에이전트 커머스는 오래된 엔터프라이즈 데이터 실수를 다시 반복하고 있다

오랫동안 B2B 커머스는 간단한 가정하에 작동했다. 인간은 브라우징한다.

그들은 제품 페이지를 읽고, 사양 시트를 스캔하고, 모호한 언어를忍容한다. 왜냐하면 그들은 후속 질문을 어떻게 물어야 하는지 알고 있기 때문이다.何か가 불분명할 때, 그들은 판매 대표에게 이메일을 보낸다. 규칙이 脚注에 묻혀 있을 때, 경험은 간격을 메운다.

B2B 제품 데이터는 완전히 그 행동 주변에서 진화했다. 그것은 스스로 서 있지 않아도 되었다. 그것은 인간이 해석할 수만 있으면 되었다. AI가 나타남에 따라, 그 가정이 더 이상 유효하지 않게 되었다.

엔터프라이즈 데이터와 같은 경우

이 상황이 친숙하게 느껴진다면, 그럴 이유가 있다. 10년 전, 엔터프라이즈는 매우 유사한 대화를 데이터에 관해하고 있었다. 창고는 가득 찼고, 데이터 레이크는 넘쳐나고, 궁극적으로 모든 시스템은 무언가를 내보내고 있었다. 문서상으로, 회사들은 데이터가 풍부했다. 하지만 실제로는 비즈니스 사용자가 분석가 없이 기본적인 질문에 답할 수 없었다. SQL은 병목 현상이 되었다.

엔터프라이즈 데이터는 시스템이 정보를 저장하는 방식 주변에 조직되었지, 비즈니스에 대해 사람들이 어떻게 추론하는지 주변에 조직되지 않았다. 행과 열이 존재했지만, 개념은 존재하지 않았다. 수익은 세 개의 테이블에 살았다. “고객”은 누군가에게 물어보고 언제 물어보는지에 따라 다섯 가지 다른 것을 의미했다. 지표는 아무도 명확하게 정의하지 않았기 때문에 끝없이 논쟁되었다.

엔터프라이즈 데이터의 돌파구는 복잡성을 받아들이고 그것을 포함하는 것이었다. 시맨틱 레이어는 한 예지만, 그것은 더 넓은 변화를 위한 일부였다. 엔터프라이즈는 원시 데이터가 기본적으로 사용할 수 있다는 것을 속임으로부터 멈추고, 비즈니스 실제로 생각하고 작동하는 방식에 맞는 번역 레이어를 구축하기 시작했다.

메트릭스 모델은 계산을 한 번 정의함으로써 이를 수행했다. 수익은 모든 곳에서 같은 것을 의미했다. 왜냐하면 누군가가 그것을 인코딩하는 시간을 들였기 때문이다. 데이터 모델과 차원 스키마도 동일한 작업을 구조적으로 수행했다. 그것들은 작동 테이블을 고객, 제품, 주문, 시간과 같은 개념으로 변환했다. 비즈니스 사용자는 더 이상 기본적인 질문에 답하기 위해 필요한 조인 수를 이해할 필요가 없었다. 관계는 이미 존재했다.

데이터 카탈로그와 거버넌스 정의는 문제의 또 다른 부분을 다루었다. 그것들은 사람들이 머릿속에 가지고 있던 의미를 포착했다. 이 필드는 무엇을 나타내는가? 언제 사용해야 하는가? 그것의 제한은 무엇인가? 문맥은 더 이상 부족하지 않았다. 그것은 시스템의 일부가 되었다.

이gether, 이러한 레이어는 복잡성을 흡수하고 그것을 작동 가능하게 만들었다. 그것들은 올바르게 추론할 수 있는 더 많은 사람과 더 많은 시스템을 허용하는 안정적인 추상을 만들었다. 그것은 정확히 B2B 커머스가 오늘날 缺乏하는 것이다.

에이전트 기반 검색은 동일한 심판을触发한다

에이전트 커머스는 B2B 제품 데이터를 동일한 테스트를 거치게 한다. 제조업체와 유통업체는 제품 정보가 부족하지 않다. 이미 그것을 엄청난 양으로 저장하고 있다. 사양에서 구성 및 가격 논리 및 계약 제약까지.

문제는 거의 모든 데이터가 인간을 위해 구조화되었다는 것이다. 사양은 PDF에 살고 있다. 규칙은 온라인으로 이동하지 않은 물리적 제품 카탈로그에서 설명된다. 예외는 백오피스 판매 프로세스에서 암시된다. 너무 많은 것이 판매 팀의 머릿속에 있는 문맥에 의존한다.

AI 에이전트는 PDF를 스캔하고 “아이디어를 얻는다”고 말할 수 없다. 그것은 어떤 문장이 강한 제약이고 어떤 문장이 판매 언어인지 알 수 없다. 그것은 형식이나 톤에서 규칙을 안전하게 추론할 수 없다. 의미가 명시적이지 않으면, 에이전트는 그것을 알 수 없는 것으로 처리한다.

이것은 비정형 데이터가 나쁘다는 것이 아니다

무언가를 명확히 하자. 비정형 데이터는 적이 아니다. 그것은 결코 적이 아니었다.

엔터프라이즈 분석에서 비정형 데이터는 시맨틱 레이어가 나타났을 때 사라지지 않았다. 그것은 구조 위에 계층화되었다. 구조는 규칙과 관계를 처리했다. 비정형 콘텐츠는ニュアンス, 설명, 문맥을 처리했다.

