De agent geeft niet om een "compleet" record. De agent wil het autostoeltje-antwoord kunnen geven.

Het nieuwe stuk van Akeneo over productdata voor agentic commerce begint met een autostoeltje. Een zus heeft er een nodig dat past bij een specifieke auto, een gewichtsklasse, een veiligheidsnorm, een wasbare hoes en een levervenster van twee dagen. Ze opent geen vijf retailer-tabbladen. Ze vraagt het aan ChatGPT en krijgt een shortlist.

Dat is de shopperkant van hetzelfde verhaal dat we al schrijven. De ChatGPT-winkeldata van Searchable, die we uitpakten in Onvolledige productgegevens zorgen ervoor dat je niet lager scoort. Het haalt je uit het antwoord, liet Target, Walmart en eBay veel vaker opduiken dan Amazon, omdat toegankelijke gestructureerde productdata catalogusomvang versloeg. Het autostoeltje is die bevinding met een persoon eraan. Als compatibiliteit in een PDF zit, de hoezenstof marketingtekst is, en twee retailers het oneens zijn over de gewichtsklasse, gaat het model niet gokken. Het kiest een listing die het kan verdedigen.

De nuttige bijdrage van Akeneo is om te benoemen wat "klaar" echt betekent, en dat is geen ingevulde volledigheidsscore in de PIM.

Volledigheid voor een mens is geen volledigheid voor een agent

Een score op verplichte velden in een PIM is een teammetric. Een agent beantwoordt een constraint. "Waterdichte rugzak geschikt voor forenzen met een 16-inch laptop" vraagt waterdichtheid, laptopmaat, inhoud, gebruiksdoel en materialen als feiten, niet als een vibe in de beschrijving. De lijn van Akeneo is praktisch: verrijk rond omgevingen, gelegenheden, compatibiliteit en het probleem dat de koper wil oplossen.

Hetzelfde geldt voor bijvoeglijke naamwoorden. "Sleek design" is ruis. "Voetafdruk van 6 inch die onder standaard keukenkastjes past" is iets waar een model een keuken aan kan matchen. Retourredenen, klantvragen en zoekquery's vertellen je al welke feiten shoppers belangrijk vinden. Die feiten zaten vaak nooit in het oorspronkelijke record, omdat niemand ze als attributen beheerde.

Machineleesbaar is de andere helft. Hoogte, breedte, diepte, materiaal, identifiers en relaties als velden, niet als een alinea die de agent moet scrapen. Mooie PDP's zijn gebouwd voor mensen die gaten vergeven. Agenten doen dat niet.

Houd het record daarna overal hetzelfde. Een agent komt je product tegen op je site, bij een retailer, op een marktplaats, in een feed of op een reviewpagina. Conflicterende specs zijn geen kanaalprobleem. Het is een vertrouwensprobleem. De agent loopt weg.

Het bestuur denkt dat het klaar is. Het projectplan zegt iets anders.

Vijf dagen voor dat blog publiceerde Akeneo een survey onder 1.000 senior IT-beslissers in de VS en Europa. Vijfennegentig procent zegt dat hun organisatie klaar is voor AI-gedreven commerce. Zevenentachtig procent verwacht dat AI-budgetten stijgen. In de VS gaat 44 procent meer dan de helft van de totale AI-projectinspanning naar datapreparatie: ontbrekende attributen, rommelige taxonomieën, conflicterende productinformatie, regionale prijs- en compliance-opschoning.

Dat is de databelasting. Het vertrouwen is hoog. Het werk is nog steeds dezelfde catalogus opnieuw reconciled maken voor elk nieuw agent-use case. Romain Fouache zegt het helder: als je dezelfde data voor elk initiatief opnieuw opschoont en herstructureert, bouw je geen capability. Je bouwt elke keer opnieuw de fundering.

Daarom is AEO als content-sprint het verkeerde budgetgesprek. SEO kreeg een pagina hoog genoeg dat een mens klikte. AEO is of een engine het record in een antwoord kan gebruiken. Ranking redt je niet als de onderliggende informatie incompleet, inconsistent of niet verifieerbaar is. We beargumenteerden de aankoopheelft al in Crystallize bouwt een headless commerce-besturingssysteem: zonder een orderobject dat de agent kan aanmaken en volgen, heb je een leesbare brochure en nergens om de order te plaatsen. Akeneo is de catalogushelft van dat OS. Bestuurde productwaarheid, daarna een transactie die de agent kan afronden.

Wat we hiermee zouden doen

We zouden stoppen met "AI-ready catalogus" als een checkbox naast verplichte velden.

Kies tien producten die echt geld opleveren. Laat de vragen die klanten al stellen, de autostoeltje-vragen, door ChatGPT en Perplexity lopen. Schrijf op waar de shortlist faalt: ontbrekende compatibiliteit, vage materialen, twee kanalen die het oneens zijn, een feit dat alleen in een PDF staat.

Fix daarna het record zoals een agent het leest. Zet de constraint in een attribuut met een eenheid. Schrap het bijvoeglijk naamwoord dat je niet kunt checken. Laat de retailerlisting overeenkomen met de merksite. Trek retourredenen en klantvragen het model in, want dat is de intentielaag die de meeste catalogi nooit opsloegen.

De meeste bedrijven worstelen nog steeds om één bron van waarheid voor productdata vrij te spelen, laat staan die waarheid voor een agent te zetten. De autostoeltje-shortlist gebeurt al. De 44 procent databelasting is de rekening voor doen alsof volledigheid een formulier was. Productdata is de verkoper waar de merchandiser niet naast mag staan. Maak het onmogelijk om verkeerd te begrijpen, of de agent winkelt gewoon ergens anders.

Bron: https://www.akeneo.com/blog/how-to-prepare-your-product-data-for-agentic-commerce/