El comercio agente está repitiendo un error antiguo de datos empresariales

Hace mucho tiempo, el comercio B2B funcionaba bajo una suposición simple: los humanos navegan.

Leen páginas de productos, escanean hojas de especificaciones y toleran un lenguaje vago porque saben cómo hacer preguntas de seguimiento. Cuando algo no está claro, envían un correo electrónico a un representante de ventas. Cuando una regla está enterrada en una nota al pie, la experiencia llena el vacío.

El dato de producto B2B evolucionó completamente alrededor de ese comportamiento. Nunca tuvo que sostenerse por sí solo; solo tenía que ser interpretable por un humano. Con la IA, esa suposición ya no es válida.

Hemos estado aquí antes con los datos empresariales

Si esto les parece familiar, debería serlo. Hace una década, las empresas estaban teniendo una conversación muy similar sobre los datos. Los almacenes estaban llenos, los lagos de datos estaban desbordados y, en última instancia, cada sistema estaba exportando algo. En papel, las empresas eran ricas en datos. En la práctica, nada se movía rápido porque los usuarios comerciales no podían responder a preguntas básicas sin analistas como traductores. SQL se convirtió en un punto de estrangulamiento.

Los datos empresariales se organizaron alrededor de cómo los sistemas almacenaban la información, no de cómo la gente razonaba sobre el negocio. Las filas y columnas existían, pero no había conceptos. Los ingresos vivían en tres tablas. “Cliente” significaba cinco cosas diferentes dependiendo de quién se lo preguntara y cuándo. Las métricas se debatían interminablemente porque nadie había definido claramente.

El avance en los datos empresariales provino de aceptar la complejidad y contenerla. Las capas semánticas son un ejemplo, pero formaban parte de un cambio más amplio. Las empresas dejaron de pretender que los datos crudos eran utilizables por defecto y comenzaron a construir capas de traducción que coincidían con la forma en que el negocio realmente pensaba y operaba.

Los modelos de métricas hicieron esto al definir cálculos una vez en lugar de volver a derivarlos en cada informe. Los ingresos significaban lo mismo en todas partes porque alguien se había tomado el tiempo para codificarlos. Los modelos de datos y esquemas dimensionales hicieron lo mismo estructuralmente. Convirtieron las tablas operativas en conceptos como cliente, producto, pedido y tiempo. Los usuarios comerciales ya no tenían que entender cuántas uniones eran necesarias para responder a una pregunta básica. Las relaciones ya estaban allí.

Los catálogos de datos y las definiciones gobernadas manejaron otra parte del problema. Capturaron el significado que solía vivir en las cabezas de las personas. ¿Qué representa este campo? ¿Cuándo se debe utilizar? ¿Cuáles son sus limitaciones? El contexto dejó de ser conocimiento tribal y se convirtió en parte del sistema.

Juntas, estas capas absorbieron la complejidad y la hicieron operativa. Crearon abstracciones estables que permitieron a más personas (y a más sistemas) razonar correctamente sin reinterpretar el mundo desde cero cada vez. Eso es exactamente lo que le falta al comercio B2B hoy en día.

El descubrimiento liderado por agentes está desencadenando el mismo ajuste de cuentas

El comercio agente está obligando a los datos de productos B2B a pasar por la misma prueba. Los fabricantes y distribuidores no carecen de información de productos. Ya almacenan enormes cantidades de ella: desde especificaciones hasta configuraciones, lógica de precios y restricciones contractuales.

El problema es que casi toda esta información se estructuró para humanos. Las especificaciones viven en PDF. Las reglas se explican en un catálogo de productos físico que nunca se llevó en línea. Las excepciones se implican en un proceso de ventas de back-office, en lugar de codificarse. Demasiado depende de la memoria institucional cuando el contexto vive en las cabezas de los equipos de ventas.

Un agente de IA no escanea un PDF y “entiende la idea”. No sabe qué oración es una restricción dura y cuál es lenguaje de ventas. No puede inferir con seguridad las reglas a partir del formato o el tono. Si el significado no es explícito, el agente lo trata como desconocido.

