Il commercio agente sta ripetendo un vecchio errore dei dati aziendali

Da molto tempo, il commercio B2B funziona sotto una semplice assunzione: gli esseri umani sfogliano. Leggono pagine di prodotti, scorrono fogli di specifiche e tollerano un linguaggio vago perché sanno come fare domande di follow-up. Quando qualcosa non è chiaro, inviano un’e-mail a un rappresentante delle vendite. Quando una regola è sepolta in una nota a piè di pagina, l’esperienza colma il divario. I dati del prodotto B2B sono evoluti interamente intorno a questo comportamento. Non hanno mai dovuto reggersi da soli; dovevano solo essere interpretabili da un essere umano. Con l’AI, quell’assunzione non è più valida.

Abbiamo già visto questo con i dati aziendali

Se questo ti sembra familiare, dovrebbe esserlo. Un decennio fa, le aziende stavano avendo una conversazione molto simile sui dati. I magazzini erano pieni, i laghi di dati traboccavano e, in ultima analisi, ogni sistema esportava qualcosa. Sulla carta, le aziende erano ricche di dati. Nella pratica, nulla si muoveva velocemente perché gli utenti aziendali non potevano rispondere a domande di base senza analisti come traduttori. SQL è diventato un collo di bottiglia. I dati aziendali erano organizzati intorno a come i sistemi memorizzavano le informazioni, non a come le persone ragionavano sull’azienda. Le righe e le colonne esistevano, ma i concetti no. Il ricavo viveva in tre tabelle. “Cliente” significava cinque cose diverse a seconda di chi chiedevi e quando. Le metriche sono state dibattute all’infinito perché nessuno le aveva definite chiaramente. La svolta nei dati aziendali è arrivata dall’accettazione della complessità e dal suo contenimento. I livelli semantici sono un esempio, ma facevano parte di un più ampio cambiamento. Le aziende hanno smesso di fingere che i dati grezzi fossero utilizzabili per default e hanno iniziato a costruire strati di traduzione che corrispondevano a come l’azienda pensava e operava effettivamente. I modelli di metriche hanno fatto questo definendo i calcoli una volta invece di ricalcarli in ogni rapporto. Il ricavo significava la stessa cosa ovunque perché qualcuno aveva preso il tempo di codificarlo. I modelli di dati e gli schemi dimensionali hanno fatto la stessa cosa strutturalmente. Hanno trasformato le tabelle operative in concetti come cliente, prodotto, ordine e tempo. Gli utenti aziendali non dovevano più capire quanti join erano necessari per rispondere a una domanda di base. Le relazioni erano già lì. I cataloghi dei dati e le definizioni governate hanno gestito un’altra parte del problema. Hanno catturato il significato che un tempo viveva nelle teste delle persone. Cosa rappresenta questo campo? Quando dovrebbe essere utilizzato? Quali sono i suoi limiti? Il contesto ha smesso di essere una conoscenza tribale e è diventato parte del sistema. Insieme, questi strati hanno assorbito la complessità e l’hanno resa operativa. Hanno creato astrazioni stabili che hanno consentito a più persone – e a più sistemi – di ragionare correttamente senza reinterpretare il mondo da scratch ogni volta. È esattamente quello che il commercio B2B sta perdendo oggi.

La scoperta guidata dall’agente sta scatenando lo stesso giudizio

Il commercio agente sta costringendo i dati del prodotto B2B a passare attraverso lo stesso test. I produttori e i distributori non sono a corto di informazioni sul prodotto. Memorizzano già enormi quantità di dati: dalle specifiche alle configurazioni alla logica dei prezzi alle limitazioni contrattuali. Il problema è che quasi tutti questi dati sono stati strutturati per gli esseri umani. Le specifiche vivono in PDF. Le regole sono spiegate in un catalogo di prodotti fisici che non è mai stato messo online. Le eccezioni sono implicite in un processo di vendita back-office, piuttosto che codificate. Troppo dipende dalla memoria istituzionale quando il contesto vive nelle teste dei team di vendita. Un agente AI non scorre un PDF e “capisce l’idea”. Non sa quale frase è una regola rigida e quale è un linguaggio di vendita. Non può inferire in modo sicuro le regole dal formato o dal tono. Se il significato non è esplicito, l’agente lo tratta come sconosciuto.

