
Tambahkan Unite.AI ke sumber pilihan Anda di Google
Poin utamaPerdagangan agen membutuhkan data produk terstruktur yang dapat diproses mesin, bukan…
Lihat selengkapnya
  • Perdagangan agen membutuhkan data produk terstruktur yang dapat diproses mesin, bukan hanya konten yang dapat dibaca manusia.
  • Perdagangan B2B harus membangun lapisan produk semantik yang secara eksplisit mengkodekan aturan, hubungan, dan batasan.
  • Perusahaan yang memperlakukan data produk sebagai infrastruktur akan menjadi terbaca oleh agen AI dan mendapatkan keunggulan.

Untuk waktu yang lama, perdagangan B2B berjalan dengan asumsi sederhana: manusialah yang menelusuri informasi.

Mereka membaca halaman produk, meninjau sekilas lembar spesifikasi, dan menoleransi bahasa yang samar karena tahu cara mengajukan pertanyaan lanjutan. Jika ada yang tidak jelas, mereka mengirim email kepada staf penjualan. Jika suatu aturan tersembunyi dalam catatan kaki, pengalaman mengisi kekosongannya.

Data produk B2B berkembang sepenuhnya mengikuti perilaku tersebut. Data tidak pernah harus memadai dengan sendirinya; cukup bisa ditafsirkan oleh manusia. Dengan hadirnya AI, asumsi itu tidak lagi berlaku.

Kita pernah menghadapi hal serupa dalam data perusahaan

Jika ini terasa familier, ada alasannya. Satu dekade lalu, perusahaan membahas persoalan data yang sangat mirip. Gudang data penuh, danau data meluap, dan pada akhirnya setiap sistem mengekspor sesuatu. Di atas kertas, perusahaan kaya akan data. Dalam praktiknya, tidak ada yang bergerak cepat karena pengguna bisnis tidak bisa menjawab pertanyaan mendasar tanpa analis sebagai penerjemah. SQL menjadi hambatan.

Data perusahaan disusun berdasarkan cara sistem menyimpan informasi, bukan cara orang menalar tentang bisnis. Ada baris dan kolom, tetapi tidak ada konsep. Informasi pendapatan berada dalam tiga tabel. Pelanggan memiliki lima makna berbeda, tergantung siapa yang ditanya dan kapan. Metrik diperdebatkan tanpa henti karena belum ada yang mendefinisikannya dengan jelas.

Terobosan dalam data perusahaan muncul ketika kompleksitas diterima dan dikendalikan. Lapisan semantik adalah salah satu contohnya, tetapi merupakan bagian dari perubahan yang lebih luas. Perusahaan berhenti berpura-pura bahwa data mentah otomatis siap digunakan dan mulai membangun lapisan penerjemah yang selaras dengan cara bisnis sebenarnya berpikir dan beroperasi.

Model metrik melakukannya dengan mendefinisikan perhitungan sekali, alih-alih menurunkannya kembali dalam setiap laporan. Pendapatan memiliki arti yang sama di mana pun karena seseorang meluangkan waktu untuk mengodekan definisinya. Model data dan skema dimensional melakukan hal serupa secara struktural. Keduanya mengubah tabel operasional menjadi konsep seperti pelanggan, produk, pesanan, dan waktu. Pengguna bisnis tidak perlu lagi memahami berapa banyak operasi penggabungan tabel yang diperlukan untuk menjawab pertanyaan mendasar. Hubungannya sudah ditetapkan.

Katalog data dan definisi yang dikelola melalui tata kelola menangani bagian lain dari masalah. Keduanya merekam makna yang sebelumnya hanya ada dalam pikiran orang. Apa yang diwakili kolom ini? Kapan sebaiknya digunakan? Apa keterbatasannya? Konteks tidak lagi menjadi pengetahuan informal yang hanya dimiliki kelompok tertentu, tetapi menjadi bagian dari sistem.

