Agentic Commerce herhaalt een oude enterprise data-fout

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

Zij lezen productpagina’s, scannen specificatiesheets 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 zelfstandig te staan; het hoefde alleen maar door een mens interpreteerbaar te zijn. Met AI is die veronderstelling niet langer van toepassing.

We hebben dit eerder meegemaakt met enterprise data

Als dit vertrouwd voorkomt, moet het dat ook zijn. Een decennium geleden hadden ondernemingen een zeer 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 bewoog niets snel omdat zakelijke gebruikers geen basisvragen konden beantwoorden zonder analisten als vertalers. SQL werd een flessenhals.

Ondernemingsgegevens waren georganiseerd rond hoe systemen informatie opslaan, niet hoe 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 maakten deel uit van een bredere verschuiving. Ondernemingen hielden op met doen alsof ruwe gegevens per se bruikbaar waren en begonnen vertaallagen te bouwen die overeenkwamen met hoe het bedrijf werkelijk 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. Zij 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. Zij vingen betekenis op die eerder in mensen’s hoofden 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. Zij creëerden stabiele abstracties die het mogelijk maakten voor meer mensen — en meer systemen — om correct te redeneren zonder elke keer de wereld 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. Zij slaan al enorme hoeveelheden op: van specificaties tot configuraties tot prijslogica tot contractuele beperkingen.

Het probleem is dat bijna al deze gegevens zijn gestructureerd voor mensen. Specificaties leven in PDF’s. Regels worden uitgelegd in een fysieke productcatalogus die nooit online is gekomen. 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 niet door een PDF en “begrijpt het idee”. Het weet niet welke zin een harde beperking is en welke zin verkoopstaal 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 duidelijk te zijn over iets. Ongestructureerde gegevens zijn niet de vijand. Het waren nooit.

In ondernemingsanalyses verdwenen ongestructureerde gegevens niet toen semantische lagen verschenen. Het kreeg een laag structuur. Structuur behandelde regels en relaties. Ongestructureerde inhoud behandelde nuance, uitleg en context.

Hetzelfde patroon geldt hier.

Agents hebben structuur nodig om te redeneren. Zij hebben expliciete regels, relaties, beperkingen en staten nodig. Zij 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. Agents halen niet alleen attributen op. Zij vergelijken opties. Zij evalueren compromissen. Zij 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 agents kunnen leren. Terwijl gestructureerde productgegevens de agent vertellen wat waar is, helpt verhaal het te beslissen wat ertoe doet.

Commerce is geoptimaliseerd voor presentatie, niet voor redenering

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

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

Agents 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. Entitlements zijn van belang. Niets hiervan is veilig te raden.

Wanneer een agent een product evalueert, is het niet onder de indruk van een goed geschreven beschrijving. Het 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; het 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 zij kunnen beginnen met het behandelen als infrastructuur die machines redeneren over.

Dat betekent dat specificaties moeten worden omgezet in attributen met gedefinieerde betekenis. Compatibiliteit moet worden gecodeerd als relaties, niet uitgelegd in alinea’s. Prijzen moeten worden uitgedrukt als logica. Entitlements 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 verhaal met de enige bron van waarheid voor AI te zijn en wordt het de laag die agents leert hoe ze die waarheid in echte situaties moeten toepassen.

Fabrikanten en distributeurs die dit doen, zullen leesbaar worden voor agents. Hun producten zullen gemakkelijker zijn om te evalueren, gemakkelijker om aan te bevelen en gemakkelijker om 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 niet

Niets van dit is speculatief. Wij hebben al ondernemingsgegevens door deze exacte cyclus zien gaan. Het enige verschil nu is de gebruiker. In plaats van zakelijke analisten is het autonome agents. In plaats van dashboards is het aanbevelingen. In plaats van trage beslissingen is het instant uitsluiting.

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

Geschiedenis herhaalt zich. Deze keer letten de machines op.