Tankeledere

Handel drevet av KI-agenter gjentar en gammel feil med virksomhetsdata

Bryan House
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterAgentisk handel krever strukturert produktdata som maskiner kan resonnere over, ikke…
Vis mer
  • Agentisk handel krever strukturert produktdata som maskiner kan resonnere over, ikke bare menneskelesbart innhold.
  • B2B-handel må bygge semantiske produktlag som eksplisitt koder regler, relasjoner og begrensninger.
  • Bedrifter som behandler produktdata som infrastruktur vil bli forståelige for KI-agenter og få en konkurransefordel.

Lenge bygget B2B-handel på en enkel antakelse: Mennesker blar gjennom informasjon.

De leser produktsider, skumleser spesifikasjoner og godtar vage formuleringer fordi de vet hvordan de skal stille oppfølgingsspørsmål. Er noe uklart, sender de en e-post til en selger. Er en regel gjemt i en fotnote, fyller erfaringen ut det som mangler.

B2B-produktdata utviklet seg helt rundt denne atferden. Informasjonen trengte aldri å være tilstrekkelig i seg selv; den måtte bare kunne tolkes av et menneske. Med KI gjelder ikke den antakelsen lenger.

Vi har opplevd dette før med virksomhetsdata

Hvis dette virker kjent, er det en grunn til det. For ti år siden diskuterte virksomheter data på en svært lignende måte. Datavarehusene var fulle, datasjøene flommet over, og til slutt eksporterte hvert system noe. På papiret var selskapene rike på data. I praksis gikk ingenting raskt, fordi brukere i virksomheten ikke kunne besvare grunnleggende spørsmål uten analytikere som tolker. SQL ble en flaskehals.

Virksomhetsdata var organisert etter hvordan systemene lagret informasjon, ikke hvordan folk resonnerte om virksomheten. Rader og kolonner fantes, men begrepene manglet. Inntektene lå i tre tabeller. Kunde betydde fem forskjellige ting avhengig av hvem man spurte og når. Måltall ble diskutert i det uendelige fordi ingen hadde definert dem tydelig.

Gjennombruddet for virksomhetsdata kom da man aksepterte kompleksiteten og fikk kontroll over den. Semantiske lag er ett eksempel, men de var del av en større endring. Virksomheter sluttet å late som om rådata automatisk var brukbare, og begynte å bygge oversettelseslag som samsvarte med hvordan virksomheten faktisk tenkte og arbeidet.

Modeller for måltall gjorde dette ved å definere beregninger én gang, i stedet for å utlede dem på nytt i hver rapport. Inntekter betydde det samme overalt fordi noen hadde tatt seg tid til å kode definisjonen. Datamodeller og dimensjonale skjemaer gjorde det samme på strukturnivå. De omgjorde driftstabeller til begreper som kunde, produkt, ordre og tid. Brukerne i virksomheten trengte ikke lenger å forstå hvor mange tabellsammenføyninger som krevdes for å besvare et grunnleggende spørsmål. Relasjonene var allerede definert.

Datakataloger og definisjoner underlagt styring og forvaltning håndterte en annen del av problemet. De fanget opp betydninger som tidligere bare fantes i hodene til folk. Hva representerer dette feltet? Når bør det brukes? Hvilke begrensninger har det? Kontekst sluttet å være uformell kunnskap i en avgrenset gruppe og ble en del av systemet.

Sammen tok disse lagene hånd om kompleksiteten og gjorde den håndterbar. De skapte stabile abstraksjoner som lot flere mennesker — og flere systemer — resonnere riktig uten å tolke verden på nytt fra grunnen av hver gang. Det er nettopp dette B2B-handelen mangler i dag.

Produktoppdagelse gjennom agenter tvinger fram den samme nyvurderingen

Handel drevet av KI-agenter setter B2B-produktdata på den samme prøven. Produsenter og distributører mangler ikke produktinformasjon. De lagrer allerede enorme mengder, fra spesifikasjoner og konfigurasjoner til prislogikk og kontraktsmessige begrensninger.

Problemet er at nesten alle disse dataene er strukturert for mennesker. Spesifikasjoner ligger i PDF-er. Regler forklares i en trykt produktkatalog som aldri kom på nett. Unntak ligger implisitt i salgsavdelingens administrative prosesser i stedet for å være kodet. Altfor mye avhenger av organisasjonens hukommelse når konteksten bare finnes i hodene til salgsteamene.

En KI-agent skumleser ikke en PDF og forstår omtrent hva som menes. Den vet ikke hvilken setning som uttrykker en absolutt begrensning, og hvilken som er salgsspråk. Den kan ikke trygt utlede regler fra formatering eller tone. Hvis betydningen ikke er eksplisitt, behandler agenten den som ukjent.

Dette handler ikke om at ustrukturerte data er dårlige

Én ting må være tydelig. Ustrukturerte data er ikke fienden. Det har de aldri vært.

