Líderes de opinión

El comercio dirigido por agentes de IA repite un viejo error de los datos empresariales

Bryan House
Añade Unite.AI a tus fuentes preferidas en Google
Puntos claveEl comercio agéntico exige datos de productos estructurados que las máquinas puedan…
Ver más
  • El comercio agéntico exige datos de productos estructurados que las máquinas puedan procesar lógicamente, no solo contenido legible para humanos.
  • El comercio B2B debe construir capas semánticas de productos que codifiquen explícitamente reglas, relaciones y restricciones.
  • Las empresas que traten los datos de productos como infraestructura se volverán legibles para los agentes de IA y obtendrán una ventaja competitiva.

Durante mucho tiempo, el comercio B2B se basó en una suposición sencilla: quienes consultan la información son las personas.

Leen páginas de productos, repasan por encima las fichas técnicas y toleran las formulaciones vagas porque saben hacer preguntas adicionales. Si algo no está claro, envían un correo a un representante de ventas. Si una regla está escondida en una nota al pie, la experiencia llena el vacío.

Los datos de productos B2B evolucionaron por completo en torno a ese comportamiento. Nunca tuvieron que ser suficientes por sí solos: bastaba con que una persona pudiera interpretarlos. Con la IA, esa suposición ha dejado de ser válida.

Ya hemos pasado por esto con los datos empresariales

Si resulta familiar, hay un motivo. Hace una década, las empresas mantenían un debate muy parecido sobre los datos. Los almacenes de datos estaban llenos, los lagos de datos se desbordaban y, al final, todos los sistemas exportaban algo. Sobre el papel, las empresas eran ricas en datos. En la práctica, nada avanzaba deprisa porque los usuarios de negocio no podían responder preguntas básicas sin analistas que hicieran de intérpretes. SQL se convirtió en un cuello de botella.

Los datos empresariales se organizaban según cómo almacenaban la información los sistemas, no según cómo razonaban las personas sobre el negocio. Había filas y columnas, pero no conceptos. Los ingresos estaban en tres tablas. Cliente significaba cinco cosas diferentes según a quién se preguntara y en qué momento. Las métricas se debatían sin fin porque nadie las había definido con claridad.

El avance decisivo en los datos empresariales llegó al aceptar la complejidad y mantenerla bajo control. Las capas semánticas son un ejemplo, pero formaban parte de un cambio más amplio. Las empresas dejaron de fingir que los datos sin procesar eran utilizables por defecto y empezaron a construir capas de traducción que reflejaban cómo el negocio pensaba y operaba realmente.

Los modelos de métricas lo hicieron definiendo los cálculos una sola vez, en lugar de deducirlos de nuevo en cada informe. Los ingresos pasaron a significar lo mismo en todas partes porque alguien había dedicado tiempo a codificar su definición. Los modelos de datos y los esquemas dimensionales hicieron lo mismo en el plano estructural. Transformaron las tablas operativas en conceptos como cliente, producto, pedido y tiempo. Los usuarios de negocio ya no tenían que entender cuántas uniones de tablas hacían falta para responder una pregunta básica. Las relaciones ya estaban definidas.

Los catálogos de datos y las definiciones sometidas a gobernanza resolvieron otra parte del problema. Registraron significados que antes solo existían en la cabeza de las personas. ¿Qué representa este campo? ¿Cuándo debe utilizarse? ¿Cuáles son sus limitaciones? El contexto dejó de ser un conocimiento informal reservado a un grupo reducido y pasó a formar parte del sistema.

En conjunto, estas capas absorbieron la complejidad y la hicieron manejable. Crearon abstracciones estables que permitían a más personas —y a más sistemas— razonar correctamente sin reinterpretar el mundo desde cero cada vez. Eso es exactamente lo que le falta hoy al comercio B2B.

La búsqueda de productos por agentes obliga al mismo replanteamiento

El comercio dirigido por agentes de IA somete los datos de productos B2B a la misma prueba. Los fabricantes y distribuidores no carecen de información sobre productos. Ya almacenan cantidades enormes: desde especificaciones y configuraciones hasta lógica de precios y restricciones contractuales.

El problema es que casi todos esos datos se estructuraron para personas. Las especificaciones están en PDF. Las reglas se explican en un catálogo impreso que nunca llegó a internet. Las excepciones se sobreentienden en los procesos administrativos de ventas, en lugar de estar codificadas. Demasiadas cosas dependen de la memoria de la organización cuando el contexto solo está en la cabeza de los equipos comerciales.

Un agente de IA no repasa por encima un PDF y capta la idea general. No sabe qué frase expresa una restricción obligatoria y cuál es lenguaje de ventas. No puede deducir reglas con seguridad a partir del formato o del tono. Si el significado no es explícito, el agente lo trata como desconocido.

No se trata de que los datos no estructurados sean malos

Hay algo que debe quedar claro. Los datos no estructurados no son el enemigo. Nunca lo han sido.

