Agentic Commerce gjentar en gammel feil i bedriftsdata

I lang tid har B2B-handel fungert under en enkel antagelse: Mennesker blarer.

De leser produktsider, skimrer specifikasjoner og tolererer vag språk fordi de vet hvordan de skal stille oppfølgende spørsmål. Når noe er uklart, sender de en e-post til en salgsrepresentant. Når en regel er skjult i en fotnote, fyller erfaringen gapet.

B2B-produktdata har utviklet seg fullstendig rundt dette atferden. Den har aldri måttet stå på egne ben; den har bare måttet være tolkbar for et menneske. Med AI er denne antagelsen ikke lenger gyldig.

Vi har vært her før med bedriftsdata

Hvis dette føles kjent, burde det gjøre det. For et tiår siden hadde bedrifter en svært lik samtale om data. Lagre var fulle, datainnsjøer var overfylt, og til slutt eksporterte hver system noe. På papir var selskapene datarike. I praksis ble ingenting gjort raskt fordi forretningsbrukere ikke kunne svare på grunnleggende spørsmål uten analytikere som deres oversettere. SQL ble et flaskehalseri.

Bedriftsdata var organisert rundt hvordan systemer lagret informasjon, ikke hvordan mennesker resonnerte om bedriften. Rader og kolonner eksisterte, men konsepter gjorde ikke. Inntekt bodde i tre tabeller. “Kunde” betydde fem forskjellige ting avhengig av hvem du spurte og når. Metrikker ble debattert endeløst fordi ingen hadde definert dem tydelig.

Gjennombruddet i bedriftsdata kom fra å akseptere kompleksitet og inneholde den. Semantiske lag er et eksempel, men de var en del av en bredere endring. Bedrifter sluttet å late som om rådata var brukbar som standard og startet å bygge oversettelseslag som matchet hvordan bedriften faktisk tenkte og opererte.

Metrikkmodeller gjorde dette ved å definere beregninger én gang i stedet for å gjenfinne dem i hver rapport. Inntekt betydde det samme overalt fordi noen hadde tatt seg tid til å kode det. Datamodeller og dimensjonskjemaer gjorde det samme strukturelt. De omgjorde operasjonelle tabeller til konsepter som kunde, produkt, bestilling og tid. Forretningsbrukere trengte ikke lenger å forstå hvor mange koblinger som var nødvendige for å svare på et grunnleggende spørsmål. Relasjonene var allerede der.

Datakataloger og styrede definisjoner håndterte en annen del av problemet. De fanget mening som tidligere bodde i menneskers hoder. Hva representerer dette feltet? Når bør det brukes? Hva er begrensningene? Kontekst sluttet å være stamme-kunnskap og ble en del av systemet.

Sammen absorberte disse lagene kompleksitet og gjorde den operativ. De skapte stabile abstraksjoner som tillot flere mennesker — og flere systemer — å resonnere korrekt uten å reinterprettere verden fra scratch hver gang. Det er nettopp det B2B-handel mangler i dag.

Agent-drevet oppdagelse utløser samme avregning

Agentic handel tvinger B2B-produktdata gjennom samme test. Produsenter og distributører har ikke mangler på produktinformasjon. De lagrer allerede enorme mengder av det: fra spesifikasjoner til konfigurasjoner til prissetting til kontraktbegrensninger.

Problemene er at nesten all denne dataen ble strukturert for mennesker. Spesifikasjoner bor i PDF-er. Regler forklares i en fysisk produktkatalog som aldri kom online. Unntak antydes i en bakkontor-salgsprosess, i stedet for å bli kodet. For mye avhenger av institusjonell hukommelse når kontekst bor i salgsteamets hoder.

En AI-agent blarer ikke gjennom en PDF og “får ideen”. Den vet ikke hvilken setning som er en hard begrensning og hvilken som er salsspråk. Den kan ikke trygt slutte regler fra formatering eller tone. Hvis mening ikke er eksplisitt, behandler agenten det som ukjent.

Dette handler ikke om at ustrukturert data er dårlig

Det er verdt å være tydelig om noe. Ustrukturert data er ikke fienden. Det var aldri.

