Agentic Commerce ponownie popełnia stary błąd danych przedsiębiorstw

Przez długi czas handel B2B opierał się na prostym założeniu: Ludzie przeglądają.

Czytają strony produktów, przeglądają arkusze specyfikacji i tolerują niejasny język, ponieważ wiedzą, jak zadawać pytania uzupełniające. Gdy coś jest niejasne, wysyłają e-mail do przedstawiciela handlowego. Gdy reguła jest ukryta w przypisie, doświadczenie wypełnia lukę.

Dane produktowe B2B ewoluowały całkowicie wokół tego zachowania. Nigdy nie musiały samodzielnie funkcjonować; musiały być tylko zrozumiałe dla człowieka. Z AI, to założenie nie obowiązuje już.

Mieliśmy to już wcześniej z danymi przedsiębiorstw

Jeśli to wydaje się znajome, to powinno. Dekadę temu przedsiębiorstwa miały bardzo podobną dyskusję o danych. Magazyny były pełne, jeziora danych przelały się, a ostatecznie każdy system wyeksportował coś. Na papierze, firmy były bogate w dane. W praktyce, nic nie działo się szybko, ponieważ użytkownicy biznesowi nie mogli odpowiedzieć na podstawowe pytania bez analityków jako tłumaczy. SQL stał się punktem zapory.

Dane przedsiębiorstw były zorganizowane wokół tego, jak systemy przechowywały informacje, a nie wokół tego, jak ludzie myślą o biznesie. Wiersze i kolumny istniały, ale pojęcia nie. Przychód mieszkał w trzech tabelach. “Klient” oznaczał pięć różnych rzeczy w zależności od tego, kto pytał i kiedy. Metryki były nieustannie dyskutowane, ponieważ nikt nie zdefiniował ich wyraźnie.

Przełom w danych przedsiębiorstw nastąpił dzięki zaakceptowaniu złożoności i jej ograniczeniu. Warstwy semantyczne to jeden z przykładów, ale były one częścią szerszego przesunięcia. Przedsiębiorstwa przestały udawać, że surowe dane są użyteczne domyślnie i zaczęły budować warstwy tłumaczeń, które odpowiadały temu, jak firma naprawdę myślała i działała.

Modele metryk robiły to, definiując obliczenia raz zamiast ich ponownego wyznaczania w każdym raporcie. Przychód oznaczał to samo wszędzie, ponieważ ktoś wziął czas, aby go zakodować. Modele danych i schematy wymiarowe robiły to samo strukturalnie. Zamieniły tabele operacyjne w pojęcia takie jak klient, produkt, zamówienie i czas. Użytkownicy biznesowi nie musieli już rozumieć, ile połączeń było wymaganych, aby odpowiedzieć na podstawowe pytanie. Relacje były już tam.

Katalogi danych i zarządzane definicje obsługiwały inną część problemu. Przechwytywały znaczenie, które kiedyś żyło w ludzkich głowach. Co reprezentuje to pole? Kiedy powinno być używane? Jakie są jego ograniczenia? Kontekst przestał być wiedzą plemienną i stał się częścią systemu.

Wszystkie te warstwy pochłonęły złożoność i uczyniły ją operacyjną. Stworzyły stabilne abstrakcje, które pozwoliły większej liczbie ludzi — i systemów — na prawidłowe rozumowanie bez reinterpretowania świata od podstaw za każdym razem. To jest dokładnie to, czego brakuje handlowi B2B dzisiaj.

Odkrycie oparte na agentach wywołuje ten sam rozrachunek

Handel agenty jest zmuszony do przepuszczania danych produktowych B2B przez ten sam test. Producentom i dystrybutorom nie brakuje informacji o produkcie. Już przechowują ogromne ilości ich: od specyfikacji po konfiguracje, logikę cen i ograniczenia umowne.

Problem polega na tym, że prawie wszystkie te dane zostały opracowane dla ludzi. Specyfikacje mieszczą się w plikach PDF. Reguły są wyjaśnione w fizycznym katalogu produktów, który nigdy nie trafił online. Wyjątki są sugerowane w procesie sprzedaży biura, a nie zakodowane. Zbyt wiele zależy od pamięci instytucjonalnej, gdy kontekst żyje w głowach zespołów sprzedaży.

Agent AI nie przegląda pliku PDF i “rozumie pomysł”. Nie wie, które zdanie jest twardym ograniczeniem, a które jest językiem sprzedaży. Nie może bezpiecznie wnioskować reguł z formatowania lub tonu. Jeśli znaczenie nie jest jawne, agent traktuje je jako nieznane.

To nie jest o tym, że nieustrukturyzowane dane są złe

Warto być wyraźnym co do jednej rzeczy. Nieustrukturyzowane dane nie są wrogiem. Nigdy nie były.

W analityce przedsiębiorstw nieustrukturyzowane dane nie zniknęły, gdy pojawiły się warstwy semantyczne. Zostały one nałożone na strukturę. Struktura obsługiwała reguły i relacje. Nieustrukturyzowany zawartość obsługiwał nuans, wyjaśnienie i kontekst.