En el análisis empresarial, los datos no estructurados no desaparecieron cuando surgieron las capas semánticas. Se añadieron como una capa sobre la estructura. La estructura se encargaba de las reglas y las relaciones. El contenido no estructurado aportaba matices, explicaciones y contexto.

El mismo patrón se aplica aquí.

Los agentes necesitan estructura para razonar. Necesitan reglas, relaciones, restricciones y estados explícitos. Deben saber qué es compatible, qué puede configurarse, qué está permitido y en qué condiciones se aplica algo. El contenido no estructurado, por sí solo, no puede proporcionar todo eso de forma fiable.

Pero la estructura tampoco basta por sí sola. Los agentes no se limitan a recuperar atributos. Comparan opciones y evalúan las ventajas y desventajas de cada elección. Determinan tanto qué es algo como cuándo conviene recomendarlo.

El contenido explicativo es la capa que aclara la intención, el posicionamiento y los casos de uso. Marca la diferencia entre decir que un producto existe y explicar en qué situación debe elegirse. En el mundo de los datos empresariales, esto aparecía como definiciones, documentación y contexto de negocio. Aquí aparece como una explicación en el nivel del producto de la que los agentes pueden aprender. Los datos estructurados de productos dicen al agente qué es cierto; el contenido explicativo lo ayuda a decidir qué importa.

El comercio se ha optimizado para la presentación, no para el razonamiento

Esta es la parte incómoda. La infraestructura del comercio nunca dio realmente el salto que dieron los datos empresariales. Construimos mejores sistemas de gestión de información de productos, los PIM, catálogos más ricos y páginas de productos más atractivas. Pero nunca construimos una verdadera capa semántica para productos: optimizamos la presentación.

Mientras las personas mediaban en las compras B2B, eso funcionaba. Los representantes de ventas explicaban los casos especiales. Los compradores toleraban la ambigüedad y todos sabían sortear las limitaciones del sistema.

Los agentes eliminan ese amortiguador. En B2B, las grietas se ven de inmediato. Los precios varían según la cuenta del cliente. La disponibilidad cambia según la región. La compatibilidad depende de la configuración. Los contratos tienen prioridad sobre las condiciones predeterminadas. Los derechos concedidos importan. Nada de esto puede adivinarse con seguridad.

Cuando un agente evalúa un producto, no se deja impresionar por una descripción bien escrita. Quiere saber qué encaja, qué está permitido, qué es compatible y qué ocurre después. Si la información no es explícita, no pide aclaraciones: simplemente pasa a otra opción.

Qué deben hacer ahora las empresas de comercio

Este es el punto de inflexión. Las empresas de comercio pueden seguir tratando los datos de productos como contenido que interpretan las personas. O pueden empezar a tratarlos como una infraestructura en la que las máquinas basan su razonamiento.

Eso significa que las especificaciones deben convertirse en atributos con un significado definido. La compatibilidad debe codificarse como relaciones, en vez de explicarse en párrafos. La fijación de precios debe expresarse como lógica. Los derechos concedidos deben ser explícitos. La disponibilidad debe representarse mediante información precisa sobre su estado.

Es exactamente el mismo cambio que las empresas tuvieron que realizar en el análisis. Cuando los datos sin procesar y las tablas no bastaban, hubo que definir el significado. Una vez que existe ese núcleo estructurado, el contenido explicativo deja de ser la única fuente de verdad para la IA y se convierte en la capa que enseña a los agentes a aplicar esa verdad en situaciones reales.

Los fabricantes y distribuidores que lo hagan serán comprensibles para los agentes. Será más fácil evaluar y recomendar sus productos, y también confiar en ellos. Los demás seguirán teniendo datos, pero estos funcionarán como los antiguos almacenes de datos empresariales: técnicamente presentes, prácticamente inutilizables.

El patrón es antiguo, pero las consecuencias son nuevas

Nada de esto es especulativo. Ya hemos visto cómo los datos empresariales atraviesan exactamente este ciclo. La única diferencia ahora es el usuario. En lugar de analistas de negocio, hay agentes autónomos. En lugar de paneles, hay recomendaciones. En lugar de decisiones lentas, hay exclusión inmediata.

El comercio dirigido por agentes de IA revela un problema de datos empresariales que existe desde hace décadas. Las empresas que lo reconozcan y traten los datos de productos como aprendieron a tratar los datos operativos se adaptarán rápidamente. Las demás seguirán añadiendo PDF, reescribiendo descripciones y preguntándose por qué los agentes parecen no elegirlas nunca.

La historia se repite. Esta vez, las máquinas están prestando atención.

Bryan es el CEO de Elastic Path, donde lidera los equipos de GTM, éxito del cliente, servicios globales y productos. Anteriormente, Bryan fue el Director Comercial de Neural Magic (adquirida por Red Hat), una startup de software de aprendizaje profundo donde se encargó de los productos, GTM y éxito del cliente.