Non si tratta del fatto che i dati non strutturati siano cattivi

È importante essere chiari su una cosa. I dati non strutturati non sono il nemico. Non lo sono mai stati. Nell’analisi aziendale, i dati non strutturati non sono scomparsi quando sono apparsi i livelli semantici. Sono stati sovrapposti alla struttura. La struttura ha gestito le regole e le relazioni. Il contenuto non strutturato ha gestito la sottigliezza, la spiegazione e il contesto. Lo stesso modello si applica qui. Gli agenti hanno bisogno di struttura per ragionare. Hanno bisogno di regole esplicite, relazioni, vincoli e stati espliciti. Hanno bisogno di sapere cosa è compatibile, cosa è configurabile, cosa è consentito e in quali condizioni qualcosa si applica. Il contenuto non strutturato da solo non può fornire in modo affidabile queste informazioni. Ma la struttura da sola non è sufficiente. Gli agenti non recuperano solo attributi. Confrontano opzioni. Valutano compromessi. Decidono sia cosa sia qualcosa e quando dovrebbe essere raccomandato. La narrazione è lo strato che spiega l’intento, la posizione e i casi d’uso. È la differenza tra “il prodotto esiste” e “questo è quando dovresti sceglierlo”. Nel mondo dei dati aziendali, questo si è manifestato come definizioni, documentazione e contesto aziendale. Qui, si manifesta come una spiegazione a livello di prodotto che gli agenti possono apprendere. Mentre i dati del prodotto strutturati dicono all’agente cosa è vero, la narrazione aiuta a decidere 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 fatto realmente il balzo che ha fatto l’analisi dei dati. Abbiamo costruito PIM migliori. Abbiamo costruito cataloghi più ricchi. Abbiamo costruito pagine di prodotti più belle. Ma non abbiamo mai costruito un vero livello semantico per i prodotti; abbiamo ottimizzato per la presentazione. Finché gli esseri umani hanno mediato l’acquisto B2B, andava bene. I rappresentanti delle vendite spiegavano i casi limite. Gli acquirenti tolleravano l’ambiguità e tutti sapevano come lavorare intorno al sistema. Gli agenti rimuovono quel cuscinetto. Nel B2B, le crepe si mostrano immediatamente. I prezzi variano per account. La disponibilità cambia per regione. La compatibilità dipende dalla configurazione. I contratti annullano i valori predefiniti. Le autorizzazioni contano. Nessuna di queste informazioni è sicuramente indovinabile. Quando un agente valuta un prodotto, non è impressionato da una descrizione ben scritta. Vuole sapere cosa si adatta, cosa è consentito, cosa è compatibile e cosa succede dopo. Se queste informazioni non sono esplicite, l’agente non chiede chiarimenti; si sposta semplicemente.

Cosa le aziende di commercio devono fare ora

Questo è il punto di svolta. Le aziende di commercio possono continuare a trattare i dati del prodotto come contenuto che gli esseri umani interpretano. O possono iniziare a trattarli come infrastrutture che le macchine ragionano. Ciò significa che le specifiche devono diventare attributi con un significato definito. La compatibilità deve essere codificata come relazioni, non spiegata in paragrafi. I prezzi devono essere espressi come logica. Le autorizzazioni devono essere esplicite. La disponibilità deve essere precisa e precisa. È esattamente la stessa mossa che le aziende hanno dovuto fare con l’analisi. Quando i dati grezzi e le tabelle non sono stati sufficienti, il significato doveva essere definito. E una volta che esiste un nucleo strutturato, la narrazione smette di essere l’unica fonte di verità per l’AI e diventa lo strato che insegna agli agenti come applicare quella verità in situazioni reali. I produttori e i distributori che fanno questo diventeranno leggibili per gli agenti. I loro prodotti saranno più facili da valutare, più facili da raccomandare e più facili da fidarsi. Quelli che non lo fanno avranno ancora “dati”, ma funzioneranno come i vecchi magazzini aziendali: tecnicamente presenti, ma praticamente inutilizzabili.

Il modello è vecchio, ma le conseguenze non lo sono

Nessuna di queste affermazioni è speculativa. Abbiamo già visto i dati aziendali passare attraverso esattamente lo stesso ciclo. L’unica differenza ora è l’utente. Invece di analisti aziendali, si tratta di agenti autonomi. Invece di dashboard, si tratta di raccomandazioni. Invece di decisioni lente, si tratta di esclusione istantanea. Il commercio agente sta esponendo un vecchio problema dei dati aziendali. Le aziende che riconoscono questo – e trattano i dati del prodotto nel modo in cui le aziende hanno imparato a trattare i dati operativi – si adatteranno rapidamente. Quelli che non lo fanno continueranno ad aggiungere PDF, a riscrivere descrizioni e a chiedersi perché gli agenti non li scelgono mai. La storia si sta ripetendo. Questa volta, le macchine stanno prestando attenzione.