I bedriftsanalyse forsvant ikke ustrukturert data når semantiske lag dukket opp. Den ble lagt på toppen av struktur. Struktur håndterte regler og relasjoner. Ustrukturert innhold håndterte nyanser, forklaringer og kontekst.

Samme mønster gjelder her.

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

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

Narrativ er laget som forklarer intensjon, posisjonering og brukstilfeller. Det er forskjellen på “dette produktet eksisterer” og “dette er når du bør velge det”. I bedriftsdata-verdenen dukket dette opp som definisjoner, dokumentasjon og forretningskontekst. Her dukker det opp som en produkt-nivå forklaring som agenter kan lære fra. Mens strukturert produktdata forteller agenten hva som er sant, hjelper narrativ den å bestemme hva som betyr noe.

Handel har blitt optimalisert for presentasjon, ikke resonnement

Dette er den ubehagelige delen. Handelsinfrastruktur har aldri virkelig gjort spranget bedriftsdata gjorde. Vi bygget bedre PIM-er. Vi bygget rikere kataloger. Vi bygget penere produktsider. Men vi bygget aldri en virkelig semantisk lag for produkter; vi optimaliserte for presentasjon.

Så lenge mennesker medierte B2B-kjøp, var det greit. Salgsrepresentanter forklarte unntak. Kjøpere tolererte tvetydighet, og alle visste hvordan de skulle jobbe rundt systemet.

Agenter fjerner denne bufferten. I B2B vises sprekker umiddelbart. Priser varierer etter konto. Tilgjengelighet endres etter region. Kompatibilitet avhenger av konfigurasjon. Kontrakter overstyrer standarder. Berettigelse betyr noe. Ingen av dette er trygt gjettablet.

Når en agent vurderer et produkt, blir den ikke imponert av en velformulert beskrivelse. Den vil vite hva som passer, hva som er tillatt, hva som er kompatibelt og hva som skjer neste. Hvis denne informasjonen ikke er eksplisitt, spør agenten ikke om forklaring; den flytter bare videre.

Hva handelsbedrifter må gjøre nå

Dette er vendepunktet. Handelsbedrifter kan fortsette å behandle produktdata som innhold som mennesker tolker. Eller de kan starte å behandle det som infrastruktur som maskiner resonnere over.

Det betyr at spesifikasjoner må bli attributter med definert mening. Kompatibilitet må bli kodet som relasjoner, ikke forklart i avsnitt. Prissetting må uttrykkes som logikk. Berettigelse må bli eksplisitt. Tilgjengelighet må bli tilstandsfuld og presis.

Dette er nettopp det samme trekket bedrifter måtte gjøre med analytics. Når rådata og tabeller ikke var nok, måtte mening bli definert. Og når denne strukturerte kernen eksisterer, slutter narrativ å være den eneste kilde til sannhet for AI og blir laget som lærer agenter hvordan de skal anvende den sanheten i virkelige situasjoner.

Produsenter og distributører som gjør dette, blir leselige for agenter. Deres produkter vil bli lettere å vurderer, lettere å anbefale og lettere å stole på. De som ikke gjør det, vil fortsatt “ha data”, men den vil fungere som gamle bedriftslagre gjorde: teknisk til stede, men praktisk ubrukelig.

Mønsteret er gammelt, men konsekvensene er ikke

Ingenting av dette er spekulativt. Vi har allerede sett bedriftsdata gå gjennom denne eksakte syklusen. Den eneste forskjellen nå er brukeren. I stedet for forretningsanalytikere, er det autonome agenter. I stedet for dashboards, er det anbefalinger. I stedet for langsomme beslutninger, er det øyeblikkelig eksklusjon.

Agentic handel avdekker et tiår gammelt bedriftsdata-problem. Selskapene som erkjenner det — og behandler produktdata på samme måte bedrifter lærte å behandle operasjonell data — vil tilpasse seg raskt. De som ikke gjør det, vil fortsette å legge til PDF-er, omskrive beskrivelser og undre seg over hvorfor agenter aldri synes å velge dem.

Historien gjentar seg. Denne gangen er maskinene som merker.