Bersama-sama, lapisan ini menyerap kompleksitas dan membuatnya bisa dikelola serta digunakan. Lapisan tersebut menciptakan abstraksi stabil yang memungkinkan lebih banyak orang — dan lebih banyak sistem — bernalar dengan benar tanpa harus menafsirkan ulang dunia dari awal setiap kali. Itulah yang belum dimiliki perdagangan B2B saat ini.

Penemuan produk oleh agen memicu peninjauan ulang yang sama

Perdagangan yang dijalankan agen AI menguji data produk B2B dengan cara yang sama. Produsen dan distributor tidak kekurangan informasi produk. Mereka sudah menyimpan informasi dalam jumlah sangat besar, mulai dari spesifikasi dan konfigurasi hingga logika penetapan harga dan batasan kontrak.

Masalahnya, hampir semua data ini disusun untuk manusia. Spesifikasi tersimpan dalam PDF. Aturan dijelaskan dalam katalog produk cetak yang tidak pernah dipublikasikan secara daring. Pengecualian hanya tersirat dalam proses administrasi penjualan, bukan dikodekan. Terlalu banyak hal bergantung pada ingatan organisasi ketika konteks hanya ada dalam pikiran tim penjualan.

Agen AI tidak sekadar membaca sekilas PDF lalu memahami maksud umumnya. Agen tidak tahu kalimat mana yang merupakan batasan mutlak dan mana yang sekadar bahasa penjualan. Agen tidak bisa menyimpulkan aturan secara aman dari format atau nada bahasa. Jika maknanya tidak dinyatakan secara eksplisit, agen menganggapnya belum diketahui.

Bukan berarti data tidak terstruktur itu buruk

Satu hal perlu diperjelas. Data tidak terstruktur bukanlah musuh. Tidak pernah demikian.

Dalam analitik perusahaan, data tidak terstruktur tidak menghilang ketika lapisan semantik muncul. Data tersebut ditempatkan sebagai lapisan di atas struktur. Struktur menangani aturan dan hubungan, sementara konten tidak terstruktur menangani nuansa, penjelasan, dan konteks.

Pola yang sama berlaku di sini.

Agen membutuhkan struktur untuk bernalar. Agen memerlukan aturan, hubungan, batasan, dan status yang eksplisit. Agen perlu mengetahui apa yang kompatibel, apa yang bisa dikonfigurasi, apa yang diizinkan, dan dalam kondisi apa sesuatu berlaku. Konten tidak terstruktur saja tidak bisa memberikan semua itu secara andal.

Namun, struktur saja juga tidak cukup. Agen tidak hanya mengambil atribut, tetapi membandingkan pilihan dan menilai kompromi. Agen menentukan apa sesuatu itu sekaligus kapan sebaiknya direkomendasikan.

Narasi penjelas adalah lapisan yang menjelaskan maksud, posisi produk, dan kasus penggunaan. Inilah perbedaan antara pernyataan bahwa produk ini ada dan penjelasan kapan produk itu sebaiknya dipilih. Dalam dunia data perusahaan, hal tersebut muncul sebagai definisi, dokumentasi, dan konteks bisnis. Di sini, bentuknya adalah penjelasan pada tingkat produk yang bisa dipelajari agen. Data produk terstruktur memberi tahu agen apa yang benar, sedangkan narasi penjelas membantunya menentukan apa yang penting.

Perdagangan dioptimalkan untuk penyajian, bukan penalaran

Inilah bagian yang tidak nyaman. Infrastruktur perdagangan tidak benar-benar melakukan lompatan seperti yang terjadi pada data perusahaan. Kita membangun sistem pengelolaan informasi produk atau PIM yang lebih baik, katalog yang lebih kaya, dan halaman produk yang lebih menarik. Namun, kita tidak pernah membangun lapisan semantik yang sesungguhnya untuk produk; kita mengoptimalkan penyajiannya.

