Лидеры мнений
Коммерция на основе ИИ-агентов повторяет старую ошибку корпоративных данных

Ключевые моментыАгентная коммерция требует структурированных данных о продуктах, которые могут…
Показать больше
- Агентная коммерция требует структурированных данных о продуктах, которые могут обрабатываться машинами, а не только понятного человеку контента.
- В B2B-коммерции необходимо создавать семантические продуктовые слои, явно кодирующие правила, взаимосвязи и ограничения.
- Компании, рассматривающие продуктовые данные как инфраструктуру, станут понятными для ИИ-агентов и получат конкурентное преимущество.
Долгое время B2B-коммерция основывалась на простом предположении: информацию просматривают люди.
Они читают страницы товаров, бегло просматривают спецификации и терпят расплывчатые формулировки, потому что умеют задавать уточняющие вопросы. Если что-то непонятно, они пишут торговому представителю. Если правило скрыто в сноске, опыт помогает восполнить пробел.
Данные о товарах B2B развивались полностью вокруг этого поведения. Им никогда не требовалось быть достаточными сами по себе: нужно было лишь, чтобы человек мог их интерпретировать. С появлением ИИ это предположение перестало работать.
С корпоративными данными мы уже через это проходили
Если это кажется знакомым, на то есть причина. Десять лет назад предприятия вели очень похожие разговоры о данных. Хранилища данных были полны, озёра данных переполнялись, и в конечном счёте каждая система что-то экспортировала. На бумаге компании были богаты данными. На практике ничто не двигалось быстро, потому что бизнес-пользователи не могли ответить на простые вопросы без аналитиков в роли переводчиков. SQL стал узким местом.
Корпоративные данные организовывались в соответствии с тем, как системы хранили информацию, а не с тем, как люди рассуждали о бизнесе. Строки и столбцы были, а понятий не было. Выручка находилась в трёх таблицах. Клиент означал пять разных вещей в зависимости от того, кого и когда спрашивали. О метриках спорили бесконечно, потому что никто не дал им чёткого определения.
Прорыв в работе с корпоративными данными произошёл благодаря принятию сложности и установлению контроля над ней. Семантические слои — один из примеров, но они были частью более широких перемен. Предприятия перестали делать вид, что сырые данные пригодны к использованию сами по себе, и начали создавать слои преобразования, соответствующие реальному мышлению и работе бизнеса.
Модели метрик добились этого, определяя расчёты один раз, вместо того чтобы выводить их заново в каждом отчёте. Выручка стала означать одно и то же везде, потому что кто-то потратил время на кодирование её определения. Модели данных и многомерные схемы сделали то же самое на структурном уровне. Они превратили операционные таблицы в понятия: клиент, товар, заказ, время. Бизнес-пользователям больше не нужно было понимать, сколько соединений таблиц потребуется для ответа на простой вопрос. Связи уже были заданы.
Каталоги данных и определения, охваченные процедурами управления, решили другую часть проблемы. Они зафиксировали значения, которые прежде существовали только в головах людей. Что представляет собой это поле? Когда его следует использовать? Какие у него ограничения? Контекст перестал быть неформальным знанием узкого круга людей и стал частью системы.
Вместе эти слои вобрали в себя сложность и сделали её управляемой. Они создали устойчивые абстракции, позволившие большему числу людей — и систем — правильно рассуждать, не интерпретируя мир с нуля каждый раз. Именно этого сегодня не хватает B2B-коммерции.
Поиск товаров с помощью агентов вынуждает к такому же пересмотру подходов
Коммерция на основе ИИ-агентов подвергает данные о товарах B2B тому же испытанию. Производители и дистрибьюторы не испытывают недостатка в информации о товарах. Они уже хранят её огромные объёмы: от спецификаций и конфигураций до логики ценообразования и договорных ограничений.
Проблема в том, что почти все эти данные структурированы для людей. Спецификации находятся в PDF. Правила объясняются в печатном каталоге товаров, который так и не появился в интернете. Исключения подразумеваются в административных процессах продаж, а не кодируются. Слишком многое зависит от памяти организации, когда контекст остаётся только в головах команд продаж.
ИИ-агент не просматривает PDF бегло, чтобы просто уловить общий смысл. Он не знает, какое предложение выражает обязательное ограничение, а какое является языком продаж. Он не может безопасно вывести правила из форматирования или тона. Если значение не указано явно, агент считает его неизвестным.
