ソートリーダー
エージェント型コマースは、企業データの古い過ちを繰り返している

要点エージェンシック・コマースは、人間が読めるコンテンツだけでなく、機械が推論可能な構造化された製品データを要求します。
もっと見る
- エージェンシック・コマースは、人間が読めるコンテンツだけでなく、機械が推論可能な構造化された製品データを要求します。
- B2Bコマースは、ルール、関係性、制約を明示的にコード化した意味的製品レイヤーを構築しなければなりません。
- 製品データをインフラとして扱う企業は、AIエージェントにとって認識可能となり、優位性を獲得するでしょう。
長い間、B2Bコマースは「人間が情報を閲覧する」という単純な前提で成り立っていました。
人間は製品ページを読み、仕様書に目を通し、曖昧な表現も受け入れます。追加で質問する方法を知っているからです。不明点があれば営業担当者にメールを送り、ルールが脚注に埋もれていても、経験で不足を補います。
B2Bの製品データは、こうした行動を前提として発展してきました。データだけで完結する必要はなく、人間が解釈できればよかったのです。しかし、AIの登場によって、その前提はもはや通用しなくなりました。
企業データでも、同じ問題を経験してきた
この話に聞き覚えがあるなら、それも当然です。10年前、企業はデータについて非常によく似た議論をしていました。データウェアハウスは満杯で、データレイクはあふれ、結局どのシステムも何らかのデータを出力していました。表面上、企業には豊富なデータがありました。しかし実際には、業務ユーザーはアナリストに通訳してもらわなければ基本的な疑問にさえ答えられず、物事は迅速に進みませんでした。SQLがボトルネックになっていたのです。
企業データは、人々がビジネスをどう捉えて考えるかではなく、システムが情報をどう保存するかに合わせて整理されていました。行と列はあっても、概念はありませんでした。売上の情報は3つのテーブルに分散していました。「顧客」の意味は、誰にいつ尋ねるかによって5通りもありました。指標が明確に定義されていなかったため、その解釈を巡る議論は終わりませんでした。
企業データの転機は、複雑さを受け入れ、それを制御するようになったことでした。セマンティックレイヤーはその一例ですが、より大きな変化の一部でした。企業は、生データがそのままで使えるかのように扱うのをやめ、事業の実際の考え方や運営方法に合った変換レイヤーを構築し始めました。
指標モデルでは、レポートごとに計算方法を導き直すのではなく、一度定義することでこれを実現しました。誰かが時間をかけて定義をコードに落とし込んだため、売上はどこでも同じ意味を持つようになりました。データモデルとディメンショナルスキーマも、構造の面で同じ役割を果たしました。業務用のテーブルを、顧客、製品、注文、時間といった概念へと変えたのです。業務ユーザーは、基本的な質問に答えるために何回テーブルを結合する必要があるかを理解しなくてもよくなりました。必要な関係が、すでに定義されていたからです。
データカタログと管理された定義は、問題の別の部分を解決しました。それまで人の頭の中にしかなかった意味を記録したのです。このフィールドは何を表すのか。いつ使うべきなのか。どのような制約があるのか。文脈は一部の人々だけが知る暗黙知ではなく、システムの一部になりました。
これらのレイヤーは一体となって複雑さを吸収し、扱えるものにしました。安定した抽象化を用意することで、より多くの人やシステムが、毎回世界を一から解釈し直すことなく正しく推論できるようになりました。まさにこれが、今のB2Bコマースに欠けているものです。
エージェント主導の製品探索が、同じ見直しを迫っている
AIエージェントが担うコマースは、B2B製品データを同じ試練にさらしています。メーカーや流通業者に製品情報が不足しているわけではありません。仕様、構成、価格設定のロジック、契約上の制約まで、すでに膨大な情報を保存しています。
問題は、そのほぼすべてが人間向けに構造化されていることです。仕様はPDFにあり、ルールはオンライン化されていない紙の製品カタログで説明されています。例外はコード化されず、販売のバックオフィス業務の中で暗黙の前提になっています。文脈が営業チームの頭の中にあるため、組織の記憶に頼りすぎているのです。
AIエージェントは、PDFをざっと読んで大意をつかむわけではありません。どの文が必ず守るべき制約で、どれが営業上の表現なのかを知りません。書式や語調から安全にルールを推測することもできません。意味が明示されていなければ、エージェントはそれを不明として扱います。
非構造化データが悪いわけではない