Selama manusia menjadi perantara dalam pembelian B2B, hal itu tidak menjadi masalah. Staf penjualan menjelaskan kasus khusus. Pembeli menoleransi ambiguitas, dan semua orang tahu cara menyiasati keterbatasan sistem.

Agen menghilangkan penyangga itu. Dalam B2B, celah langsung terlihat. Harga berbeda menurut akun pelanggan. Ketersediaan berubah menurut wilayah. Kompatibilitas bergantung pada konfigurasi. Ketentuan kontrak didahulukan daripada ketentuan bawaan. Hak yang diberikan juga penting. Tidak satu pun dari semua ini bisa ditebak secara aman.

Saat mengevaluasi produk, agen tidak terkesan oleh deskripsi yang ditulis dengan baik. Agen ingin tahu apa yang sesuai, apa yang diizinkan, apa yang kompatibel, dan apa yang terjadi selanjutnya. Jika informasi tersebut tidak eksplisit, agen tidak meminta klarifikasi, melainkan langsung beralih.

Apa yang perlu dilakukan perusahaan perdagangan sekarang

Inilah titik baliknya. Perusahaan perdagangan dapat terus memperlakukan data produk sebagai konten yang ditafsirkan manusia. Atau mereka dapat mulai memperlakukannya sebagai infrastruktur yang menjadi dasar mesin untuk bernalar.

Artinya, spesifikasi perlu menjadi atribut dengan makna yang didefinisikan. Kompatibilitas harus dikodekan sebagai hubungan, bukan dijelaskan dalam paragraf. Penetapan harga harus dinyatakan sebagai logika. Hak yang diberikan harus eksplisit. Ketersediaan harus direpresentasikan sebagai informasi status yang tepat.

Inilah perubahan yang sama persis dengan yang harus dilakukan perusahaan dalam analitik. Ketika data mentah dan tabel tidak cukup, makna harus didefinisikan. Begitu inti yang terstruktur itu ada, narasi penjelas tidak lagi menjadi satu-satunya sumber kebenaran bagi AI, melainkan lapisan yang mengajarkan agen menerapkan kebenaran tersebut dalam situasi nyata.

Produsen dan distributor yang melakukan ini akan menjadi dapat dipahami oleh agen. Produk mereka akan lebih mudah dievaluasi, direkomendasikan, dan dipercaya. Mereka yang tidak melakukannya tetap memiliki data, tetapi data itu akan berfungsi seperti gudang data perusahaan lama: secara teknis ada, tetapi praktis tidak bisa digunakan.

Polanya lama, tetapi konsekuensinya baru

Tidak ada yang spekulatif di sini. Kita sudah menyaksikan data perusahaan melewati siklus yang persis sama. Satu-satunya perbedaan sekarang adalah penggunanya. Bukan lagi analis bisnis, melainkan agen otonom. Bukan lagi dasbor, melainkan rekomendasi. Bukan lagi keputusan lambat, melainkan langsung dikeluarkan dari pilihan.

Perdagangan yang dijalankan agen AI mengungkap persoalan data perusahaan yang sudah berusia puluhan tahun. Perusahaan yang menyadarinya dan memperlakukan data produk seperti cara perusahaan belajar memperlakukan data operasional akan beradaptasi dengan cepat. Perusahaan lain akan terus menambahkan PDF, menulis ulang deskripsi, dan bertanya-tanya mengapa agen tampaknya tidak pernah memilih mereka.

Sejarah berulang. Kali ini, mesin yang memperhatikan.

Bryan adalah CEO di Elastic Path, di mana ia memimpin GTM, keberhasilan pelanggan, layanan global, dan tim produk. Sebelumnya, Bryan adalah direktur komersial di Neural Magic (diakuisisi oleh Red Hat), sebuah perusahaan rintisan perangkat lunak pembelajaran mendalam di mana ia menjalankan Produk, GTM, dan Keberhasilan Pelanggan.