Tankeledare

Handel med AI-agenter upprepar ett gammalt misstag med företagsdata

Bryan House
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterAgentic handel kräver strukturerad produktdata som maskiner kan resonera över, inte…
Visa mer
  • Agentic handel kräver strukturerad produktdata som maskiner kan resonera över, inte bara mänskligt läsbart innehåll.
  • B2B-handel måste bygga semantiska produktlager som explicit kodar regler, relationer och begränsningar.
  • Företag som behandlar produktdata som infrastruktur kommer att bli läsbara för AI-agenter och få ett konkurrensfördel.

Länge byggde B2B-handeln på ett enkelt antagande: människor bläddrar och letar.

De läser produktsidor, ögnar igenom specifikationer och accepterar vaga formuleringar eftersom de vet hur de ska ställa följdfrågor. Om något är oklart mejlar de en säljare. Om en regel ligger gömd i en fotnot fyller erfarenheten i luckorna.

B2B-produktdata utvecklades helt utifrån detta beteende. Informationen behövde aldrig vara tillräcklig i sig, bara gå att tolka för en människa. Med AI gäller inte längre det antagandet.

Vi har varit här förut med företagsdata

Om detta känns bekant finns det en anledning. För tio år sedan förde företag ett mycket liknande samtal om data. Datalagren var fulla, datasjöarna svämmade över och i slutänden exporterade varje system något. På papperet var företagen rika på data. I praktiken gick ingenting snabbt eftersom verksamhetsanvändare inte kunde få svar på grundläggande frågor utan analytiker som tolkar. SQL blev en flaskhals.

Företagsdata var organiserade efter hur systemen lagrade information, inte efter hur människor resonerade om verksamheten. Rader och kolumner fanns, men inte begreppen. Intäkterna fanns i tre tabeller. Kund betydde fem olika saker beroende på vem man frågade och när. Mått diskuterades i all oändlighet eftersom ingen hade definierat dem tydligt.

Genombrottet för företagsdata kom när man accepterade komplexiteten och tog kontroll över den. Semantiska lager är ett exempel, men de var del av en bredare förändring. Företagen slutade låtsas att rådata automatiskt var användbara och började bygga tolkningslager som motsvarade hur verksamheten faktiskt tänkte och arbetade.

Måttmodeller gjorde detta genom att definiera beräkningar en gång, i stället för att härleda dem på nytt i varje rapport. Intäkter betydde samma sak överallt eftersom någon hade tagit sig tid att koda innebörden. Datamodeller och dimensionella scheman gjorde samma sak på strukturnivå. De omvandlade operativa tabeller till begrepp som kund, produkt, order och tid. Verksamhetsanvändare behövde inte längre förstå hur många tabellsammanfogningar som krävdes för att besvara en enkel fråga. Relationerna fanns redan på plats.

Datakataloger och förvaltade definitioner tog hand om en annan del av problemet. De fångade betydelser som tidigare bara fanns i människors huvuden. Vad representerar detta fält? När ska det användas? Vilka begränsningar har det? Sammanhanget slutade vara informell kunskap inom en viss grupp och blev en del av systemet.

Tillsammans tog dessa lager hand om komplexiteten och gjorde den hanterbar. De skapade stabila abstraktioner som gjorde det möjligt för fler människor — och fler system — att resonera korrekt utan att tolka om världen från grunden varje gång. Det är precis vad B2B-handeln saknar i dag.

Agentstyrd produktsökning tvingar fram samma omprövning

Handel som drivs av AI-agenter utsätter B2B-produktdata för samma test. Tillverkare och distributörer saknar inte produktinformation. De lagrar redan enorma mängder: specifikationer, konfigurationer, prissättningslogik och avtalsmässiga begränsningar.

Problemet är att nästan alla dessa data har strukturerats för människor. Specifikationer ligger i PDF-filer. Regler förklaras i en tryckt produktkatalog som aldrig kom ut på nätet. Undantag är underförstådda i försäljningens interna administrativa processer i stället för kodade. Alltför mycket bygger på organisationens kollektiva minne när sammanhanget bara finns i säljteamens huvuden.

En AI-agent ögnar inte igenom en PDF och förstår ungefär vad som menas. Den vet inte vilken mening som anger en absolut begränsning och vilken som är säljspråk. Den kan inte säkert sluta sig till regler utifrån formatering eller tonfall. Om innebörden inte är uttrycklig behandlar agenten den som okänd.

Det handlar inte om att ostrukturerade data är dåliga

En sak behöver vara tydlig. Ostrukturerade data är inte fienden. Det har de aldrig varit.

