Serie de blogs IVA 1: Los agentes de IA para compras son tan buenos como la base de datos sobre la que se sustentan

Cada proveedor de tecnología de compras habla de los agentes de IA. Son menos los que hablan de lo que estos agentes necesitan realmente para funcionar. La respuesta no es un modelo mejor. Es una base más sólida.

Los agentes de IA para compras no corrigen los datos deficientes. Amplifican cualquier base sobre la que se construyan. Si los registros de proveedores están fragmentados en sistemas desconectados, si los datos de contratos se encuentran en una base de datos mientras que la información de gasto está en otra, y si las señales de riesgo se sincronizan por lotes desde una tercera fuente, un agente de IA no solucionará esas brechas por sí solo. Tomará decisiones basándose en información incompleta e inconsistente, y lo hará más rápido de lo que cualquier persona podría intervenir.

La arquitectura que sustenta la IA es el factor individual más importante para determinar si esos agentes generan confianza o aceleran decisiones equivocadas. Este artículo explica por qué, cómo es una verdadera base de datos sólida y qué ocurre cuando se implementa correctamente.

La incómoda verdad sobre la IA en compras

Según una investigación de ProcureCon, el 88% de los equipos de compras señalan los problemas de integración y el 75% la calidad de los datos como las principales barreras para confiar en la IA. Estas cifras deberían definir cualquier conversación sobre agentes de IA en el área de compras.

El patrón es constante. Una organización adquiere un agente de IA, lo conecta con los sistemas existentes y espera obtener resultados inteligentes. Pero esos sistemas nunca fueron diseñados para alimentar un motor de razonamiento. Los registros de proveedores están duplicados en distintos módulos.

Los términos contractuales se encuentran en un sistema, mientras que el historial de pagos reside en otro. Las clasificaciones de gasto siguen taxonomías diferentes según el equipo que introdujo los datos y el momento en que lo hizo.

El modelo de IA en sí suele estar bien. El problema es la información con la que tiene que trabajar. Cuando los datos de compras están dispersos, incompletos o son inconsistentes, ningún nivel de sofisticación algorítmica producirá decisiones fiables. La confianza en la IA comienza con la confianza en los datos.

Sin esa base, no estás implementando inteligencia. Estás implementando velocidad sobre un terreno de incertidumbre.

Sobre una base agrietada, la IA empeora las cosas

Esta es la parte que la mayoría de los proveedores omiten. Cuando implementas software de compras basado en IA sobre datos fragmentados e inconsistentes, los agentes no solo tienen un rendimiento inferior. De hecho, pueden empeorar activamente la situación.

Un agente que clasifica incorrectamente el gasto porque la taxonomía subyacente es inconsistente no comete un solo error. Comete miles, a velocidad de máquina y con la confianza de una máquina. Un agente que genera recomendaciones de proveedores basándose en historiales de rendimiento incompletos no solo proporciona una respuesta equivocada.

También incorpora un patrón poco fiable en el registro de decisiones, que se agrava cada vez que otro agente o analista utiliza esa recomendación posteriormente.

Así es como se manifiesta en la práctica:

• Registros duplicados de proveedores porque el agente no puede reconciliar identificadores entre los sistemas de abastecimiento, contratos y facturación. En lugar de señalar la inconsistencia, trata cada fragmento como una entidad independiente y crea nuevos registros que multiplican el problema.
• Puntuaciones de riesgo imprecisas porque los datos contractuales y financieros residen en bases de datos separadas con diferentes frecuencias de actualización. El agente observa una señal financiera actual junto a un registro contractual desactualizado y genera una evaluación de riesgo que parece precisa, pero que se basa en periodos de tiempo que no coinciden.
• Recomendaciones de proveedores defectuosas basadas en historiales de rendimiento incompletos. Si el agente solo tiene visibilidad sobre los resultados del abastecimiento, pero no sobre el desempeño de las entregas, los problemas de calidad o las disputas de pago, sus recomendaciones reflejan una verdad parcial presentada como si fuera completa.
• Clasificación errónea del gasto a gran escala porque las taxonomías de categorías varían según el módulo, la unidad de negocio o la región geográfica. La clasificación manual incorrecta es un problema de calidad de datos. La clasificación automatizada incorrecta es una crisis de calidad de datos.

La IA es un amplificador. Sobre una base agrietada, amplifica las grietas. Y lo hace a una velocidad que hace que la corrección manual sea prácticamente imposible.

