Agentic Commerce herhaalt een oude fout met ondernemingsgegevens

Al een lange tijd werkt B2B-commerce onder een eenvoudige veronderstelling: Mensen bladeren.

Ze lezen productpagina’s, scannen specificatiebladen en tolereren vage taal omdat ze weten hoe ze follow-upvragen moeten stellen. Wanneer iets onduidelijk is, e-mailen ze een verkoopvertegenwoordiger. Wanneer een regel in een voetnoot verborgen is, vult ervaring de lacune.

B2B-productgegevens zijn geëvolueerd rondom dat gedrag. Het hoefde nooit op eigen kracht te staan; het hoefde alleen maar door een mens te kunnen worden geïnterpreteerd. Met AI is die veronderstelling niet langer van toepassing.

We zijn hier eerder geweest met ondernemingsgegevens

Als dit vertrouwd voorkomt, moet het dat ook zijn. Een decennium geleden hadden ondernemingen een heel vergelijkbare conversatie over gegevens. Magazijnen waren vol, data-lakes waren overlopend en uiteindelijk exporteerde elk systeem iets. Op papier waren bedrijven gegevensrijk. In de praktijk verplaatste niets zich snel omdat zakelijke gebruikers geen basisvragen konden beantwoorden zonder analisten als hun vertalers. SQL werd een knelpunt.

Ondernemingsgegevens waren georganiseerd rond de manier waarop systemen informatie opslaan, niet rond de manier waarop mensen over het bedrijf redeneren. Rijen en kolommen bestonden, maar concepten niet. Omzet woonde in drie tabellen. “Klant” betekende vijf verschillende dingen, afhankelijk van wie je vroeg en wanneer. Metrieken werden eindeloos bediscussieerd omdat niemand ze duidelijk had gedefinieerd.

De doorbraak in ondernemingsgegevens kwam van het accepteren van complexiteit en het bevatten ervan. Semantische lagen zijn een voorbeeld, maar ze waren onderdeel van een bredere verschuiving. Ondernemingen hielden op met doen alsof ruwe gegevens per definitie bruikbaar waren en begonnen vertaallagen te bouwen die overeenkwamen met de manier waarop het bedrijf daadwerkelijk dacht en opereerde.

Metriekmodellen deden dit door berekeningen eenmaal te definiëren in plaats van ze in elk rapport opnieuw af te leiden. Omzet betekende overal hetzelfde omdat iemand de tijd had genomen om het te coderen. Gegevensmodellen en dimensionale schema’s deden hetzelfde structureel. Ze veranderden operationele tabellen in concepten zoals klant, product, bestelling en tijd. Zakelijke gebruikers hoefden niet langer te begrijpen hoeveel joins nodig waren om een basisvraag te beantwoorden. De relaties waren al aanwezig.

Gegevenscatalogi en beheerde definities behandelden een ander deel van het probleem. Ze vingen betekenis op die vroeger in mensenhoofden leefde. Wat vertegenwoordigt dit veld? Wanneer moet het worden gebruikt? Wat zijn de beperkingen? Context stopte met tribale kennis te zijn en werd onderdeel van het systeem.

Samen absorbeerden deze lagen complexiteit en maakten het operabel. Ze creëerden stabiele abstracties die het mogelijk maakten voor meer mensen — en meer systemen — om correct te redeneren zonder de wereld elke keer opnieuw van scratch te interpreteren. Dat is precies wat B2B-commerce vandaag mist.

Agent-geleide ontdekking veroorzaakt hetzelfde rekenschap

Agentic commerce dwingt B2B-productgegevens door dezelfde test. Fabrikanten en distributeurs hebben geen gebrek aan productinformatie. Ze slaan al enorme hoeveelheden op: van specificaties tot configuraties tot prijslogica tot contractuele beperkingen.

Het probleem is dat bijna al deze gegevens waren gestructureerd voor mensen. Specificaties leven in PDF’s. Regels worden uitgelegd in een fysieke productcatalogus die nooit online kwam. Uitzonderingen worden geïmpliceerd in een back-office verkoopproces, in plaats van gecodeerd. Veel te veel hangt af van institutioneel geheugen wanneer context leeft in verkoopteams’ hoofden.

Een AI-agent bladert geen PDF en “begrijpt het idee”. Het weet niet welke zin een harde beperking is en welke sales-taal is. Het kan geen regels veilig afleiden uit opmaak of toon. Als de betekenis niet expliciet is, behandelt de agent het als onbekend.

Dit gaat niet over ongestructureerde gegevens die slecht zijn

Het is de moeite waard om iets duidelijk te maken. Ongestructureerde gegevens zijn niet de vijand. Ze waren dat nooit.

