Líderes de pensamento

O comércio conduzido por agentes de IA repete um erro antigo dos dados empresariais

Bryan House
Adicione Unite.AI às suas fontes preferidas no Google
Pontos-chaveO comércio agentivo exige dados estruturados de produtos que as máquinas possam…
Ver mais
  • O comércio agentivo exige dados estruturados de produtos que as máquinas possam processar logicamente, não apenas conteúdo legível por humanos.
  • O comércio B2B deve construir camadas semânticas de produtos que codifiquem regras, relacionamentos e restrições de forma explícita.
  • Empresas que tratam dados de produtos como infraestrutura tornar-se-ão legíveis para agentes de IA e obterão vantagem competitiva.

Por muito tempo, o comércio B2B funcionou com uma premissa simples: quem consulta as informações são as pessoas.

Elas leem páginas de produtos, passam os olhos pelas fichas técnicas e toleram formulações vagas porque sabem fazer perguntas adicionais. Quando algo não está claro, enviam um e-mail a um representante de vendas. Quando uma regra está escondida em uma nota de rodapé, a experiência preenche a lacuna.

Os dados de produtos B2B evoluíram inteiramente em torno desse comportamento. Nunca precisaram ser suficientes por si só; bastava que uma pessoa conseguisse interpretá-los. Com a IA, essa premissa deixou de valer.

Já passamos por isso com os dados empresariais

Se isso soa familiar, há uma razão. Há uma década, as empresas tinham uma discussão muito semelhante sobre dados. Os armazéns de dados estavam cheios, os lagos de dados transbordavam e, no fim, todos os sistemas exportavam alguma coisa. No papel, as empresas eram ricas em dados. Na prática, nada avançava depressa, porque os usuários de negócio não conseguiam responder a perguntas básicas sem analistas como intérpretes. O SQL tornou-se um gargalo.

Os dados empresariais eram organizados conforme a maneira como os sistemas armazenavam informações, e não como as pessoas raciocinavam sobre o negócio. Havia linhas e colunas, mas não conceitos. A receita estava em três tabelas. Cliente significava cinco coisas diferentes, dependendo de quem era consultado e em que momento. As métricas eram debatidas sem fim porque ninguém as havia definido claramente.

O avanço decisivo nos dados empresariais veio da aceitação da complexidade e do seu controle. As camadas semânticas são um exemplo, mas fizeram parte de uma mudança mais ampla. As empresas pararam de fingir que os dados brutos eram automaticamente utilizáveis e começaram a construir camadas de tradução que correspondiam à maneira como o negócio realmente pensava e operava.

Os modelos de métricas fizeram isso definindo os cálculos uma única vez, em vez de deduzi-los novamente em cada relatório. A receita passou a ter o mesmo significado em todos os lugares porque alguém dedicou tempo a codificar sua definição. Modelos de dados e esquemas dimensionais fizeram o mesmo no plano estrutural. Transformaram tabelas operacionais em conceitos como cliente, produto, pedido e tempo. Os usuários de negócio já não precisavam entender quantas junções de tabelas eram necessárias para responder a uma pergunta básica. As relações já estavam definidas.

Os catálogos de dados e as definições submetidas à governança resolveram outra parte do problema. Registraram significados que antes existiam apenas na cabeça das pessoas. O que esse campo representa? Quando deve ser usado? Quais são suas limitações? O contexto deixou de ser um conhecimento informal restrito a um grupo e passou a fazer parte do sistema.

Juntas, essas camadas absorveram a complexidade e a tornaram administrável. Criaram abstrações estáveis que permitiram a mais pessoas — e a mais sistemas — raciocinar corretamente sem reinterpretar o mundo do zero a cada vez. É exatamente isso que falta ao comércio B2B hoje.

A descoberta de produtos por agentes impõe a mesma revisão de fundamentos

O comércio conduzido por agentes de IA submete os dados de produtos B2B ao mesmo teste. Fabricantes e distribuidores não carecem de informações sobre produtos. Já armazenam quantidades enormes, de especificações e configurações à lógica de preços e às restrições contratuais.

O problema é que quase todos esses dados foram estruturados para pessoas. As especificações estão em PDFs. As regras são explicadas em um catálogo impresso que nunca foi colocado na internet. As exceções ficam implícitas nos processos administrativos de vendas, em vez de serem codificadas. Coisas demais dependem da memória da organização quando o contexto existe apenas na cabeça das equipes de vendas.

Um agente de IA não passa os olhos por um PDF e entende a ideia geral. Não sabe qual frase expressa uma restrição obrigatória e qual é linguagem de vendas. Não pode deduzir regras com segurança a partir da formatação ou do tom. Se o significado não estiver explícito, o agente o trata como desconhecido.

A questão não é que os dados não estruturados sejam ruins

Uma coisa precisa ficar clara. Os dados não estruturados não são o inimigo. Nunca foram.

