Thought leaders

Handel door AI-agents herhaalt een oude fout met bedrijfsdata

Bryan House
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Belangrijkste puntenAgentic commerce vereist gestructureerde productdata waar machines over kunnen…
Meer weergeven
  • Agentic commerce vereist gestructureerde productdata waar machines over kunnen redeneren, niet alleen voor mensen leesbare inhoud.
  • B2B-commerce moet semantische productlagen opbouwen die regels, relaties en beperkingen expliciet coderen.
  • Bedrijven die productdata als infrastructuur behandelen, worden herkenbaar voor AI-agenten en behalen een voordeel.

Lange tijd werkte B2B-handel vanuit een eenvoudige aanname: mensen bladeren door informatie.

Ze lezen productpagina’s, nemen specificatiebladen vluchtig door en accepteren vage formuleringen omdat ze weten hoe ze vervolgvragen moeten stellen. Als iets onduidelijk is, mailen ze een verkoper. Als een regel in een voetnoot verstopt zit, vult ervaring de leemte op.

B2B-productgegevens zijn volledig rond dat gedrag ontwikkeld. Ze hoefden nooit op zichzelf voldoende te zijn; een mens moest ze alleen kunnen interpreteren. Met AI gaat die aanname niet meer op.

We hebben dit eerder meegemaakt met bedrijfsdata

Als dit bekend klinkt, is dat niet vreemd. Tien jaar geleden voerden ondernemingen een zeer vergelijkbaar gesprek over data. Datawarehouses zaten vol, datalakes stroomden over en uiteindelijk exporteerde elk systeem wel iets. Op papier waren bedrijven rijk aan data. In de praktijk ging niets snel, omdat gebruikers uit de bedrijfsvoering geen eenvoudige vragen konden beantwoorden zonder analisten als vertalers. SQL werd een knelpunt.

Bedrijfsdata waren georganiseerd rond de manier waarop systemen informatie opsloegen, niet rond de manier waarop mensen over de bedrijfsvoering nadachten. Er waren rijen en kolommen, maar geen begrippen. Omzetgegevens stonden in drie tabellen. Klant betekende vijf verschillende dingen, afhankelijk van wie je het vroeg en wanneer. Over maatstaven werd eindeloos gediscussieerd omdat niemand ze duidelijk had gedefinieerd.

De doorbraak bij bedrijfsdata kwam door complexiteit te accepteren en beheersbaar te maken. Semantische lagen zijn daar een voorbeeld van, maar maakten deel uit van een bredere verandering. Ondernemingen deden niet langer alsof ruwe data vanzelf bruikbaar waren en gingen vertaallagen bouwen die aansloten op hoe de organisatie werkelijk dacht en werkte.

Modellen voor maatstaven deden dit door berekeningen één keer te definiëren, in plaats van ze in elk rapport opnieuw af te leiden. Omzet betekende overal hetzelfde omdat iemand de tijd had genomen om de definitie vast te leggen in code. Datamodellen en dimensionele schema’s deden op structureel niveau hetzelfde. Ze vertaalden operationele tabellen naar begrippen als klant, product, bestelling en tijd. Gebruikers uit de bedrijfsvoering hoefden niet meer te begrijpen hoeveel tabelkoppelingen nodig waren voor een eenvoudige vraag. De relaties waren al vastgelegd.

Datacatalogi en beheerde definities pakten een ander deel van het probleem aan. Ze legden betekenis vast die eerder alleen in de hoofden van mensen zat. Wat stelt dit veld voor? Wanneer moet het worden gebruikt? Wat zijn de beperkingen? Context was niet langer informele kennis binnen een beperkte groep, maar werd onderdeel van het systeem.

Samen vingen deze lagen de complexiteit op en maakten ze die hanteerbaar. Ze creëerden stabiele abstracties waarmee meer mensen — en meer systemen — correct konden redeneren zonder telkens de wereld opnieuw vanaf nul te interpreteren. Precies dat ontbreekt vandaag in de B2B-handel.

Producten ontdekken via agents dwingt dezelfde herbezinning af

Handel door AI-agents onderwerpt B2B-productgegevens aan dezelfde test. Fabrikanten en distributeurs hebben geen gebrek aan productinformatie. Ze slaan er al enorme hoeveelheden van op: van specificaties en configuraties tot prijslogica en contractuele beperkingen.

Het probleem is dat bijna al deze gegevens voor mensen zijn gestructureerd. Specificaties staan in pdf’s. Regels worden uitgelegd in een gedrukte productcatalogus die nooit online is gekomen. Uitzonderingen zijn impliciet onderdeel van de administratieve verkoopprocessen, in plaats van in code vastgelegd. Veel te veel hangt af van het geheugen van de organisatie wanneer context alleen in de hoofden van verkoopteams zit.

Een AI-agent neemt een pdf niet vluchtig door om vervolgens de strekking te begrijpen. Hij weet niet welke zin een harde beperking bevat en welke verkooptaal is. Hij kan regels niet veilig afleiden uit opmaak of toon. Als de betekenis niet expliciet is, behandelt de agent die als onbekend.

Het gaat er niet om dat ongestructureerde data slecht zijn

Eén ding moet duidelijk zijn. Ongestructureerde data zijn niet de vijand. Dat zijn ze nooit geweest.

