Il commercio agente sta ripetendo un vecchio errore dei dati aziendali

Per molto tempo, il commercio B2B ha funzionato sotto una semplice ipotesi: gli esseri umani sfogliano.

Leggono pagine di prodotti, scorrono fogli di specifiche e tollerano un linguaggio vago perché sanno come porre 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 riempie il divario.

I dati dei prodotti B2B sono evoluti interamente intorno a quel comportamento. Non hanno mai dovuto reggersi da soli; dovevano solo essere interpretabili da un essere umano. Con l’AI, quell’ipotesi non è più valida.

Abbiamo già visto tutto questo con i dati aziendali

Se questo vi 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 intorno 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 chiedeva e quando. Le metriche venivano discusse all’infinito perché nessuno le aveva definite chiaramente.

La svolta nei dati aziendali è arrivata dall’accettare la complessità e controllarla. I livelli semantici sono un esempio, ma facevano parte di un cambiamento più ampio. 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 veramente.

I modelli di metriche hanno fatto questo definendo i calcoli una volta invece di ricalcolarli in ogni report. 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 di dati e le definizioni gestite hanno gestito un’altra parte del problema. Hanno catturato il significato che un tempo viveva nelle teste delle persone. Cosa rappresenta questo campo? Quando deve essere utilizzato? Quali sono i suoi limiti? Il contesto ha smesso di essere una conoscenza tribale e si è trasformato in parte del sistema.

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

La scoperta guidata da agenti sta scatenando lo stesso riequilibrio

Il commercio agente sta costringendo i dati dei prodotti B2B a passare attraverso lo stesso test. I produttori e i distributori non sono a corto di informazioni sui prodotti. Memorizzano già enormi quantità di dati: dalle specifiche alle configurazioni alla logica dei prezzi alle restrizioni 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 nella testa dei team di vendita.

Un agente AI non scorre un PDF e “capisce l’idea”. Non sa quale frase è una regola vincolante e quale è un linguaggio di vendita. Non può inferire in modo sicuro le regole dalla formattazione o dal tono. Se il significato non è esplicito, l’agente lo tratta come sconosciuto.

Non si tratta di dati non strutturati che sono 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 sfumatura, 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. 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 quella struttura.

Ma la struttura da sola non è sufficiente. Gli agenti non recuperano solo attributi. Confrontano opzioni. Valutano compromessi. Decidono sia cosa qualcosa sia e quando dovrebbe essere raccomandato.

La narrazione è lo strato che spiega l’intento, la posizione e gli utilizzi. È la differenza tra “questo 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 dei prodotti 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 realmente fatto il salto 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 cose 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 quelle informazioni non sono esplicite, l’agente non chiede chiarimenti; si limita a passare oltre.

Cosa devono fare le aziende di commercio adesso

Questo è il punto di svolta. Le aziende di commercio possono continuare a trattare i dati dei prodotti come contenuti che gli esseri umani interpretano. Oppure possono iniziare a trattarli come infrastrutture che le macchine ragionano su.

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 statale e precisa.

Questo è esattamente lo stesso passo che le aziende hanno dovuto fare con l’analisi. Quando i dati grezzi e le tabelle non erano sufficienti, il significato doveva essere definito. E una volta che esiste un nucleo strutturato, la narrazione smette di essere l’unico 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 faranno 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 cose è speculativa. Abbiamo già visto i dati aziendali passare attraverso questo ciclo esatto. La sola 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 problema di dati aziendali vecchio di decenni. Le aziende che riconoscono questo – e trattano i dati dei prodotti nel modo in cui le aziende hanno imparato a trattare i dati operativi – si adatteranno rapidamente. Quelle che non lo faranno continueranno ad aggiungere PDF, a riscrivere descrizioni e a chiedersi perché gli agenti non sembrano mai sceglierle.

La storia si sta ripetendo. Questa volta, le macchine stanno prestando attenzione.

anies che riconoscono che — e trattano i dati dei prodotti nel modo in cui le aziende hanno imparato a trattare i dati operativi — si adatteranno rapidamente. Quelli che non lo faranno continueranno ad aggiungere PDF, a riscrivere descrizioni e a chiedersi perché gli agenti non sembrano mai sceglierle. La storia si sta ripetendo. Questa volta, le macchine stanno prestando attenzione.