思想领袖

智能体商务正在重蹈企业数据的旧日覆辙

Bryan House
将 Unite.AI 添加到您在 Google 上的首选来源
要点智能体商务需要结构化的产品数据,供机器进行逻辑推理,而不仅是人类可读的内容。
查看更多
  • 智能体商务需要结构化的产品数据,供机器进行逻辑推理,而不仅是人类可读的内容。
  • B2B商务必须构建语义产品层,明确编码规则、关联与约束。
  • 将产品数据视为基础设施的企业将获得AI智能体的可读性,并赢得竞争优势。

长期以来,B2B商务一直建立在一个简单的假设上:浏览信息的是人。

人们阅读产品页面,扫一眼规格表,也能容忍含糊的表述,因为他们知道如何继续追问。不清楚的地方,可以给销售代表发邮件。规则藏在脚注里,经验也能帮助补足信息。

B2B产品数据完全围绕这种行为发展起来。它从来不需要独立提供充分的信息,只需要让人能够理解和解读。随着AI的到来,这个假设不再成立。

企业数据已经经历过同样的问题

如果这听起来很熟悉,那并不奇怪。十年前,企业就在围绕数据进行非常相似的讨论。数据仓库塞得满满当当,数据湖不断溢出,最终每个系统都在导出某些数据。表面上看,企业拥有丰富的数据;实际上,什么事都快不起来,因为没有分析师充当翻译,业务用户连基本问题都无法回答。SQL成了瓶颈。

企业数据按照系统存储信息的方式组织,而不是按照人们理解和推理业务的方式组织。行和列都有,概念却没有。收入信息散落在三张表中。“客户”会根据询问对象和时间的不同,产生五种不同的含义。指标引发无休止的争论,因为没人把它们定义清楚。

企业数据的突破,来自接受复杂性并将其纳入可控范围。语义层就是一个例子,但它只是更广泛转变的一部分。企业不再假装原始数据天然就能使用,而是开始构建与业务实际思考和运作方式相符的转换层。

指标模型通过一次定义计算方式,而不是在每份报表中重新推导,做到了这一点。因为有人花时间将收入的定义编码下来,它在各处都具有相同的含义。数据模型和维度模式也从结构上发挥了同样的作用,把业务操作表转换为客户、产品、订单、时间等概念。业务用户不再需要弄清楚,为回答一个基本问题究竟要做多少次表连接;所需的关系已经定义好了。

数据目录和受治理的定义解决了问题的另一个部分。它们记录下原本只存在于人们头脑中的含义:这个字段代表什么?什么时候该使用?有哪些限制?上下文不再是少数人掌握的隐性知识,而成了系统的一部分。

这些层共同吸收复杂性,让它变得可以管理和运用。它们建立了稳定的抽象,使更多的人和系统能够正确推理,而不必每次都从头重新解释整个世界。这正是今天B2B商务所缺少的。

由智能体主导的产品发现,正在迫使企业进行同样的反思

智能体商务正在让B2B产品数据接受同样的考验。制造商和分销商并不缺产品信息。他们已经存储了海量信息,从规格、配置,到定价逻辑、合同限制,无所不包。

问题在于,几乎所有这些数据都是按人的需要组织的。规格放在PDF里,规则写在从未上线的纸质产品目录里,例外情况则隐含在销售后台流程中,没有被编码。上下文只存在于销售团队的头脑中,导致太多事情依赖组织记忆。

AI智能体不会扫一眼PDF就领会大意。它不知道哪句话是硬性限制,哪句话只是销售话术。它不能安全地从排版或语气推断规则。如果含义没有明示,智能体就会将其视为未知。

这并不是说非结构化数据不好

有一点必须说清楚:非结构化数据不是敌人,从来都不是。

在企业分析中,语义层出现后,非结构化数据并没有消失,而是作为一层内容叠加在结构之上。结构负责规则和关系,非结构化内容负责细微差别、解释和上下文。

同样的模式也适用于这里。

智能体需要结构才能推理。它们需要明确的规则、关系、限制和状态,需要知道什么可以兼容、什么能够配置、什么被允许,以及某件事在什么条件下适用。仅靠非结构化内容,无法可靠地提供这些信息。

但仅有结构也不够。智能体不只是检索属性,还要比较选项、评估取舍。它们既要判断某个事物是什么,也要判断何时应该推荐它。

叙述性说明是解释意图、定位和使用场景的那一层。它体现了“这个产品存在”和“这种情况下你应该选择它”之间的区别。在企业数据领域,它表现为定义、文档和业务上下文;在这里,它表现为智能体可以学习的产品级说明。结构化产品数据告诉智能体什么是事实,叙述性说明则帮助它判断什么重要。

商务一直在优化展示,而不是推理

这正是令人不安的地方。商务基础设施从未真正完成企业数据所经历的飞跃。我们构建了更好的产品信息管理系统,即PIM,编制了更丰富的目录,也制作了更漂亮的产品页面。但我们从未为产品建立真正的语义层,优化的一直是展示。

只要人类还在B2B采购中充当中介,这就没有问题。销售代表解释特殊情况,买家容忍模糊之处,所有人也都知道怎样绕过系统的不足。

智能体移除了这个缓冲层。在B2B领域,裂缝立刻就会暴露。价格因客户账户而异,供应情况随地区变化,兼容性取决于配置,合同优先于默认条件,所享权利也很重要。这些信息都不能安全地靠猜测得出。

智能体评估产品时,不会被精心撰写的描述打动。它想知道什么适合、什么被允许、什么兼容,以及接下来会发生什么。如果这些信息没有明示,智能体不会要求澄清,而是直接转向下一个选择。

商务企业现在需要做什么

这就是转折点。商务企业可以继续把产品数据当作需要人来解读的内容,也可以开始把它当作机器据以推理的基础设施。

这意味着,规格必须成为含义明确定义的属性,兼容性必须编码为关系,而不是用段落解释。定价必须表达为逻辑,所享权利必须明示,供应情况必须以精确的状态信息表示。

这正是企业在分析领域不得不做出的转变。当原始数据和表格不够用时,就必须定义含义。一旦有了结构化的核心,叙述性说明便不再是AI唯一的事实来源,而成为教智能体如何将事实应用于实际情境的那一层。

这样做的制造商和分销商,将能够被智能体理解。他们的产品会更容易评估、推荐和信任。不这样做的企业仍然“拥有数据”,但这些数据会像旧式企业数据仓库一样:技术上存在,实际上却无法使用。

模式是旧的,后果却是新的

这并非猜想。我们已经目睹企业数据经历过完全相同的循环。现在唯一的区别是用户。业务分析师变成了自主智能体,仪表板变成了推荐,缓慢的决策变成了即时排除。

智能体商务正在揭示一个存在数十年的企业数据问题。认识到这一点,并像企业已经学会处理业务操作数据那样处理产品数据的公司,将迅速适应。其他公司则会继续添加PDF、重写描述,困惑于为什么智能体似乎从来不选择自己。

历史正在重演。这一次,关注者是机器。

Bryan 是 Elastic Path 的 CEO,在那里他领导了 GTM、客户成功、全球服务和产品团队。之前,Bryan 是 Neural Magic(被 Red Hat 收购)的首席商务官,这是一家深度学习软件初创公司,他在那里负责产品、GTM 和客户成功。