同じ 패턴이 여기에도 적용된다.

에이전트는 추론을 위해 구조가 필요하다. 그것은 명시적인 규칙, 관계, 제약, 상태가 필요하다. 그것은 무엇이 호환되는지, 무엇이 구성 가능한지, 무엇이 허용되는지, 그리고 어떤 조건하에 무언가가 적용되는지 알아야 한다. 비정형 콘텐츠만으로는 신뢰할 수 있게 제공할 수 없다.

하지만 구조만으로는 충분하지 않다. 에이전트는 속성만을 검색하지 않는다. 그것은 옵션을 비교한다. 그것은 트레이드 오프를 평가한다. 그것은 무엇인지와 언제 추천해야 하는지에 대해 결정한다.

내러티브는 의도, 포지셔닝, 사용 사례를 설명하는 레이어이다. 그것은 “이 제품이 존재한다”와 “이 제품을 언제 선택해야 하는지”의 차이이다. 엔터프라이즈 데이터 세계에서, 이것은 정의, 문서화, 비즈니스 문맥으로 나타났다. 여기에서는 에이전트가 학습할 수 있는 제품 수준의 설명으로 나타난다. 구조화된 제품 데이터는 에이전트에게 무엇이 참인지 말해주지만, 내러티브는 무엇이 중요한지 결정하는 데 도움이 된다.

커머스는 프레젠테이션을 위해 최적화되었지, 추론을 위해 최적화되지 않았다

이것이 불편한 부분이다. 커머스 인프라는 엔터프라이즈 데이터가 한 걸음을 결코 건너뛴 적이 없다. 우리는 더好的 PIM을 구축했다. 우리는 더 풍부한 카탈로그를 구축했다. 우리는 더 아름다운 제품 페이지를 구축했다. 하지만 우리는 진정한 시맨틱 레이어를 제품에 대해 구축하지 않았다. 우리는 프레젠테이션을 위해 최적화했다.

인간이 B2B 구매를 중재하는 한, 그것은 괜찮았다. 판매 대표는 에지 케이스를 설명했다. 구매자는 모호성을忍容했고, 모두 시스템을 어떻게 작동시키는지 알았다.

에이전트는 그 버퍼를 제거한다. B2B에서, 균열은 즉시 나타난다. 가격은 계정에 따라 다르다. 가용성은 지역에 따라 변경된다. 호환성은 구성에 따라 달라진다. 계약은 기본값을 재정의한다. 자격은 중요하다. 이것은 모두 안전하게 추측할 수 없다.

에이전트가 제품을 평가할 때, 그것은 잘 작성된 설명에 감동받지 않는다. 그것은 무엇이 맞는지, 무엇이 허용되는지, 무엇이 호환되는지, 그리고 무엇이 다음에 발생하는지 알고 싶다. 그 정보가 명시적이지 않으면, 에이전트는 澄明을 요구하지 않는다. 그것은 그냥 이동한다.

커머스 회사들이 지금 해야 할 일

이것이 전환점이다. 커머스 회사들은 제품 데이터를 인간이 해석하는 콘텐츠로 계속 다룰 수 있다. 또는 그것을 기계가 추론하는 인프라로 다루기 시작할 수 있다.

그것은 사양이 정의된 의미를 가진 속성으로 변환되어야 함을 의미한다. 호환성은 문단으로 설명되는 것이 아니라 관계로 인코딩되어야 한다. 가격은 논리로 표현되어야 한다. 자격은 명시적이어야 한다. 가용성은 상태가 있고 정확해야 한다.

이것은 엔터프라이즈가 분석에서 해야 했던 동일한 이동이다. 원시 데이터와 테이블이 충분하지 않을 때, 의미가 정의되어야 했다. 그리고 구조화된 핵심이 존재하는 한, 내러티브는 에이전트가 진리를 실제 상황에서 어떻게 적용하는지 가르치는 레이어가 된다.

제조업체와 유통업체가 이것을 수행하는 경우, 그들은 에이전트에게 읽을 수 있게 될 것이다. 그들의 제품은 평가하기 쉽고, 추천하기 쉽고, 신뢰하기 쉽게 될 것이다. 그렇지 않으면, 그들은 여전히 “데이터를 가지고” 있지만, 그것은 오래된 엔터프라이즈 웨어하우스처럼 작동할 것이다. 기술적으로는 존재하지만, 실제로는 사용할 수 없다.

패턴은 오래된 것이지만, 결과는 아니다

이것은 모두 추측이 아니다. 우리는 이미 엔터프라이즈 데이터가 정확히 동일한 사이클을 거치고 있는 것을 보았다. 유일한 차이점은 사용자이다. 비즈니스 분석가가 아니라, 자율 에이전트이다. 대시보드가 아니라, 추천이다. 느린 결정이 아니라, 즉각적인 제외이다.

에이전트 커머스는 수십 년 된 엔터프라이즈 데이터 문제를 노출하고 있다. 그 문제를 인정하고 엔터프라이즈가 운영 데이터를 다루는 방식으로 제품 데이터를 다루는 회사는 빠르게 적응할 것이다. 그렇지 않으면, 그들은 계속해서 PDF를 추가하고, 설명을 다시 작성하고, 에이전트가 왜 자신을 선택하지 않는지 궁금해할 것이다.

역사는 자신을 반복하고 있다. 이번에는 기계가 주의를 기울이고 있다.