Perspectiva / 02

Los agentes de IA no arreglan unos datos comerciales fragmentados

La capacidad de actuar convierte la ambigüedad en acción. Un agente que trabaja sobre una identidad y una autoridad sin resolver no limpia los datos: repite la confusión más rápido y más lejos.

Perspectiva

Elaborado de forma independiente. No contiene detalles de implementación, nombres internos ni cifras de ningún empleador o cliente.

La tesis

Un agente puede actuar entre sistemas más rápido y más a menudo que una persona. Eso no resuelve unos datos comerciales fragmentados. Convierte sus ambigüedades en acciones, a una escala en la que cuesta más verlas y más deshacerlas.

La esperanza se entiende

Muchas organizaciones comerciales arrastran años de datos fragmentados: el mismo cliente en varios sistemas, cuentas que significan cosas distintas para cada equipo, precios y estados que no coinciden. Limpiarlos lleva mucho tiempo en la hoja de ruta. La IA parece un atajo. Si un modelo sabe leer texto desordenado, comparar registros y rellenar huecos, quizá el agente pueda trabajar por encima de la fragmentación en lugar de esperar a que se resuelva.

En parte es cierto. Los modelos leen bien entradas incoherentes, proponen coincidencias y explican diferencias. Usados así, aceleran el trabajo con los datos. La dificultad empieza cuando leer se convierte en actuar: cuando el agente no solo sugiere que dos cuentas son el mismo cliente, sino que crea la oportunidad, envía el mensaje o aplica el precio a partir de esa lectura.

Actuar convierte la ambigüedad en acción

Una persona que encuentra dos cuentas parecidas suele dudar. Comprueba la dirección, pregunta a un compañero o deja el registro como está hasta que alguien lo confirme. Esa duda es lenta e informal, pero contiene la ambigüedad. Mientras la pregunta sigue abierta, no ocurre nada irreversible.

Un agente no duda de la misma manera. Resuelve la ambigüedad, porque para eso se construyó, y actúa sobre lo que ha resuelto. La misma identidad sin aclarar que era una molestia en los informes se convierte en un contacto duplicado, una oferta asociada a la entidad legal equivocada o un compromiso adquirido con un registro de cliente que debería haberse fusionado hace un año.

El argumento cabe en una línea: dar capacidad de acción no reduce el coste de la ambigüedad. Lo traslada del reporting a la transacción.

Recuperar un dato no es tener autoridad sobre él

Un agente que recupera un valor ha encontrado algo. No ha establecido si ese valor es fiable, si se puede cambiar o si sirve para una decisión con consecuencias. En unos datos fragmentados, la misma pregunta suele tener varias respuestas: un precio en el CRM y otro en el ERP, un cliente activo en un sistema y bloqueado en otro, un contacto que dejó la empresa y sigue figurando como decisor.

Quien conoce la organización sabe a qué fuente creer para cada pregunta, normalmente sin poder explicar la regla. El agente necesita que la regla sea explícita. ¿Qué sistema es el dueño del precio? ¿Cuál, del estado de crédito? ¿Cuál decide si un cliente existe como entidad legal? Si esas respuestas solo viven en la cabeza de las personas, el agente elegirá una fuente, y la elegirá de forma coherente, lo que es peor que elegir al azar cuando se equivoca.

Las puntuaciones de confianza no cierran ese hueco. Describen la seguridad del modelo sobre su propia lectura. No dicen nada de si la fuente que leyó era la correcta. Una coincidencia con la entidad legal equivocada, por muy segura que sea, sigue siendo una coincidencia con la entidad legal equivocada.

La escala cambia la forma de fallar

Los errores humanos en los datos comerciales suelen ser locales y visibles. Un vendedor crea un duplicado, alguien lo detecta y la limpieza es molesta, pero acotada. Los errores de un agente son sistemáticos. La misma regla, aplicada a la misma ambigüedad, produce el mismo error cientos de veces antes de que alguien mire.

Los sistemas posteriores lo agravan. Tienden a confiar en lo que les llega, así que un registro erróneo se convierte en una línea de pedido errónea, un forecast erróneo y un segmento erróneo. Cuando el error aflora, ya se ha copiado en lugares pensados para leerse, no para corregirse.

Construir el plano de control antes de ampliar la autonomía

La respuesta práctica no es renunciar a los agentes. Es hacer explícitas las partes del modelo de datos de las que dependen antes de darles más autoridad. Una identidad canónica, con una tabla de correspondencias entre la cuenta comercial, la entidad legal y el cliente transaccional. Una autoridad por concepto, para que cada precio, estado y responsable tenga un único lugar que pueda cambiarlo. Una clasificación de cada acción que el agente podría realizar según su consecuencia y su reversibilidad, con personas decidiendo las que tienen consecuencias, sea cual sea la confianza. Y una traza que muestre qué leyó el agente, qué decidió y qué hizo.

Hay una ironía útil. Uno de los mejores primeros usos de la IA sobre datos comerciales fragmentados es ayudar a las personas a resolver esa fragmentación: proponer duplicados, explicar contradicciones y preparar correcciones para que las apruebe un responsable de datos. Ese trabajo construye el plano de control que más adelante necesitará una autonomía mayor.

A partir de ahí, la autonomía puede crecer por pasos, acción por acción, a medida que la identidad y la autoridad son lo bastante explícitas para sostenerla.