Dun & Bradstreet (D&B) telah membangun database komersial yang komprehensif selama lebih dari 180 tahun. Commercial Graph mereka mencakup 642 juta bisnis dengan berbagai hubungan, hierarki perusahaan, dan profil risiko yang didesain untuk kebutuhan manusia. Ini adalah sistem yang membantu analis kredit, manajer risiko, dan profesional penjualan yang terbiasa menunggu hasil query dan bekerja melalui entitas yang ambigu. Namun, agen AI tidak bisa melakukannya.
Ketika pelanggan D&B mulai memasukkan agen ke dalam alur kerja kredit, pengadaan, dan rantai pasokan, Commercial Graph yang sebelumnya melayani hampir 200.000 pelanggan di seluruh dunia menjadi masalah. Sistem yang dirancang untuk analis manusia adalah arsitektur yang salah untuk mesin. Maka, D&B memutuskan untuk membangun ulang.
“Kita perlu berpikir tentang agen sebagai kategori konsumen baru kita. Evolusi dari analis kredit atau profesional pemasaran yang biasa, sekarang juga harus melayani agen-agen ini,” ungkap Gary Kotovets, Chief Data and Analytics Officer di Dun & Bradstreet.
Apa yang rusak ketika agen mulai melakukan query
Commercial Graph bukanlah satu database tunggal. Ini adalah kumpulan dari berbagai sistem yang dibangun untuk kasus penggunaan yang berbeda dan pasar yang berbeda, semua terhubung melalui integrasi kustom. Analis manusia dapat menavigasi fragmentasi ini melalui query SQL atau antarmuka yang sudah dibangun. Namun, agen tidak bisa.
Skala data yang mendasari juga menambah masalah. Database itu hampir dua kali lipat dalam lima tahun, dari lebih dari 300 juta menjadi lebih dari 642 juta catatan bisnis, dengan 11.000 field per catatan, menurut D&B. Perusahaan ini kini melakukan sekitar 100 miliar pemeriksaan kualitas data setiap bulan saat catatan bergerak melalui sistem mereka. Melakukan query dengan latensi yang diperlukan oleh agen di atas arsitektur yang terfragmentasi adalah sesuatu yang tidak dapat dilaksanakan.
Hubungan yang dilacak oleh graf ini juga bukan jenis yang tepat. Sistem legacy mencatat koneksi statis antara entitas. Seorang CEO terhubung ke sebuah perusahaan. Itu adalah garis yang kaku. Agen yang bekerja pada penilaian kredit atau risiko pihak ketiga memerlukan hubungan dinamis: ketika CEO itu pindah ke perusahaan baru, rekam jejaknya mengikuti perusahaan mana? Ketika sebuah anak perusahaan berganti kepemilikan, bagaimana itu berpengaruh pada hierarki perusahaan? Pertanyaan-pertanyaan ini memerlukan pekerjaan kustom dari analis sebelumnya. Agen tidak bisa menunggu pekerjaan tersebut.
Masalah lebih luas ini tidak hanya dialami oleh D&B. Kotovets menyatakan bahwa dia telah berbicara dengan ratusan CDO dan CIO dalam enam bulan terakhir dan mendengarkan kendala yang sama: mereka tidak bisa membangun apa yang mereka inginkan dalam AI karena fondasi data mereka tidak standar, dinormalisasi, atau dapat di-query oleh agen. D&B sudah memiliki fondasi itu, dibangun selama puluhan tahun untuk melayani analis manusia. Namun, mereka tetap harus membangun ulang untuk agen.
Apa yang sebenarnya mereka bangun
Pembangunan ulang dimulai dengan konsolidasi. D&B memigrasikan database yang terfragmentasi ke infrastruktur cloud, merancang ulang skema dasar, dan membangun lapisan data fabric yang menormalkan catatan di seluruh pasar sambil mempertahankan persyaratan kepatuhan regional. Hasilnya adalah knowledge graph yang terintegrasi yang melacak miliaran hubungan di antara 642 juta perusahaan, terus diperbarui dan diperkaya melalui pemrosesan data yang didorong oleh AI.
Di atas graph tersebut, D&B membangun lapisan akses terstruktur untuk agen. Akses SQL mentah dengan volume query agen dan kebutuhan latensi tidak memadai. Sebagai gantinya, D&B menciptakan serangkaian alat dan keterampilan yang tersedia melalui MCP yang mengemas data dengan konteks dan mengarahkan agen ke catatan yang benar untuk query tertentu. Ada mesin pencocokan dan resolusi entitas di balik setiap query, memastikan bahwa ketika agen bertanya tentang sebuah perusahaan, jawabannya merujuk pada entitas yang telah terverifikasi, bukan hanya kecocokan nama.