Esto no se trata de que los datos no estructurados sean malos

Es importante aclarar algo. Los datos no estructurados no son el enemigo. Nunca lo fueron.

En el análisis empresarial, los datos no estructurados no desaparecieron cuando aparecieron las capas semánticas. Se superpusieron sobre la estructura. La estructura manejó las reglas y las relaciones. El contenido no estructurado manejó la sutileza, la explicación y el contexto.

El mismo patrón se aplica aquí.

Los agentes necesitan estructura para razonar. Necesitan reglas explícitas, relaciones, restricciones y estados. Necesitan saber qué es compatible, qué es configurable, qué está permitido y bajo qué condiciones se aplica algo. El contenido no estructurado solo no puede proporcionar eso de manera fiable.

Pero la estructura sola no es suficiente. Los agentes no solo recuperan atributos. Comparan opciones. Evalúan compensaciones. Deciden tanto qué es algo como cuándo se debe recomendar.

La narrativa es la capa que explica la intención, la posición y los casos de uso. Es la diferencia entre “este producto existe” y “este es cuando debes elegirlo”. En el mundo de los datos empresariales, esto se manifestó como definiciones, documentación y contexto empresarial. Aquí, se manifiesta como una explicación a nivel de producto que los agentes pueden aprender. Mientras que los datos de productos estructurados le dicen al agente qué es cierto, la narrativa 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 realmente hizo el salto que hizo el mundo de los datos empresariales. Construimos mejores PIM. Construimos catálogos más ricos. Construimos páginas de productos más atractivas. Pero nunca construimos una verdadera capa semántica para productos; nos optimizamos para la presentación.

Mientras los humanos mediaban la compra B2B, eso estaba bien. Los representantes de ventas explicaban los casos de borde. Los compradores toleraban la ambigüedad, y todos sabían cómo trabajar alrededor del sistema.

Los agentes eliminan ese amortiguador. En B2B, las grietas se muestran inmediatamente. Los precios varían por cuenta. La disponibilidad cambia por región. La compatibilidad depende de la configuración. Los contratos anulan los valores predeterminados. Las concesiones importan. Nada de esto se puede adivinar con seguridad.

Cuando un agente evalúa un producto, no se impresiona con una descripción bien escrita. Quiere saber qué encaja, qué está permitido, qué es compatible y qué sucede a continuación. Si esa información no es explícita, el agente no pide aclaraciones; simplemente continúa.

Qué deben hacer las empresas de comercio ahora

Este es el punto de inflexión. Las empresas de comercio pueden seguir tratando los datos de productos como contenido que los humanos interpretan. O pueden comenzar a tratarlos como infraestructura que las máquinas razonan.

Esto significa que las especificaciones deben convertirse en atributos con un significado definido. La compatibilidad debe codificarse como relaciones, no explicarse en párrafos. Los precios deben expresarse como lógica. Las concesiones deben ser explícitas. La disponibilidad debe ser estatal y precisa.

Esto es exactamente el mismo movimiento que las empresas tuvieron que hacer con el análisis. Cuando los datos crudos y las tablas no fueron suficientes, el significado tuvo que definirse. Y una vez que existe ese núcleo estructurado, la narrativa 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 hagan esto se volverán legibles para los agentes. Sus productos serán más fáciles de evaluar, más fáciles de recomendar y más fáciles de confiar. Los que no lo hagan seguirán “teniendo datos”, pero funcionarán como los antiguos almacenes empresariales: técnicamente presentes, pero prácticamente inutilizables.

El patrón es antiguo, pero las consecuencias no

Nada de esto es especulativo. Ya hemos visto que los datos empresariales pasan por este mismo ciclo. La única diferencia ahora es el usuario. En lugar de analistas comerciales, es agentes autónomos. En lugar de paneles, son recomendaciones. En lugar de decisiones lentas, es exclusión instantánea.

El comercio agente está exponiendo un problema de datos empresariales de décadas. Las empresas que reconozcan eso — y traten los datos de productos de la manera en que las empresas aprendieron a tratar los datos operativos — se adaptarán rápidamente. Las que no lo hagan seguirán agregando PDF, reescribiendo descripciones y preguntándose por qué los agentes nunca parecen elegirlos.

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