ここで明確にしておくべきことがあります。非構造化データは敵ではありません。これまでもそうでした。
企業の分析業務では、セマンティックレイヤーの登場によって非構造化データが消えたわけではありません。構造の上に重ねられました。構造はルールと関係を担い、非構造化コンテンツはニュアンス、説明、文脈を担いました。
ここでも同じパターンが当てはまります。
エージェントが推論するには構造が必要です。明示的なルール、関係、制約、状態が必要です。何と何が互換なのか、何を構成変更できるのか、何が許可されているのか、どの条件で適用されるのかを把握しなければなりません。非構造化コンテンツだけでは、これらを確実に伝えられません。
しかし、構造だけでも十分ではありません。エージェントは属性を取得するだけではなく、選択肢を比較し、トレードオフを評価します。対象が何であるかだけでなく、いつ推奨すべきかも判断します。
説明的な記述は、意図、位置付け、用途を伝えるレイヤーです。「この製品が存在する」と「こういうときに、この製品を選ぶべきだ」の違いを生みます。企業データの世界では、それは定義、ドキュメント、ビジネス上の文脈という形で現れました。ここでは、エージェントが学べる製品単位の説明として現れます。構造化された製品データが何が事実かを伝える一方、説明的な記述は何が重要かを判断する助けになります。
コマースは推論ではなく、見せ方に最適化されてきた
ここが、直視しづらい点です。コマースのインフラは、企業データが遂げたような飛躍を実際には果たしませんでした。私たちは、より優れた製品情報管理システム(PIM)、より充実したカタログ、より美しい製品ページを作りました。しかし、製品の真のセマンティックレイヤーは作らず、見せ方に最適化してきたのです。
人間がB2Bの購買を仲介する間は、それで問題ありませんでした。営業担当者が特殊なケースを説明し、買い手は曖昧さを許容し、誰もがシステムの不足を補う方法を知っていました。
エージェントは、その緩衝材を取り除きます。B2Bでは、綻びがすぐに表れます。価格は顧客アカウントによって変わり、提供可能性は地域によって変わります。互換性は構成に左右され、契約は既定条件に優先します。権利や利用資格も重要です。どれも安全に推測できることではありません。
エージェントは、製品を評価するとき、うまく書かれた説明に感心するわけではありません。何が適しているのか、何が許されているのか、何に互換性があるのか、その次に何が起きるのかを知ろうとします。その情報が明示されていなければ、確認を求めるのではなく、単に次へ進みます。
コマース企業が今、取り組むべきこと
今が転換点です。コマース企業は、製品データを人間が解釈するコンテンツとして扱い続けることも、機械が推論するためのインフラとして扱い始めることもできます。
つまり、仕様を意味が定義された属性に変える必要があります。互換性は文章で説明するのではなく、関係としてコード化する必要があります。価格設定はロジックとして表し、権利や利用資格は明示しなければなりません。提供可能性は、正確な状態情報として表す必要があります。
これは、企業が分析業務で迫られたのとまったく同じ変化です。生データやテーブルだけでは足りず、意味を定義しなければなりませんでした。そして構造化された中核ができれば、説明的な記述はAIにとって唯一の事実の拠り所ではなくなり、その事実を実際の状況でどう適用するかをエージェントに教えるレイヤーになります。
これに取り組むメーカーや流通業者は、エージェントに理解されるようになります。その製品は評価しやすく、推奨しやすく、信頼しやすくなります。取り組まない企業も、依然としてデータは持っているでしょう。しかし、そのデータは古い企業のデータウェアハウスと同様、技術的には存在しても、実際には使えないものになります。
パターンは古くても、結果は新しい
これは憶測ではありません。企業データがまったく同じサイクルをたどるのを、すでに見てきました。今、唯一違うのは利用者です。業務アナリストに代わって自律型エージェントが使います。ダッシュボードに代わって推奨が生まれます。意思決定が遅れる代わりに、即座に候補から除外されます。
AIエージェントが担うコマースは、数十年前からある企業データの問題を浮き彫りにしています。そのことに気付き、企業が業務データの扱い方を学んだのと同じように製品データを扱う企業は、迅速に適応するでしょう。そうでない企業は、PDFを増やし、説明を書き直しながら、なぜエージェントが自社を選んでくれないのかと考え続けることになります。
歴史は繰り返しています。今回は、機械が注目しているのです。












