Agentic Commerce upprepar ett gammalt företagsdata-misstag

Under en lång tid fungerade B2B-handel under en enkel antagande: Människor bläddrar.

De läser produktsidor, skummar specifikationer och tolererar vag språk för att de vet hur de ska ställa följdfrågor. När något är otydligt, skickar de ett e-postmeddelande till en säljrepresentant. När en regel är begraven i en fotnot, fyller erfarenhet i luckan.

B2B-produktdata utvecklades helt runt detta beteende. Den behövde aldrig stå på egna ben; den behövde bara vara tolkningsbar för en människa. Med AI är den antagandet inte längre fallet.

Vi har varit här förut med företagsdata

Om detta känns bekant, borde det göra det. För ett decennium sedan hade företag ett mycket liknande samtal om data. Lager var fulla, data sjöar var överflödiga och slutligen exporterade varje system något. På papper var företagen data rika. I praktiken rörde sig ingenting snabbt eftersom affärsanvändare inte kunde besvara grundläggande frågor utan analytiker som översättare. SQL blev en flaskhals.

Företagsdata var organiserad runt hur system lagrade information, inte hur människor resonerade om verksamheten. Rader och kolumner fanns, men begrepp fanns inte. Intäkter bodde i tre tabeller. “Kund” betydde fem olika saker beroende på vem du frågade och när. Mått debatterades ändlöst eftersom ingen hade definierat dem tydligt.

Genombrottet i företagsdata kom från att acceptera komplexitet och innesluta den. Semantiska lager är ett exempel, men de var en del av en bredare förändring. Företag slutade låtsas att rådata var användbar som standard och började bygga översättningslager som matchade hur verksamheten faktiskt tänkte och opererade.

Måttmodeller gjorde detta genom att definiera beräkningar en gång istället för att omvandla dem i varje rapport. Intäkter betydde samma sak överallt eftersom någon hade tagit sig tid att koda den. Data modeller och dimensionella scheman gjorde samma sak strukturellt. De omvandlade operativa tabeller till begrepp som kund, produkt, order och tid. Affärsanvändare behövde inte längre förstå hur många kopplingar som krävdes för att besvara en grundläggande fråga. Relationerna fanns redan där.

Datakataloger och styrda definitioner hanterade en annan del av problemet. De fångade mening som tidigare levde i människors huvuden. Vad representerar det här fältet? När ska det användas? Vilka är dess begränsningar? Sammanhang slutade vara stamkunskap och blev en del av systemet.

Tillsammans absorberade dessa lager komplexitet och gjorde den operativ. De skapade stabila abstraktioner som tillät fler människor — och fler system — att resonera korrekt utan att omvandla världen från scratch varje gång. Det är exakt vad B2B-handel saknar idag.

Agent-ledd upptäckt utlöser samma omprövning

Agentic handel tvingar B2B-produktdata genom samma test. Tillverkare och distributörer lider inte brist på produktinformation. De lagrar redan enorma mängder av den: från specifikationer till konfigurationer till prissättningslogik till kontraktsbegränsningar.

Problemet är att nästan all denna data strukturerades för människor. Specifikationer lever i PDF:er. Regler förklaras i en fysisk produktkatalog som aldrig kom online. Undantag antyds i en back-office försäljningsprocess, snarare än kodas. För mycket beror på institutionell minne när sammanhang lever i säljteamens huvuden.

En AI-agent bläddrar inte igenom en PDF och “får idén”. Den vet inte vilken mening som är en hård begränsning och vilken som är säljspråk. Den kan inte säkert dra slutsatser från formatering eller ton. Om meningen inte är explicit, behandlar agenten den som okänd.

Detta handlar inte om ostrukturerad data vara dålig

Det är värt att vara tydlig med något. Ostrukturerad data är inte fienden. Den var aldrig det.

I företagsanalys försvann inte ostrukturerad data när semantiska lager visade sig. Den lades på toppen av struktur. Struktur hanterade regler och relationer. Ostrukturerat innehåll hanterade nyans, förklaring och sammanhang.

Samma mönster gäller här.