Ten sam wzorzec ma zastosowanie tutaj.

Agenci potrzebują struktury, aby rozumować. Potrzebują jawnych reguł, relacji, ograniczeń i stanów. Muszą wiedzieć, co jest kompatybilne, co jest konfigurowalne, co jest dozwolone i w jakich warunkach coś ma zastosowanie. Samo nieustrukturyzowane zawartość nie może tego niezawodnie dostarczyć.

Ale sama struktura nie jest wystarczająca. Agenci nie tylko pobierają atrybuty. Porównują opcje. Oceny wymiany. Decydują zarówno co jest czymś, jak i kiedy powinno być zalecane.

Narracja jest warstwą, która wyjaśnia intencję, pozycjonowanie i przypadki użycia. To różnica między “ten produkt istnieje” a “to jest, kiedy powinieneś go wybrać”. W świecie danych przedsiębiorstw pojawiło się to jako definicje, dokumentacja i kontekst biznesowy. Tutaj pojawia się jako wyjaśnienie produktu, z którego agenci mogą się uczyć. Podczas gdy ustrukturyzowane dane produktowe mówią agentowi, co jest prawdą, narracja pomaga mu zdecydować, co się liczy.

Handel został zoptymalizowany pod kątem prezentacji, a nie rozumowania

To jest niekomfortowa część. Infrastruktura handlowa nigdy nie zrobiła skoku, jaki zrobiły dane przedsiębiorstw. Zbudowaliśmy lepsze PIM-y. Zbudowaliśmy bogatsze katalogi. Zbudowaliśmy ładniejsze strony produktów. Ale nigdy nie zbudowaliśmy prawdziwej warstwy semantycznej dla produktów; zoptymalizowaliśmy pod kątem prezentacji.

Tak długo, jak ludzie pośredniczyli w kupowaniu B2B, wszystko było w porządku. Przedstawiciele handlowi wyjaśniali przypadki graniczne. Kupujący tolerowali niejasność, a wszyscy wiedzieli, jak obejść system.

Agenci usuwają ten bufor. W B2B pęknięcia pojawiają się natychmiast. Ceny różnią się w zależności od konta. Dostępność zmienia się w zależności od regionu. Kompatybilność zależy od konfiguracji. Umowy zastępują wartości domyślne. Uprawnienia mają znaczenie. Żadne z tego nie jest bezpiecznie domyślne.

Gdy agent ocenia produkt, nie jest imponowany dobrze napisanym opisem. Chce wiedzieć, co pasuje, co jest dozwolone, co jest kompatybilne i co się dzieje dalej. Jeśli ta informacja nie jest jawna, agent nie prosi o wyjaśnienie; po prostu przechodzi dalej.

Co firmy handlowe muszą zrobić teraz

To jest punkt zwrotny. Firmy handlowe mogą nadal traktować dane produktowe jako treść, którą ludzie interpretują. Albo mogą zacząć traktować je jako infrastrukturę, nad którą maszyny rozumieją.

To oznacza, że specyfikacje muszą stać się atrybutami z zdefiniowanym znaczeniem. Kompatybilność musi być zakodowana jako relacje, a nie wyjaśniona w akapitach. Ceny muszą być wyrażone jako logika. Uprawnienia muszą być jawne. Dostępność musi być stanowa i precyzyjna.

To jest dokładnie ten sam ruch, którego musiały dokonać przedsiębiorstwa z analityką. Gdy surowe dane i tabele nie były wystarczające, znaczenie musiało być zdefiniowane. I gdy ta ustrukturyzowana część istnieje, narracja przestaje być jedynym źródłem prawdy dla AI i staje się warstwą, która uczy agentów, jak zastosować tę prawdę w rzeczywistych sytuacjach.

Producentom i dystrybutorom, którzy to zrobią, staną się czytelni dla agentów. Ich produkty będą łatwiejsze do oceny, łatwiejsze do rekomendacji i łatwiejsze do zaufania. Ci, którzy nie zrobią tego, nadal “będą mieli dane”, ale będą one funkcjonować jak stare magazyny przedsiębiorstw: technicznie obecne, ale praktycznie nieużyteczne.

Wzorzec jest stary, ale konsekwencje nie są

Żadne z tego nie jest spekulatywne. Już obserwowaliśmy, jak dane przedsiębiorstw przechodzą przez ten sam cykl. Jedyna różnica teraz polega na tym, że użytkownikiem jest agent autonomiczny. Zamiast analityków biznesowych, jest to rekomendacje. Zamiast powolnych decyzji, jest to natychmiastowe wykluczenie.

Handel agenty ujawnia dekadę starego problemu danych przedsiębiorstw. Firmy, które to rozpoznają — i potraktują dane produktowe w taki sam sposób, w jaki przedsiębiorstwa nauczyły się traktować dane operacyjne — będą się szybko adaptować. Te, które nie zrobią tego, będą nadal dodawać pliki PDF, przepisywać opisy i zastanawiać się, dlaczego agenci nigdy nie wybierają ich.

Historia powtarza się. Tym razem maszyny zwracają uwagę.