Leader di pensiero

Il commercio basato su agenti AI ripete un vecchio errore nei dati aziendali

Bryan House
Aggiungi Unite.AI alle tue fonti preferite su Google
Punti chiaveIl commercio agentivo richiede dati di prodotto strutturati su cui le macchine possano…
Vedi di più
  • Il commercio agentivo richiede dati di prodotto strutturati su cui le macchine possano ragionare, non solo contenuti leggibili dall'uomo.
  • Il commercio B2B deve costruire livelli semantici di prodotto che codifichino esplicitamente regole, relazioni e vincoli.
  • Le aziende che trattano i dati di prodotto come infrastruttura diventeranno leggibili per gli agenti IA e guadagneranno un vantaggio.

Per molto tempo il commercio B2B si è basato su un presupposto semplice: sono le persone a consultare le informazioni.

Leggono le pagine dei prodotti, scorrono le schede tecniche e tollerano formulazioni vaghe perché sanno porre domande di approfondimento. Quando qualcosa non è chiaro, scrivono a un commerciale. Quando una regola è nascosta in una nota a piè di pagina, l’esperienza colma la lacuna.

I dati di prodotto B2B si sono evoluti interamente attorno a questo comportamento. Non dovevano mai essere sufficienti da soli: bastava che una persona potesse interpretarli. Con l’AI, questo presupposto non è più valido.

Con i dati aziendali ci siamo già passati

Se tutto questo suona familiare, c’è un motivo. Dieci anni fa le imprese discutevano di dati in termini molto simili. I data warehouse erano pieni, i data lake traboccavano e, alla fine, ogni sistema esportava qualcosa. Sulla carta, le aziende erano ricche di dati. Nella pratica, nulla procedeva rapidamente, perché gli utenti di business non riuscivano a rispondere a domande elementari senza analisti che facessero da interpreti. SQL era diventato un collo di bottiglia.

I dati aziendali erano organizzati in base a come i sistemi memorizzavano le informazioni, non a come le persone ragionavano sul business. C’erano righe e colonne, ma mancavano i concetti. I ricavi si trovavano in tre tabelle. Cliente significava cinque cose diverse a seconda di chi veniva interpellato e di quando. Sulle metriche si discuteva all’infinito, perché nessuno le aveva definite chiaramente.

La svolta nei dati aziendali è arrivata accettando la complessità e tenendola sotto controllo. I livelli semantici ne sono un esempio, ma facevano parte di un cambiamento più ampio. Le imprese hanno smesso di fingere che i dati grezzi fossero utilizzabili di per sé e hanno iniziato a costruire livelli di traduzione coerenti con il modo in cui il business ragionava e operava realmente.

I modelli delle metriche lo hanno fatto definendo i calcoli una volta sola, invece di ricavarli nuovamente in ogni report. I ricavi assumevano lo stesso significato ovunque perché qualcuno aveva dedicato tempo a codificarne la definizione. I modelli di dati e gli schemi dimensionali hanno fatto lo stesso sul piano strutturale. Hanno trasformato le tabelle operative in concetti come cliente, prodotto, ordine e tempo. Gli utenti di business non dovevano più capire quante operazioni di join fossero necessarie per rispondere a una domanda elementare. Le relazioni erano già definite.

I cataloghi di dati e le definizioni soggette a governance hanno affrontato un’altra parte del problema. Hanno registrato significati che prima esistevano soltanto nella mente delle persone. Che cosa rappresenta questo campo? Quando va usato? Quali limiti ha? Il contesto ha smesso di essere un sapere informale riservato a pochi ed è diventato parte del sistema.

Insieme, questi livelli hanno assorbito la complessità e l’hanno resa gestibile. Hanno creato astrazioni stabili che consentivano a più persone — e a più sistemi — di ragionare correttamente senza reinterpretare ogni volta il mondo da zero. È esattamente ciò che manca oggi al commercio B2B.

La ricerca di prodotti guidata dagli agenti impone lo stesso riesame

Il commercio basato su agenti AI sottopone i dati di prodotto B2B alla stessa prova. Produttori e distributori non sono a corto di informazioni sui prodotti. Ne conservano già quantità enormi: dalle specifiche alle configurazioni, dalla logica di determinazione dei prezzi ai vincoli contrattuali.

Il problema è che quasi tutti questi dati sono stati strutturati per le persone. Le specifiche sono nei PDF. Le regole sono spiegate in un catalogo cartaceo mai pubblicato online. Le eccezioni sono implicite nei processi amministrativi della vendita, anziché codificate. Quando il contesto esiste solo nella mente dei team commerciali, troppo dipende dalla memoria dell’organizzazione.

Un agente AI non scorre un PDF per coglierne il senso generale. Non sa quale frase esprima un vincolo inderogabile e quale sia linguaggio commerciale. Non può dedurre in sicurezza regole dalla formattazione o dal tono. Se il significato non è esplicito, l’agente lo considera sconosciuto.

Il problema non è che i dati non strutturati siano sbagliati

Un punto va chiarito: i dati non strutturati non sono il nemico. Non lo sono mai stati.