Agenter behöver struktur för att resonera. De behöver explicita regler, relationer, begränsningar och tillstånd. De behöver veta vad som är kompatibelt, vad som är konfigurerbart, vad som är tillåtet och under vilka villkor något gäller. Ostrukturerat innehåll ensam kan inte tillförlitligt tillhandahålla det.

Men struktur ensam räcker inte heller. Agenter hämtar inte bara attribut. De jämför alternativ. De utvärderar avvägningar. De bestämmer både vad något är och när det ska rekommenderas.

Berättelse är lagret som förklarar avsikt, position och användningsfall. Det är skillnaden mellan “den här produkten existerar” och “detta är när du ska välja den”. I företagsdata världen visade detta sig som definitioner, dokumentation och affärssammanhang. Här visar det sig som en produkt nivå förklaring som agenter kan lära sig från. Medan strukturerad produktdata berättar för agenten vad som är sant, hjälper berättelsen den att bestämma vad som är viktigt.

Handel har optimerats för presentation, inte resonemang

Detta är den obekväma delen. Handelsinfrastruktur gjorde aldrig riktigt språnget företagsdata gjorde. Vi byggde bättre PIM:er. Vi byggde rikare kataloger. Vi byggde vackrare produktsidor. Men vi byggde aldrig ett riktigt semantiskt lager för produkter; vi optimerade för presentation.

Så länge människor medierade B2B-köp var det okej. Säljrepresentanter förklarade undantagsfall. Köpare tolererade tvetydighet, och alla visste hur man arbetade runt systemet.

Agenter tar bort den bufferten. I B2B visar sprickorna sig omedelbart. Priser varierar med kontot. Tillgänglighet ändras med regionen. Kompatibilitet beror på konfiguration. Kontrakt åsidosätter standarder. Rättigheter spelar roll. Inget av detta är säkert gissningsbart.

När en agent utvärderar en produkt, imponeras den inte av en välskriven beskrivning. Den vill veta vad som passar, vad som är tillåtet, vad som är kompatibelt och vad som händer nästa. Om den informationen inte är explicit, ber agenten inte om förtydligande; den flyttar bara vidare.

Vad handelsföretag behöver göra nu

Detta är inflexionspunkten. Handelsföretag kan fortsätta behandla produktdata som innehåll som människor tolkar. Eller de kan börja behandla den som infrastruktur som maskiner resonerar över.

Det betyder att specifikationer behöver bli attribut med definierad mening. Kompatibilitet behöver kodas som relationer, inte förklaras i stycken. Prissättning behöver uttryckas som logik. Rättigheter behöver vara explicita. Tillgänglighet behöver vara tillståndlig och exakt.

Detta är exakt samma drag som företag hade att göra med analytics. När rådata och tabeller inte räckte, måste mening definieras. Och när den strukturerade kärnan finns, slutar berättelse vara den enda källan till sanning för AI och blir lagret som lär agenter hur man tillämpar den sanningen i verkliga situationer.

Tillverkare och distributörer som gör detta kommer att bli läsbara för agenter. Deras produkter kommer att vara lättare att utvärdera, lättare att rekommendera och lättare att lita på. De som inte gör det kommer fortfarande att “ha data”, men den kommer att fungera som gamla företagslager gjorde: tekniskt närvarande, men praktiskt sett oanvändbar.

Mönstret är gammalt, men konsekvenserna är inte

Inget av detta är spekulativt. Vi har redan sett företagsdata gå igenom exakt samma cykel. Den enda skillnaden nu är användaren. Istället för affärsanalytiker är det autonoma agenter. Istället för instrumentpaneler är det rekommendationer. Istället för långsamma beslut är det omedelbara uteslutningar.

Agentic handel exponerar ett decennier gammalt företagsdata problem. Företagen som erkänner det — och behandlar produktdata på samma sätt som företag lärde sig att behandla operativ data — kommer att anpassa sig snabbt. De som inte gör det kommer att fortsätta lägga till PDF:er, skriva om beskrivningar och undra varför agenter aldrig verkar välja dem.

Historien upprepar sig. Den här gången är maskinerna uppmärksamma.