Na análise empresarial, os dados não estruturados não desapareceram quando surgiram as camadas semânticas. Foram acrescentados como uma camada sobre a estrutura. A estrutura cuidava das regras e das relações. O conteúdo não estruturado cuidava das nuances, das explicações e do contexto.

O mesmo padrão se aplica aqui.

Os agentes precisam de estrutura para raciocinar. Precisam de regras, relações, restrições e estados explícitos. Precisam saber o que é compatível, o que pode ser configurado, o que é permitido e em que condições algo se aplica. O conteúdo não estruturado, sozinho, não consegue fornecer isso de modo confiável.

Mas a estrutura sozinha também não basta. Os agentes não apenas recuperam atributos. Comparam opções e avaliam as vantagens e desvantagens das escolhas. Decidem tanto o que algo é quanto quando deve ser recomendado.

O conteúdo explicativo é a camada que esclarece a intenção, o posicionamento e os casos de uso. É a diferença entre dizer que um produto existe e explicar em que situação escolhê-lo. No mundo dos dados empresariais, isso aparecia em definições, documentação e contexto de negócio. Aqui, aparece como uma explicação no nível do produto com a qual os agentes podem aprender. Enquanto os dados estruturados de produtos dizem ao agente o que é verdadeiro, o conteúdo explicativo o ajuda a decidir o que importa.

O comércio foi otimizado para apresentação, não para raciocínio

Essa é a parte desconfortável. A infraestrutura do comércio nunca deu, de fato, o salto que os dados empresariais deram. Construímos sistemas melhores de gestão de informações de produtos, os PIMs, catálogos mais ricos e páginas de produtos mais bonitas. Mas nunca construímos uma verdadeira camada semântica para produtos; otimizamos a apresentação.

Enquanto as pessoas mediavam as compras B2B, isso funcionava. Os representantes de vendas explicavam os casos especiais. Os compradores toleravam a ambiguidade e todos sabiam contornar as limitações do sistema.

Os agentes removem essa proteção intermediária. No B2B, as fissuras aparecem imediatamente. Os preços variam conforme a conta do cliente. A disponibilidade muda conforme a região. A compatibilidade depende da configuração. Os contratos têm precedência sobre as condições padrão. Os direitos concedidos importam. Nada disso pode ser adivinhado com segurança.

Ao avaliar um produto, o agente não se impressiona com uma descrição bem escrita. Quer saber o que serve, o que é permitido, o que é compatível e o que acontece depois. Se essas informações não estiverem explícitas, ele não pede esclarecimentos: simplesmente segue adiante.

O que as empresas de comércio precisam fazer agora

Este é o ponto de virada. As empresas de comércio podem continuar tratando os dados de produtos como conteúdo interpretado por pessoas. Ou podem começar a tratá-los como uma infraestrutura na qual as máquinas baseiam seu raciocínio.

Isso significa que as especificações precisam se tornar atributos com significado definido. A compatibilidade precisa ser codificada como relações, não explicada em parágrafos. A precificação precisa ser expressa como lógica. Os direitos concedidos precisam ser explícitos. A disponibilidade precisa ser representada por informações de estado precisas.

É exatamente a mesma mudança que as empresas tiveram de fazer na análise de dados. Quando dados brutos e tabelas não bastavam, era necessário definir o significado. Uma vez que esse núcleo estruturado existe, o conteúdo explicativo deixa de ser a única fonte de verdade para a IA e se torna a camada que ensina os agentes a aplicar essa verdade em situações reais.

Os fabricantes e distribuidores que fizerem isso se tornarão compreensíveis para os agentes. Seus produtos serão mais fáceis de avaliar e recomendar, e será mais fácil confiar neles. Os demais ainda terão dados, mas eles funcionarão como os antigos armazéns de dados empresariais: tecnicamente presentes, praticamente inutilizáveis.

O padrão é antigo, mas as consequências são novas

Nada disso é especulativo. Já vimos os dados empresariais passarem por esse mesmo ciclo. A única diferença agora é o usuário. Em vez de analistas de negócio, são agentes autônomos. Em vez de painéis, são recomendações. Em vez de decisões lentas, é a exclusão imediata.

O comércio conduzido por agentes de IA revela um problema de dados empresariais que existe há décadas. As empresas que reconhecerem isso e tratarem os dados de produtos como as empresas aprenderam a tratar os dados operacionais se adaptarão rapidamente. As demais continuarão acrescentando PDFs, reescrevendo descrições e se perguntando por que os agentes parecem nunca escolhê-las.

A história se repete. Desta vez, as máquinas estão prestando atenção.

Bryan é o CEO da Elastic Path, onde ele lidera a GTM, o sucesso do cliente, os serviços globais e as equipes de produtos. Anteriormente, Bryan foi o Diretor Comercial Chefe da Neural Magic (adquirida pela Red Hat), uma startup de software de aprendizado profundo onde ele dirigia o Produto, a GTM e o Sucesso do Cliente.