I virksomhetsanalyse forsvant ikke ustrukturerte data da de semantiske lagene kom. De ble lagt som et lag oppå strukturen. Strukturen håndterte regler og relasjoner. Det ustrukturerte innholdet håndterte nyanser, forklaringer og kontekst.

Det samme mønsteret gjelder her.

Agenter trenger struktur for å resonnere. De trenger eksplisitte regler, relasjoner, begrensninger og tilstander. De må vite hva som er kompatibelt, hva som kan konfigureres, hva som er tillatt, og under hvilke betingelser noe gjelder. Ustrukturert innhold alene kan ikke gi dette pålitelig.

Men struktur alene er heller ikke nok. Agenter henter ikke bare attributter. De sammenligner alternativer og vurderer avveininger. De avgjør både hva noe er, og når det bør anbefales.

Forklarende innhold er laget som beskriver hensikt, posisjonering og bruksområder. Det er forskjellen mellom «dette produktet finnes» og «det er i denne situasjonen du bør velge det». I virksomhetsdataenes verden kom dette til uttrykk gjennom definisjoner, dokumentasjon og forretningskontekst. Her kommer det til uttrykk som forklaringer på produktnivå som agenter kan lære av. Strukturerte produktdata forteller agenten hva som er sant, mens det forklarende innholdet hjelper den å avgjøre hva som er viktig.

Handel er optimalisert for presentasjon, ikke for resonnering

Dette er den ubehagelige delen. Handelsinfrastrukturen tok aldri helt det spranget som virksomhetsdata tok. Vi bygde bedre systemer for produktinformasjon, PIM-systemer, rikere kataloger og penere produktsider. Men vi bygde aldri et ekte semantisk lag for produkter; vi optimaliserte presentasjonen.

Så lenge mennesker formidlet B2B-kjøpene, fungerte det. Selgere forklarte spesialtilfeller. Kjøpere godtok tvetydighet, og alle visste hvordan de kunne omgå systemets mangler.

Agenter fjerner den bufferen. I B2B blir sprekkene synlige med en gang. Priser varierer mellom kundekontoer. Tilgjengelighet endres fra region til region. Kompatibilitet avhenger av konfigurasjonen. Kontrakter går foran standardvilkår. Tildelte rettigheter betyr noe. Ingenting av dette kan gjettes trygt.

Når en agent vurderer et produkt, blir den ikke imponert av en velskrevet beskrivelse. Den vil vite hva som passer, hva som er tillatt, hva som er kompatibelt, og hva som skjer videre. Hvis informasjonen ikke er eksplisitt, ber den ikke om en avklaring; den går bare videre.

Hva handelsbedrifter må gjøre nå

Dette er vendepunktet. Handelsbedrifter kan fortsette å behandle produktdata som innhold mennesker tolker. Eller de kan begynne å behandle dem som infrastruktur maskiner bygger resonnementene sine på.

Det betyr at spesifikasjoner må bli attributter med definert betydning. Kompatibilitet må kodes som relasjoner, ikke forklares i avsnitt. Prissetting må uttrykkes som logikk. Tildelte rettigheter må være eksplisitte. Tilgjengelighet må beskrives med presis tilstandsinformasjon.

Dette er nøyaktig den samme endringen virksomheter måtte gjøre innen analyse. Da rådata og tabeller ikke var nok, måtte betydning defineres. Når den strukturerte kjernen finnes, slutter forklarende innhold å være den eneste sannhetskilden for KI og blir laget som lærer agenter å anvende denne sannheten i virkelige situasjoner.

Produsenter og distributører som gjør dette, blir forståelige for agenter. Produktene deres blir lettere å vurdere, anbefale og stole på. De som ikke gjør det, vil fortsatt ha data, men de vil fungere som gamle datavarehus i virksomheter: teknisk til stede, men i praksis ubrukelige.

Mønsteret er gammelt, men konsekvensene er nye

Ingenting av dette er spekulativt. Vi har allerede sett virksomhetsdata gå gjennom nøyaktig denne syklusen. Den eneste forskjellen nå er brukeren. I stedet for forretningsanalytikere er det autonome agenter. I stedet for kontrollpaneler er det anbefalinger. I stedet for trege beslutninger er det umiddelbar utelukkelse.

Handel drevet av KI-agenter avdekker et problem med virksomhetsdata som er flere tiår gammelt. Selskaper som innser dette og behandler produktdata slik virksomheter lærte å behandle driftsdata, vil tilpasse seg raskt. De andre fortsetter å legge til PDF-er, skrive om beskrivelser og undre seg over hvorfor agentene aldri ser ut til å velge dem.

Historien gjentar seg. Denne gangen følger maskinene med.

Bryan er administrerende direktør i Elastic Path, der han leder GTM, kundesuksess, globale tjenester og produktteam. Tidligere var Bryan øverste kommersielle leder i Neural Magic (kjøpt av Red Hat), en oppstartsbedrift innen programvare for dyp læring der han drev Produkt, GTM og kundesuksess.