Nell’analisi aziendale, i dati non strutturati non sono scomparsi con l’arrivo dei livelli semantici. Sono stati aggiunti come livello sopra la struttura. La struttura gestiva regole e relazioni. I contenuti non strutturati fornivano sfumature, spiegazioni e contesto.

Lo stesso schema vale qui.

Gli agenti hanno bisogno di struttura per ragionare. Servono regole, relazioni, vincoli e stati espliciti. Devono sapere che cosa è compatibile, che cosa è configurabile, che cosa è consentito e a quali condizioni si applica qualcosa. I soli contenuti non strutturati non possono fornire tutto questo in modo affidabile.

Ma nemmeno la sola struttura è sufficiente. Gli agenti non si limitano a recuperare attributi: confrontano alternative e valutano compromessi. Determinano sia che cosa sia un prodotto, sia quando vada consigliato.

La narrazione esplicativa è il livello che chiarisce intento, posizionamento e casi d’uso. È la differenza tra dire che un prodotto esiste e spiegare quando sceglierlo. Nel mondo dei dati aziendali, questo prendeva la forma di definizioni, documentazione e contesto di business. Qui prende la forma di spiegazioni a livello di prodotto da cui gli agenti possono imparare. Mentre i dati di prodotto strutturati indicano all’agente che cosa è vero, la narrazione lo aiuta a decidere che cosa conta.

Il commercio è stato ottimizzato per la presentazione, non per il ragionamento

Questa è la parte scomoda. L’infrastruttura del commercio non ha mai compiuto davvero il salto fatto dai dati aziendali. Abbiamo costruito sistemi migliori di gestione delle informazioni di prodotto, i PIM, cataloghi più ricchi e pagine prodotto più belle. Ma non abbiamo mai costruito un vero livello semantico per i prodotti: abbiamo ottimizzato la presentazione.

Finché erano le persone a mediare gli acquisti B2B, andava bene. I commerciali spiegavano i casi particolari. Gli acquirenti tolleravano l’ambiguità e tutti sapevano come aggirare le carenze del sistema.

Gli agenti eliminano questo cuscinetto. Nel B2B le crepe emergono subito. I prezzi variano in base all’account del cliente. La disponibilità cambia per regione. La compatibilità dipende dalla configurazione. I contratti prevalgono sulle condizioni predefinite. I diritti concessi contano. Nessuna di queste cose si può indovinare in sicurezza.

Quando un agente valuta un prodotto, non si lascia impressionare da una descrizione ben scritta. Vuole sapere che cosa è adatto, che cosa è consentito, che cosa è compatibile e che cosa succede dopo. Se queste informazioni non sono esplicite, non chiede chiarimenti: passa oltre.

Che cosa devono fare ora le imprese commerciali

Questo è il punto di svolta. Le imprese commerciali possono continuare a trattare i dati di prodotto come contenuti interpretati dalle persone. Oppure possono iniziare a considerarli un’infrastruttura su cui le macchine basano il proprio ragionamento.

Ciò significa che le specifiche devono diventare attributi dal significato definito. La compatibilità va codificata sotto forma di relazioni, non spiegata in paragrafi. La determinazione dei prezzi va espressa come logica. I diritti concessi devono essere espliciti. La disponibilità deve essere rappresentata attraverso informazioni di stato precise.

È esattamente il cambiamento che le imprese hanno dovuto affrontare nell’analisi dei dati. Quando dati grezzi e tabelle non bastavano, era necessario definire il significato. Una volta creato questo nucleo strutturato, la narrazione cessa di essere l’unica fonte di verità per l’AI e diventa il livello che insegna agli agenti ad applicare quella verità nelle situazioni reali.

I produttori e i distributori che lo faranno diventeranno comprensibili agli agenti. I loro prodotti saranno più facili da valutare e da consigliare, e sarà più facile fidarsi di essi. Gli altri continueranno ad avere dati, ma questi funzioneranno come i vecchi data warehouse aziendali: tecnicamente presenti, praticamente inutilizzabili.

Lo schema è vecchio, ma le conseguenze sono nuove

Nulla di tutto questo è una speculazione. Abbiamo già visto i dati aziendali attraversare esattamente questo ciclo. Ora l’unica differenza è l’utente. Al posto degli analisti di business ci sono agenti autonomi. Al posto delle dashboard ci sono raccomandazioni. Al posto di decisioni lente c’è l’esclusione immediata.

Il commercio basato su agenti AI mette in luce un problema dei dati aziendali vecchio di decenni. Le imprese che lo riconoscono e trattano i dati di prodotto come hanno imparato a trattare quelli operativi si adatteranno rapidamente. Le altre continueranno ad aggiungere PDF, riscrivere descrizioni e chiedersi perché gli agenti sembrino non sceglierle mai.

La storia si ripete. Questa volta, sono le macchine a prestare attenzione.

Bryan è l'amministratore delegato di Elastic Path, dove guida il GTM, il customer success, i servizi globali e i team di prodotto. In precedenza, Bryan era il direttore commerciale di Neural Magic (acquisita da Red Hat), una startup di software di apprendimento profondo dove ha gestito il prodotto, il GTM e il customer success.