Inom företagsanalys försvann inte ostrukturerade data när de semantiska lagren kom. De lades som ett lager ovanpå strukturen. Strukturen hanterade regler och relationer. Det ostrukturerade innehållet förmedlade nyanser, förklaringar och sammanhang.

Samma mönster gäller här.

Agenter behöver struktur för att resonera. De behöver uttryckliga regler, relationer, begränsningar och tillstånd. De måste veta vad som är kompatibelt, vad som går att konfigurera, vad som är tillåtet och under vilka villkor något gäller. Enbart ostrukturerat innehåll kan inte ge detta på ett tillförlitligt sätt.

Men enbart struktur räcker inte heller. Agenter hämtar inte bara attribut. De jämför alternativ och väger för- och nackdelar. De avgör både vad något är och när det bör rekommenderas.

Beskrivande innehåll är det lager som förklarar syfte, positionering och användningsfall. Det är skillnaden mellan ”den här produkten finns” och ”det här är tillfället då du bör välja den”. I företagsdatavärlden tog detta formen av definitioner, dokumentation och verksamhetssammanhang. Här tar det formen av förklaringar på produktnivå som agenter kan lära av. Strukturerade produktdata talar om för agenten vad som är sant, medan det beskrivande innehållet hjälper den att avgöra vad som är viktigt.

Handeln har optimerats för presentation, inte för resonemang

Det här är den obekväma delen. Handelns infrastruktur tog aldrig riktigt det steg som företagsdata tog. Vi byggde bättre system för produktinformationshantering, PIM-system. Vi byggde mer innehållsrika kataloger och snyggare produktsidor. Men vi byggde aldrig ett verkligt semantiskt lager för produkter; vi optimerade för presentation.

Så länge människor förmedlade B2B-köpen fungerade det. Säljare förklarade specialfall. Köpare accepterade tvetydighet, och alla visste hur man tog sig runt systemets brister.

Agenter tar bort den bufferten. Inom B2B syns sprickorna omedelbart. Priserna varierar mellan kundkonton. Tillgängligheten ändras mellan regioner. Kompatibiliteten beror på konfigurationen. Avtal har företräde framför standardvillkor. Rättigheter spelar roll. Inget av detta går att gissa säkert.

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 härnäst. Om den informationen inte är uttrycklig ber agenten inte om ett förtydligande, utan går helt enkelt vidare.

Vad handelsföretag behöver göra nu

Det här är vändpunkten. Handelsföretag kan fortsätta behandla produktdata som innehåll som människor tolkar. Eller så kan de börja behandla dem som infrastruktur som maskiner använder för att resonera.

Det betyder att specifikationer måste bli attribut med definierad innebörd. Kompatibilitet måste kodas som relationer, inte förklaras i textstycken. Prissättning måste uttryckas som logik. Rättigheter måste vara uttryckliga. Tillgängligheten måste beskrivas med precisa tillstånd.

Det är exakt samma förändring som företagen behövde göra inom analys. När rådata och tabeller inte räckte till behövde innebörden definieras. När den strukturerade kärnan väl finns är det beskrivande innehållet inte längre AI:ns enda källa till sanning. Det blir det lager som lär agenter att tillämpa denna sanning i verkliga situationer.

Tillverkare och distributörer som gör detta blir begripliga för agenter. Deras produkter blir lättare att utvärdera, rekommendera och lita på. De som inte gör det kommer fortfarande att ha data, men de kommer att fungera som gamla företagsdatalager: tekniskt närvarande men i praktiken oanvändbara.

Mönstret är gammalt, men konsekvenserna är nya

Inget av detta är spekulativt. Vi har redan sett företagsdata gå igenom exakt samma cykel. Den enda skillnaden nu är användaren. I stället för verksamhetsanalytiker är det autonoma agenter. I stället för instrumentpaneler är det rekommendationer. I stället för långsamma beslut är det omedelbar uteslutning.

Handel som drivs av AI-agenter blottlägger ett decennier gammalt problem med företagsdata. De företag som inser detta och behandlar produktdata på det sätt som företag lärde sig behandla operativa data kommer att anpassa sig snabbt. De andra fortsätter lägga till PDF-filer, skriva om beskrivningar och undra varför agenterna aldrig verkar välja dem.

Historien upprepar sig. Den här gången är det maskinerna som är uppmärksamma.

Bryan är VD på Elastic Path, där han leder GTM, kundframgång, globala tjänster och produktteam. Tidigare var Bryan övergripande kommersiell chef på Neural Magic (förvärvad av Red Hat), ett mjukvarustartupföretag inom djupinlärning där han drev Produkt, GTM och kundframgång.