In ondernemingsanalyses verdwenen ongestructureerde gegevens niet toen semantische lagen opdoken. Ze werden bovenop de structuur gelegd. Structuur behandelde regels en relaties. Ongestructureerde inhoud behandelde nuances, uitleg en context.

Hetzelfde patroon geldt hier.

Agenten hebben structuur nodig om te redeneren. Ze hebben expliciete regels, relaties, beperkingen en staten nodig. Ze moeten weten wat compatibel is, wat configureerbaar is, wat is toegestaan en onder welke voorwaarden iets van toepassing is. Alleen ongestructureerde inhoud kan dat niet betrouwbaar bieden.

Maar structuur alleen is niet genoeg. Agenten halen niet alleen kenmerken op. Ze vergelijken opties. Ze evalueren compromissen. Ze beslissen zowel wat iets is als wanneer het aanbevolen moet worden.

Verhaal is de laag die intentie, positionering en gebruikscases uitlegt. Het is het verschil tussen “dit product bestaat” en “dit is wanneer je het moet kiezen”. In de ondernemingsgegevenswereld verscheen dit als definities, documentatie en bedrijfscontext. Hier verschijnt het als een productniveau-uitleg die agenten kunnen leren. Terwijl gestructureerde productgegevens de agent vertellen wat waar is, helpt narratie hem te beslissen wat ertoe doet.

Commerce is geoptimaliseerd voor presentatie, niet voor redenering

Dit is het oncomfortabele deel. Commerce-infrastructuur maakte nooit echt de sprong die ondernemingsgegevens deden. We bouwden betere PIM’s. We bouwden rijkere catalogi. We bouwden mooiere productpagina’s. Maar we bouwden nooit een echte semantische laag voor producten; we optimaliseerden voor presentatie.

Zolang mensen B2B-kopen bemiddelden, was dat prima. Verkoopvertegenwoordigers legden randgevallen uit. Kopers tolereerden vaagheid, en iedereen wist hoe ze om het systeem heen konden werken.

Agenten verwijderen die buffer. In B2B laten de scheuren onmiddellijk zien. Prijzen variëren per account. Beschikbaarheid verandert per regio. Compatibiliteit hangt af van configuratie. Contracten overschrijven standaardinstellingen. Entiteitsrechten tellen. Niets hiervan is veilig te raden.

Wanneer een agent een product evalueert, is hij niet onder de indruk van een goed geschreven beschrijving. 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 geen opheldering; hij gaat gewoon verder.

Wat commerce-bedrijven nu moeten doen

Dit is het kantelpunt. Commerce-bedrijven kunnen productgegevens blijven behandelen als inhoud die mensen interpreteren. Of ze kunnen beginnen met het behandelen als infrastructuur die machines redeneren over.

Dat betekent dat specificaties moeten worden omgezet in kenmerken met gedefinieerde betekenis. Compatibiliteit moet worden gecodeerd als relaties, in plaats van in alinea’s uitgelegd. Prijzen moeten worden uitgedrukt als logica. Entiteitsrechten moeten expliciet zijn. Beschikbaarheid moet toestandsgebonden en nauwkeurig zijn.

Dit is precies dezelfde zet die ondernemingen moesten maken met analytics. Toen ruwe gegevens en tabellen niet genoeg waren, moest betekenis worden gedefinieerd. En zodra die gestructureerde kern bestaat, stopt narratie met het enige bron van waarheid voor AI te zijn en wordt het de laag die agenten leert hoe ze die waarheid in reële situaties moeten toepassen.

Fabrikanten en distributeurs die dit doen, worden leesbaar voor agenten. Hun producten zullen gemakkelijker zijn om te evalueren, gemakkelijker aan te bevelen en gemakkelijker te vertrouwen. Diegenen die dat niet doen, zullen nog steeds “gegevens hebben”, maar het zal functioneren als oude ondernemingsmagazijnen deden: technisch aanwezig, maar praktisch onbruikbaar.

Het patroon is oud, maar de gevolgen zijn dat niet

Niets hiervan is speculatief. We hebben al gezien dat ondernemingsgegevens door deze exacte cyclus zijn gegaan. Het enige verschil nu is de gebruiker. In plaats van zakelijke analisten is het autonome agenten. In plaats van dashboards is het aanbevelingen. In plaats van langzame beslissingen is het instant uitsluiting.

Agentic commerce legt een decennialang ondernemingsgegevensprobleem bloot. De bedrijven die dat erkennen — en productgegevens behandelen zoals ondernemingen leerden om operationele gegevens te behandelen — zullen zich snel aanpassen. Diegenen die dat niet doen, zullen blijven PDF’s toevoegen, beschrijvingen herschrijven en zich afvragen waarom agenten ze nooit lijken te kiezen.

Geschiedenis herhaalt zich. Deze keer letten de machines op.