Want AI kijkt niet alleen naar het verhaal op je homepage. Het heeft gestructureerde informatie nodig die het kan vergelijken, classificeren, valideren en toelichten. Als de gegevens achter je producten, diensten, categorieën en systemen rommelig zijn, is zelfs het mooiste merkverhaal ter wereld misschien niet genoeg.
Dat is het moment waarop gegevens een zichtbaarheidsprobleem worden, en niet langer alleen een probleem voor de interne bedrijfsvoering. Gisteren hielp SEO bedrijven om gevonden te worden. Morgen kunnen gestructureerde gegevens bepalen wie er wordt gekozen.
Gisteren SEO, vandaag GEO
Ik hoorde onlangs iemand deze verschuiving als volgt omschrijven: gisteren had je SEO nodig, vandaag heb je GEO nodig. GEO staat voor Generative Engine Optimization. Misschien blijft die term wel bestaan. Misschien bedenkt iemand over drie maanden een nieuw acroniem en doen we allemaal alsof het iets heel anders is. De techwereld doet dat graag.
Maar het idee is nuttig. Als AI een rol gaat spelen in hoe mensen zoeken, vergelijken en beslissingen nemen, moeten bedrijven nadenken over de informatie waarmee AI daadwerkelijk aan de slag kan. Niet alleen marketingteksten, maar de feitelijke gegevens achter producten, diensten, categorieën, kenmerken, documenten en systemen.
Lange tijd hielp storytelling bedrijven om aandacht te trekken. Ik denk nog steeds dat dat belangrijk is. Maar AI heeft meer nodig dan een mooie zin. Het heeft structuur, context, consistentie en voldoende details nodig om te vergelijken, te classificeren, uit te leggen en aanbevelingen te doen.
Productgegevens maken dit heel concreet
Productgegevens zijn een goed voorbeeld om dit probleem te illustreren, omdat het er eenvoudig uitziet totdat je er daadwerkelijk mee aan de slag gaat. Op papier heeft een product een titel, beschrijving, afbeelding, prijs, categorie, specificaties, leveranciersgegevens, misschien verpakkingsgegevens, misschien velden voor naleving. Prima.
Dan komen de daadwerkelijke gegevens binnen. De ene leverancier stuurt een Excel-bestand. Een andere stuurt een CSV-bestand. Weer een andere heeft een API. Nog een andere stuurt PDF’s. Afbeeldingen komen apart binnen. Eenheden zijn niet consistent. Attribuutnamen komen niet overeen. Categorieën verschillen. Verplichte velden ontbreken. Iemand moet nog steeds alles in kaart brengen, opschonen, verrijken, valideren en publiceren.
Dit was al moeilijk toen het doel was om producten in een PIM, ERP, webshop of marktplaats te krijgen. Voeg daar nu nog AI-gestuurde zoekfuncties en aanbevelingen aan toe. Plotseling zijn rommelige productgegevens niet langer alleen een intern workflowprobleem. Het bepaalt mede of een product begrepen, vergeleken en aanbevolen kan worden. Of genegeerd.
Een goed product kan nog steeds verdwijnen
Stel je voor dat iemand aan een AI-assistent vraagt: „Wat is de beste jas om in regenachtig weer naar het werk te fietsen, onder de € 150, verkrijgbaar in maat M en gemaakt van gerecycled materiaal?“ Dat voelt niet meer futuristisch aan. Mensen stellen al dit soort vragen aan tools.
Om goed te kunnen antwoorden, heeft AI gestructureerde informatie nodig: categorie, gebruikssituatie, prijs, beschikbaarheid, maat, materiaal, waterdichtheid, informatie over duurzaamheid en waarschijnlijk nog een paar andere kenmerken. Als die informatie ontbreekt, inconsistent is, verborgen zit in een PDF, in elk leveranciersbestand anders is geschreven of ergens in vrije tekst is weggestopt, wordt het product mogelijk niet goed genoeg begrepen.
Het product zelf is misschien geweldig. De gegevens zijn dat niet. Die kloof wordt belangrijker wanneer AI onderdeel wordt van het aankooptraject.
Slechte gegevens waren vroeger makkelijker te verbergen
Rommelige productgegevens bleven vroeger meestal binnen het bedrijf. Een leveranciersbestand loopt vast, iemand repareert het. Een export naar een marktplaats mislukt, iemand controleert het. Een verplicht veld ontbreekt, iemand vraagt erom. Een spreadsheet wordt ‘tijdelijk’ voor drie jaar.
De kosten zijn reëel, maar vaak verborgen. Ze komen tot uiting in vertragingen, herwerk, handmatige controles, mislukte importen en een handjevol mensen die weten hoe alles daadwerkelijk werkt. Altijd gevaarlijk, vooral als ze op vakantie gaan.
Maar AI verandert de druk. Als AI-systemen invloed hebben op hoe producten worden ontdekt, vergeleken, aanbevolen of uitgesloten, worden onduidelijke gegevens ook een zichtbaarheidsprobleem. Het gaat niet langer alleen om interne efficiëntie. Het gaat erom of je informatie bruikbaar is op de plek waar beslissingen worden genomen.
Vandaag ben je misschien te laat voor ChatGPT. Morgen ben je misschien te laat voor alles wat op AI is gebaseerd. Dat klinkt dramatisch, maar markten lijken vaak stabiel totdat ze dat niet meer zijn.
Nokia was ook ooit een succesvol telefoonbedrijf.
Het volgende voordeel is begrijpelijke data
Ik denk niet dat de toekomst alleen toebehoort aan de bedrijven met de grootste AI-budgetten. Ik denk dat deze ook zal toebehoren aan bedrijven waarvan de data het gemakkelijkst te begrijpen, te vertrouwen en te gebruiken zijn.
Begrijpelijke data betekent duidelijke kenmerken, consistente categorieën, gevalideerde velden en workflows die rommelige invoer kunnen verwerken voordat deze zich stroomafwaarts verspreidt. Het betekent data die werkt voor mensen, systemen en AI.
Gisteren hielp SEO bedrijven om gevonden te worden. Morgen zullen gestructureerde gegevens bedrijven helpen om gekozen te worden. En bedrijven die te lang wachten, zullen misschien niet van de ene op de andere dag verdwijnen. Ze zullen wellicht gewoon langzaam uit beeld raken op de plekken waar beslissingen worden genomen en uiteindelijk onbelangrijk worden.
De auteur is Thorin, oprichter, CEO en CTO van ProductFlight. Bekijk zijn LinkedIn-profiel.
Deze blogpost is een bijdrage van ProductFlight. ProductFlight helpt organisaties met AI-gestuurde productdatatransformatie voor de moderne detailhandel. Ga voor meer informatie naar www.productflight.io of bezoek de stand van ProductFlight op Data Expo.
