PIMvendors

Kunskapsbank · Signal

Signal

MCP lämnar demon: vad DwyerOmegas Akeneo-upplägg visar om att styra agenter i produktdata

· 2026-11-04 · 7 min läsning

MCP har lämnat demostadiet. En tillverkare kör nu AI-stödda arbetsflöden ovanpå sitt system för produktinformationshantering (PIM) varje dag. Det gör en fråga som brukade vara teoretisk till ett designbeslut. Vad får en agent läsa ur din produktdata, vad får den skriva tillbaka, och vilket system genomdriver svaret? Akeneos kundcase i två delar om DwyerOmega visar hur produktionsupplägget ser ut. Ett inlägg från Crystallize, publicerat dagen före, visar hur gränsen dras. Läs tillsammans beskriver de samma mönster från två håll: agenter får bred läsrätt tidigt, medan skrivningar stannar bakom människor och systemregler.

Vad DwyerOmega byggde på Akeneo MCP

DwyerOmega är en industriell och teknisk tillverkare med komplexa produkter, flerspråkigt innehåll och täta förvärv. För en modell finns uppskattningsvis 100 000 till 200 000 möjliga permutationer. Del 1 av Akeneos kundcase börjar med ett pipelineproblem. Cyrus Grimes (Director of Product Content Management) hade dragit berikningsdata från Akeneo via API-kopplingar in i Microsoft Fabric, för att bygga Power BI-paneler. Inte alla ville öppna PIM-systemet. Utvinningen var inte stabil i Fabric. Fulla laster blev tyngre när innehållet blev flerspråkigt. Med Akeneo MCP och Codex inne i Fabric byggde han om pipelinen runt deltauppdateringar. Den körs varje morgon, och en full export över alla språk blir klar på ungefär 2,5 till 3 timmar utan att slå i samtidighetsgränser.

Del 2 publicerades den 4 november 2026 och är skriven av Samira McDonald. Den tar upp vad som körs ovanpå den grunden. Power BI-panelerna visar produktchefer och marknadsförare var produkter missar sina mål för bilder, 360-gradersvyer, alt-text, beskrivningar, CAD-filer, korsförsäljningskopplingar och SEO-metadata. Panelerna filtreras på produktchef eller modell och kan exporteras som en arbetslista. Ett AI-stött arbetsflöde i Claude hittar manualer och specifikationsblad från Akeneo-posterna. Det drar ut det tekniska innehållet med lokal OCR och en lokal språkmodell, och bygger beskrivningar som utgår från vad produkten kan göra. Produktcheferna granskar dem innan de läses tillbaka in i Akeneo. Grimes rapporterar att det har hjälpt att behålla de delar av den gamla texten som fortfarande fungerade. Den organiska söktrafiken har hållits stabil och växande.

Förvärvsflödet är det Grimes sätter högst. En webbskrapning av produktserier hos ett förvärvat bolag lägger filer i SharePoint och speglar bilder till AWS. Den skapar filen i Akeneo med URL:en ifylld och bygger produktserien med en platshållarvariant. Varje serie tar ungefär 40 minuter. Teamet hade läst in 82 av dem inom ett par veckor. Tekniska eller dyra produkter hamnar i en produktfamilj med säljstöd. Uppmaningen är att kontakta en kundansvarig, så informationen publiceras innan varje handelsbeslut är fattat.

Där skrivningarna stannar

Kundcaset är lika lärorikt för det DwyerOmega håller borta från agenterna som för det de automatiserar. Power BI-panelen är skrivskyddad med avsikt. På frågan om ändringar där trycks tillbaka in i PIM-systemet svarar Grimes: ”Nej, det här är bara en rapport.” Ändringar sker fortfarande i Akeneo, eller via samordnade laddningsdokument som hanteras av utbildade PIM-användare. AI-beskrivningarna går genom granskning av en produktchef innan de läses in. Två idéer som fortfarande är i tidig utforskning följer samma linje. En kontrollvy jämför poster mellan källsystemet, SAP Commerce Cloud och Akeneo. Ett arbetsflöde läser datafel som rapporterats i en teamchatt, kontrollerar Akeneo och föreslår rättelser via MCP, med mänskligt godkännande kvar. Akeneo sammanfattar driftmodellen som att automatisera upprepad upptäckt och förberedelse. Människor behåller kontrollen över ändringar som får följder.

Den gränsen är ett val DwyerOmega gjorde, och protokollet gör det inte åt dig. Vår text i Trender i PIM om AI-styrning och berikningsagenter citerar Akeneos egen dokumentation på den punkten. Den som har åtkomst till MCP-anslutningen kan utföra de åtgärder som den underliggande API-nyckeln tillåter, inklusive skrivning och redigering om det är påslaget. Den som ställer in den nyckeln sätter agentens verkliga mandat.

