Fundamentos del comercio agéntico: Salvar la brecha de inventario

La industria está obsesionada con el front-end del comercio agéntico. Las interfaces de chat fluidas y los asistentes que interpretan la intención son fáciles de prototipar, pero no es aquí donde radica el fallo. El primer sitio en el que las demostraciones a nivel empresarial fallan consistentemente es en una capa más fundamental: los datos.

La infraestructura de comercio actual fue construida para personas, y los compradores humanos son buenos navegando en la ambigüedad. Si falta el límite de peso en la descripción de un producto, o si el recuento de inventario está ligeramente desincronizado con el almacén, las personas pueden deducir, esperar o actualizar. Un agente autónomo no puede hacer esas cosas.

Para un agente, esta ambigüedad es un fallo grave. Pasar del descubrimiento a la transacción requiere un nivel de precisión de datos que la mayoría de los sistemas actuales son incapaces de soportar por diseño. Para pasar de un asistente útil que sugiere ideas a un agente transaccional que ejecuta compras, debemos cerrar la brecha del inventario.

El comercio agéntico, a escala, se reduce en última instancia a la ejecución. La ejecución depende de que los datos de producto estén estructurados de manera coherente, en tiempo real y sean accesibles para las máquinas. El éxito depende de la legibilidad por máquina de un feed de productos.

Los agentes consultan el estado del producto repetidamente a lo largo de una única sesión, y las inconsistencias que una interfaz web podría ocultar fácilmente, como un retraso de diez minutos en los niveles de stock, se convierten en bloqueadores sistémicos.

En esencia, un feed tradicional es un folleto, pero un agente necesita un manual técnico para funcionar. Depender de feeds heredados hace que la base se desmorone, ya que los feeds de marketing típicos carecen de datos transaccionales como el peso dimensional o la disponibilidad regional. Sin estos campos específicos, un modelo de lenguaje grande (LLM) a menudo alucinará o rellenará los huecos, lo que lleva a predicciones inexactas.

El comercio agéntico no puede escalar con datos de productos heredados, y las empresas líderes no lo están tratando como un ejercicio de limpieza de datos. Para ganar, las empresas deben anclar su estrategia en estos cuatro fundamentos sobre los datos:

1. Integridad de los datos

Antes de la optimización, debemos dar un paso atrás y responder a esta pregunta: "¿Existen los datos?". Es más común de lo esperado que los datos críticos solo estén parcialmente disponibles. Hemos visto grandes marcas de consumo donde el peso del producto reside en un sistema y el resto del catálogo en otro, sin un vínculo fiable entre ellos. Para un humano, eso es manejable. Sin embargo, para un agente que calcula la viabilidad del envío, es un callejón sin salida.

Esta capa también garantiza la consistencia, evitando que las anulaciones regionales y los precios entren en conflicto entre sistemas.

2. Un esquema preparado para los agentes

Primero, se debe identificar la fuente de la verdad o sistema de registro. Una vez determinado, debe ser adecuado para su propósito. Actualmente, la mayoría de los feeds estándar no está optimizado para la ejecución de transacciones.

Pasar de un simple feed de diez campos a un esquema preparado para agentes, con unos 25-30 campos necesarios para que una máquina actúe, es un esfuerzo arquitectónico significativo. Pero no se trata solo de añadir más campos. Se trata de mantener ese nivel de detalle de forma consistente en cada producto y mantenerlo continuamente actualizado.

3. Un 'pipeline' de distribución funcional

Incluso si las dos capas anteriores están en su lugar, solo se generará valor si se puede utilizar. Esta limitación se relaciona con cómo se traduce y consume un catálogo. ¿Están los datos formateados según los protocolos que esperan los desarrolladores? ¿Se envían a los puntos finales correctos en tiempo real? ¿Es fiable, de baja latencia y fácil de integrar?

Si un agente no puede ingerir datos tan fácilmente como los de un competidor, eso es una desventaja competitiva inmediata.

4. Optimización para motores generativos (GEO)

Finalmente, una vez que los datos están disponibles y accesibles, hay que ver si están optimizados para la clasificación. Así como el SEO evolucionó para Google, la optimización para motores generativos (GEO) se está convirtiendo en una disciplina propia. Estos modelos evolucionan en tiempo real. Intentar aplicar ingeniería inversa exactamente a qué atributos o descripciones hacen que un agente recomiende un producto específico sobre otro es un objetivo en constante movimiento.

El éxito en este frente requerirá una iteración constante y disciplina para adaptarse a medida que surjan nuevas señales.

Si los datos de productos permanecen fragmentados entre sistemas, los agentes se ven obligados a inferir en lugar de ejecutar. La mayoría de los comerciantes se encuentra en algún punto entre estas cuatro etapas para garantizar que los datos existan, hacerlos consistentes, estructurarlos para máquinas y optimizarlos para el SEO agéntico. Las dos primeras etapas son requisitos previos. La última es donde residirá la ventaja competitiva. Las empresas líderes no serán las que construyan las interfaces más atractivas. Serán aquellas que se aseguren de que los sistemas subyacentes estén construidos para soportarlas.

Para una inmersión profunda en los requisitos técnicos del catálogo legible por máquina, lee nuestro artículo "Comercio agéntico y feeds de productos: una guía para minoristas".