Bij bedrijfsanalyses verdwenen ongestructureerde data niet toen semantische lagen verschenen. Ze werden als laag boven op de structuur gelegd. De structuur regelde de regels en relaties. De ongestructureerde inhoud bood nuance, uitleg en context.

Datzelfde patroon geldt hier.

Agents hebben structuur nodig om te redeneren. Ze hebben expliciete regels, relaties, beperkingen en toestanden nodig. Ze moeten weten wat compatibel is, wat configureerbaar is, wat is toegestaan en onder welke voorwaarden iets geldt. Ongestructureerde inhoud alleen kan dat niet betrouwbaar leveren.

Maar structuur alleen is evenmin voldoende. Agents halen niet alleen attributen op. Ze vergelijken mogelijkheden en wegen voor- en nadelen af. Ze bepalen zowel wat iets is als wanneer het moet worden aanbevolen.

Beschrijvende uitleg vormt de laag die intentie, positionering en gebruikssituaties verklaart. Het is het verschil tussen ‘dit product bestaat’ en ‘in deze situatie moet je het kiezen’. Bij bedrijfsdata kreeg dit de vorm van definities, documentatie en bedrijfscontext. Hier krijgt het de vorm van uitleg op productniveau waar agents van kunnen leren. Gestructureerde productgegevens vertellen de agent wat waar is; beschrijvende uitleg helpt hem te bepalen wat belangrijk is.

Handel is geoptimaliseerd voor presentatie, niet voor redeneren

Dit is het ongemakkelijke deel. De infrastructuur voor handel heeft nooit echt de sprong gemaakt die bedrijfsdata wel maakten. We bouwden betere systemen voor productinformatiebeheer, oftewel PIM-systemen. We bouwden rijkere catalogi en mooiere productpagina’s. Maar we bouwden nooit een echte semantische laag voor producten; we optimaliseerden de presentatie.

Zolang mensen B2B-aankopen begeleidden, was dat geen probleem. Verkopers legden bijzondere gevallen uit. Kopers accepteerden dubbelzinnigheid en iedereen wist hoe je om de tekortkomingen van het systeem heen kon werken.

Agents halen die buffer weg. Bij B2B worden de scheuren meteen zichtbaar. Prijzen verschillen per klantaccount. Beschikbaarheid verandert per regio. Compatibiliteit hangt af van de configuratie. Contracten hebben voorrang op standaardvoorwaarden. Toegekende rechten zijn van belang. Niets hiervan kan veilig worden geraden.

Wanneer een agent een product beoordeelt, maakt een goed geschreven beschrijving geen indruk. Hij wil weten wat past, wat is toegestaan, wat compatibel is en wat er daarna gebeurt. Als die informatie niet expliciet is, vraagt de agent niet om verduidelijking, maar gaat hij verder.

Wat handelsbedrijven nu moeten doen

Dit is het kantelpunt. Handelsbedrijven kunnen productgegevens blijven behandelen als inhoud die mensen interpreteren. Of ze kunnen die gaan behandelen als infrastructuur waarop machines hun redeneringen baseren.

Dat betekent dat specificaties attributen met een vastgelegde betekenis moeten worden. Compatibiliteit moet als relaties in code worden vastgelegd, niet in alinea’s worden uitgelegd. Prijsstelling moet als logica worden uitgedrukt. Toegekende rechten moeten expliciet zijn. Beschikbaarheid moet met nauwkeurige toestandsinformatie worden weergegeven.

Het is precies dezelfde stap die ondernemingen bij analyses moesten zetten. Toen ruwe data en tabellen niet voldoende waren, moest betekenis worden gedefinieerd. Zodra die gestructureerde kern bestaat, is beschrijvende uitleg niet langer de enige bron van waarheid voor AI. Het wordt de laag die agents leert die waarheid in echte situaties toe te passen.

Fabrikanten en distributeurs die dit doen, worden begrijpelijk voor agents. Hun producten zijn gemakkelijker te beoordelen, aan te bevelen en te vertrouwen. Wie dit niet doet, heeft nog steeds data, maar die werken zoals oude bedrijfsdatawarehouses: technisch aanwezig, maar in de praktijk onbruikbaar.

Het patroon is oud, maar de gevolgen zijn nieuw

Niets hiervan is speculatief. We hebben bedrijfsdata al precies deze cyclus zien doorlopen. Het enige verschil is nu de gebruiker. In plaats van bedrijfsanalisten zijn het autonome agents. In plaats van dashboards zijn het aanbevelingen. In plaats van trage besluiten is er onmiddellijke uitsluiting.

Handel door AI-agents legt een decennia oud probleem met bedrijfsdata bloot. Bedrijven die dat inzien en productgegevens behandelen zoals ondernemingen operationele data hebben leren behandelen, passen zich snel aan. De andere blijven pdf’s toevoegen, beschrijvingen herschrijven en zich afvragen waarom agents hen maar niet lijken te kiezen.

De geschiedenis herhaalt zich. Deze keer letten de machines op.

Bryan is de CEO bij Elastic Path, waar hij de GTM, klantensucces, globale diensten en productteams leidt. Eerder was Bryan commercieel directeur bij Neural Magic (overgenomen door Red Hat), een deep learning software-startup waar hij product, GTM en klantensucces leidde.