Crystallize: skyddsräcken utanför prompten

Nebojsa Radakovic, Marketing Director på Crystallize, för det allmänna argumentet i Styrning av AI-agenter: styr vad agenter kan göra, inte bara vad de kan säga, publicerad den 3 november 2026. Hans utgångspunkt är att en agent är programvara med delegerade förmågor. Styrningen täcker identitet, behörigheter, data och verktyg. Den täcker också godkännanden, gränser för åtgärder, loggning och återkallelse. Regeln han föreslår är enkel: ”Ju större följder en åtgärd har, desto starkare bör kontrollen vara.” Att föreslå en produktbeskrivning, att publicera den, att ändra ett pris och att göra en återbetalning sitter på olika pinnar på en stege. Skrivskyddat läge ”bör ofta vara det första produktionssteget, inte en genant begränsning att ta bort så fort som möjligt.”

Kärnan i inlägget är var gränsen bor. ”Ändra aldrig priser med mer än 10 % är användbar kontext. Det är däremot ingen säkerhetsgräns.” Om en ändring skulle skapa allvarlig risk ska handelssystemet avvisa den, oavsett vad agenten blev tillsagd. Crystallize tillämpar det på sin egen MCP-implementering. Där kan agenter upptäcka scheman och fråga handelsinformation, medan skrivningar kräver uttrycklig aktivering och behörigheter. Samma regel gäller den interna teknikagenten. Dess kodändringar landar som utkast till pull requests som människor godkänner. Om själva MCP är inlägget rakt: ”En standardiserad anslutning är inte samma sak som en styrd anslutning.” Protokollet gör verktyg lättare att hitta och använda, och affärsreglerna sitter fortfarande i systemen bakom dem.

Inlägget citerar en IBM-undersökning från oktober 2026 med mer än 3 200 högre chefer i Europa och Mellanöstern. 75 % väntade sig att AI-agenter skulle ha viss beslutsmakt till 2027. 37 % sa att deras styrning var byggd för att skala med agentisk AI.

Produktdata ligger på gränsen

Crystallize lägger till en andra poäng som spelar störst roll för PIM-team. En agent kan följa varje åtkomstregel och ändå ge ett fel svar om den arbetar från gårdagens tillgänglighet eller ett föråldrat pris. Styrningen måste därför täcka den kontext agenterna använder: ”vilket system som äger ett faktum, hur färsk den informationen är, om varianter har stabila identiteter, om fält har tydliga betydelser, och om representationer nedströms kan spåras tillbaka till sin källa.”

DwyerOmegas upplägg visar hur det ser ut i praktiken. Akeneo förblir den styrda källan. Fabric-pipelinen uppdateras dagligen via delta. Den planerade kontrollvyn siktar på synkroniseringsluckorna mellan SAP Commerce Cloud och PIM-systemet, de luckor som skulle mata en agent med inaktuella fakta. Del 1 nämner också att DwyerOmega tittar på att göra Akeneo till den styrda källan för AI-agenter som behöver korrekt produktkontext. Kvalitetspanelerna som tjänar produktchefer i dag är samma kontroller som avgör om en agent kan lita på en post i morgon. Våra guider till datakvalitet och datastyrning för produktdata och AI-redo produktdata för agentisk handel tar upp attribut-, identitets- och ägarskapsarbetet som det här vilar på.

Vad de två inläggen ger tillsammans

Båda inläggen är innehåll från systemleverantörer: Akeneo beskriver en kund på sin egen MCP-server, och Crystallize positionerar sin egen handels-MCP och sin strukturerade datamodell. Tillsammans beskriver de ändå en sammanhållen bild. MCP sänker kostnaden för att koppla agenter och vardagsverktyg till PIM-systemet, så som DwyerOmegas ombyggda pipeline och onboarding på 40 minuter visar. Mandatet de agenterna bär sätts någon annanstans, i API-nycklar, roller, granskningssteg och valideringsregler i PIM-systemet och handelsplattformen. Ett praktiskt sätt att beskriva ett MCP-projekt är att lista vad varje agent läser och vad den får ändra. Lista också vilka av de ändringarna som behöver godkännande, och hur en ändring kan spåras och backas. DwyerOmegas svar i dag är breda läsningar, förberedda skrivningar och mänsklig inläsning. Det matchar de första pinnarna på Crystallizes stege. Vår text om vad AI i ett PIM faktiskt gör och var det brister tar upp den stegvisa utrullningen bakom det upplägget. Profilerna för Akeneo och Crystallize beskriver båda plattformarna.

Diagnos

Behöver du faktiskt ett PIM?

Kör komplexitetsindexet innan du budgeterar programvara eller tar in en systemintegratör.

Starta bedömningen

Mötet hålls på engelska.

Budget

Gör en första TCO

Översätt katalogens form till ett kostnadsintervall över tre år, på under tio minuter.

Öppna kostnadskalkylen

Mötet hålls på engelska.