D&B menyelesaikan identitas agen dari kedua arah
Membangun ulang graf dan menambahkan akses MCP menyelesaikan masalah pengambilan data namun belum menyelesaikan masalah identitas. Agen bukan manusia, dan model otentikasi yang dibangun untuk pengguna manusia tidak dapat diperluas ke mesin.
D&B membangun model registrasi baru untuk agen. Agen harus dipetakan ke alamat IP yang terverifikasi dan mendaftar kunci akses individu, yang dianggap sebagai identitas yang terotentikasi dalam jalur yang sama dengan pengguna manusia.
“Kami mengenal konsep Know Your Agent, mirip dengan know your customer, yang melakukan verifikasi tambahan,” jelas Kotovets.
Ini menangani masalah inbound: mengetahui perusahaan mana yang dimiliki agen dan data apa yang bisa mereka query. Namun, D&B juga membangun untuk masalah outbound: apa yang terjadi ketika alur kerja multi-agen pelanggan kehilangan jejak perusahaan mana yang sedang dianalisis.
Dalam alur kerja yang menghubungkan agen pengecekan kredit, agen KYC, dan agen risiko pihak ketiga, masing-masing melakukan query D&B pada langkah yang berbeda. Tanpa mekanisme untuk memastikan bahwa mereka semua merujuk pada entitas yang sama, alur kerja bisa selesai sambil mengoperasikan catatan yang beragam.
“Mereka harus kembali ke agen verifikasi kami untuk memastikan bahwa mereka masih berbicara tentang entitas yang sama,” kata Kotovets. “Ini hampir seperti jabat tangan digital, dalam arti tertentu.”
Agen verifikasi bisnis D&B dapat disematkan ke dalam alur kerja mana pun sebagai titik referensi yang persisten dan tersedia pada protokol A2A Google tanpa memandang alat orkestrasi mana yang digunakan pelanggan.
Empat hal yang harus diperhatikan perusahaan sebelum menerapkan agen AI
Pembangunan ulang ini telah mengungkapkan persyaratan yang melampaui tumpukan D&B sendiri.
-
Pondasi data datang sebelum infrastruktur agen. Para CDO dan CIO yang berbicara dengan Kotovets selama enam bulan terakhir selalu menghadapi hambatan yang sama: mereka tidak dapat membangun apa yang mereka inginkan dalam AI sampai data mereka bersih, dinormalisasi, dan terintegrasi. D&B sudah memiliki fondasi itu. Namun, kebanyakan perusahaan tidak, dan mereka akan merasakan dampaknya.
-
Rancang untuk hubungan dinamis, bukan statis. Sistem data perusahaan biasanya mencatat koneksi pada waktu tertentu: seseorang terikat pada perusahaan, aset terikat pada anak perusahaan. Agen yang bekerja pada kredit, risiko, atau keputusan rantai pasokan perlu menganalisis hubungan yang bergeser seiring waktu. Jika data yang mendasarinya hanya menangkap garis statis, agen juga akan demikian.
-
Bangun pemeriksaan konsistensi entitas ke dalam alur kerja multi-agen. Ketika beberapa agen mengakses entitas yang sama di langkah berbeda, tidak ada jaminan bahwa mereka semua merujuk pada catatan yang sama saat alur kerja selesai. Celah tersebut perlu dirancang secara eksplisit. Verifikasi entitas adalah persyaratan desain alur kerja, bukan sekadar penghalang opsional.
-
Sematkan garis keturunan dari awal, bukan sebagai pemikiran setelahnya. Setiap jawaban yang dihasilkan agen harus memiliki jalur yang dapat dilacak kembali ke sumbernya. Dalam keputusan kredit, risiko, dan rantai pasokan, biaya dari kesalahan itu nyata. Garis keturunan harus dibangun sebelum melakukan skala, bukan ditambahkan setelah masalah muncul.
“Anda dapat selalu mengklik dan melihat dari mana asalnya, dan memverifikasi semuanya hingga kembali ke sumber aslinya,” kata Kotovets. “Itu telah menjadi kunci untuk membuka banyak kemampuan lain yang kami miliki, karena kami memiliki tingkat kepastian itu dalam hal yang telah kami lakukan.”