Дело не в том, что неструктурированные данные плохи
Одно нужно прояснить: неструктурированные данные не враг. Они никогда им не были.
В корпоративной аналитике неструктурированные данные не исчезли с появлением семантических слоёв. Их добавили как слой поверх структуры. Структура отвечала за правила и связи. Неструктурированный контент — за нюансы, объяснения и контекст.
Здесь действует тот же принцип.
Агентам нужна структура, чтобы рассуждать. Им нужны явные правила, связи, ограничения и состояния. Они должны знать, что совместимо, что можно конфигурировать, что разрешено и при каких условиях что-либо применимо. Один лишь неструктурированный контент не может надёжно предоставить эти сведения.
Но и одной структуры недостаточно. Агенты не просто извлекают атрибуты. Они сравнивают варианты и оценивают компромиссы. Они определяют и то, что собой представляет предмет, и то, когда его следует рекомендовать.
Пояснительное описание — это слой, раскрывающий намерение, позиционирование и сценарии использования. Оно создаёт разницу между утверждением, что товар существует, и объяснением, в какой ситуации его стоит выбрать. В мире корпоративных данных это выражалось в определениях, документации и бизнес-контексте. Здесь это объяснения на уровне товара, по которым агенты могут учиться. Структурированные данные о товарах говорят агенту, что является фактом, а пояснительное описание помогает определить, что важно.
Коммерцию оптимизировали для представления, а не для рассуждения
Это неудобная часть. Инфраструктура коммерции так и не совершила скачка, который произошёл с корпоративными данными. Мы создавали лучшие системы управления информацией о товарах, то есть PIM, более содержательные каталоги и более красивые страницы товаров. Но настоящего семантического слоя для товаров мы не построили: мы оптимизировали представление.
Пока люди были посредниками в закупках B2B, это работало. Торговые представители объясняли особые случаи. Покупатели терпели неоднозначность, и все знали, как обходить недостатки системы.
Агенты убирают этот буфер. В B2B трещины видны сразу. Цены зависят от учётной записи клиента. Доступность меняется в зависимости от региона. Совместимость зависит от конфигурации. Договорные условия имеют приоритет над условиями по умолчанию. Предоставленные права имеют значение. Ничего из этого нельзя безопасно угадывать.
Оценивая товар, агент не впечатляется хорошо написанным описанием. Он хочет знать, что подходит, что разрешено, что совместимо и что произойдёт дальше. Если сведения не указаны явно, агент не просит пояснений, а просто переходит к следующему варианту.
Что торговым компаниям нужно сделать сейчас
Это переломный момент. Торговые компании могут продолжать считать данные о товарах контентом, который интерпретируют люди. Либо начать относиться к ним как к инфраструктуре, на основе которой рассуждают машины.
Это означает, что спецификации должны стать атрибутами с определённым значением. Совместимость нужно кодировать в виде связей, а не объяснять в абзацах. Ценообразование следует выражать как логику. Предоставленные права должны быть явными. Доступность нужно представлять точными сведениями о её состоянии.
Именно такое изменение предприятиям пришлось осуществить в аналитике. Когда сырых данных и таблиц оказалось недостаточно, потребовалось определить значение. Как только появляется такое структурированное ядро, пояснительное описание перестаёт быть единственным источником истины для ИИ и становится слоем, который учит агентов применять эту истину в реальных ситуациях.
Производители и дистрибьюторы, которые это сделают, станут понятны агентам. Их товары будет проще оценивать и рекомендовать, а доверять им станет легче. Остальные по-прежнему будут иметь данные, но они станут работать как старые корпоративные хранилища: технически существуют, практически непригодны к использованию.
Принцип старый, но последствия новые
Это не предположения. Мы уже видели, как корпоративные данные проходят точно такой же цикл. Теперь единственное различие — пользователь. Вместо бизнес-аналитиков — автономные агенты. Вместо информационных панелей — рекомендации. Вместо медленных решений — мгновенное исключение из списка вариантов.
Коммерция на основе ИИ-агентов выявляет проблему корпоративных данных, существующую десятилетиями. Компании, которые это осознают и будут обращаться с данными о товарах так, как предприятия научились обращаться с операционными данными, быстро адаптируются. Остальные продолжат добавлять PDF, переписывать описания и удивляться, почему агенты, похоже, никогда их не выбирают.
История повторяется. На этот раз внимательно следят машины.