Por qué las arquitecturas fragmentadas rompen los agentes de IA

La causa raíz es arquitectónica. La mayoría de las suites de Source-to-Pay no se diseñaron como plataformas unificadas. Se construyeron mediante adquisiciones sucesivas: un producto para abastecimiento, otro para contratos, otro para gestión de proveedores y otro para facturación.

Cada módulo tiene su propia base de datos, su propio modelo de datos y, a menudo, su propia definición de entidades clave como proveedores, categorías y centros de coste.

Las capas de integración se sitúan por encima de estos sistemas y trasladan datos entre ellos. Pero la integración no equivale a la unificación. Un conector de middleware que sincroniza registros de proveedores cada noche no es lo mismo que un único registro de proveedor que todos los módulos consultan y actualizan en tiempo real.

Consideremos un agente encargado de evaluar el riesgo de un proveedor. Para realizar bien su trabajo, necesita términos contractuales, historial de pagos, puntuaciones de calidad, datos ESG, indicadores financieros y contexto de categoría dentro de un único marco de razonamiento.

Si esos datos se encuentran en cuatro sistemas diferentes, con cuatro identificadores de proveedor distintos y cuatro frecuencias de actualización diferentes, el agente no está analizando. Está haciendo suposiciones. Y esas suposiciones parecen fiables, lo que es peor que no tener ninguna respuesta.

Por eso, la IA en la orquestación de compras depende de la plataforma que la sustenta, no solo del agente que se encuentra por encima. Los sistemas integrados crean la apariencia de conectividad. Un modelo de datos unificado crea la realidad de esa conectividad.

Cómo es una verdadera base de datos preparada para la IA

Una base de datos de compras que permita el funcionamiento de agentes de IA necesita propiedades arquitectónicas específicas. No se trata de funcionalidades aspiracionales, sino de requisitos fundamentales.

Estos son los requisitos de una base de datos de compras preparada para la IA:

1. Modelo de datos único: No se trata de bases de datos integradas, consultas federadas ni lagos de datos que agregan información de múltiples fuentes. Se necesita un único modelo de datos nativo en el que abastecimiento, contratos, gestión de proveedores, compras, facturación y análisis de gasto operen sobre el mismo esquema. Cuando un agente consulta un registro de proveedor, obtiene una única respuesta, no un promedio conciliado de varias fuentes.
2. Núcleo compartido de proveedores: El proveedor es la entidad fundamental en compras. Cada evento de abastecimiento, cada contrato, cada factura, cada evaluación de riesgo y cada análisis de rendimiento están conectados con un proveedor. Si el registro del proveedor está fragmentado entre módulos, todos los procesos posteriores heredan esa fragmentación. Un núcleo compartido de proveedores significa un único registro, enriquecido continuamente por cada interacción a lo largo del ciclo de vida Source-to-Pay.
3. Datos con riqueza semántica: Los agentes de IA necesitan más que identificadores e importes. Necesitan clasificaciones, jerarquías y relaciones: qué categoría gestiona este proveedor, qué contratos regulan esta relación y cuál ha sido la evolución histórica de su rendimiento. Los datos planos generan inteligencia plana.
4. Precisión en tiempo real: Los datos sincronizados por lotes hacen que los agentes razonen utilizando información desactualizada. En compras, donde el riesgo de un proveedor puede cambiar de un día para otro y los precios del mercado varían semanalmente, el acceso a datos en tiempo real no es un elemento opcional. Es la diferencia entre actuar de forma proactiva o reaccionar tarde.
5. Acceso basado en permisos: Tanto las personas como los agentes necesitan controles de acceso que reflejen las políticas de la organización. Un agente que opera en nombre de un responsable de categoría debe ver aquello que ese responsable está autorizado a consultar, y nada más.

Aquí es donde la arquitectura de Ivalua cobra relevancia. Un único código base y un único modelo de datos permiten que los agentes que operan en la plataforma no tengan que reconstruir el contexto a partir de sistemas desconectados.

Razonan a partir de una única fuente de verdad unificada, en tiempo real y con permisos adecuados. La arquitectura es la estrategia de IA.

Recomendación Experta

Descarga nuestra guía práctica sobre la IA agéntica en compras para comprender los requisitos de plataforma, datos y gobernanza necesarios para pasar de proyectos piloto de IA a un impacto empresarial real.

El núcleo del proveedor como base de la inteligencia de los agentes

Si el modelo de datos es la base, el registro del proveedor es la pieza clave.

En compras, prácticamente todas las tareas relevantes de IA están conectadas con un proveedor. Un agente de abastecimiento evalúa posibles proveedores. Un agente de contratos revisa los acuerdos con proveedores. Un agente de riesgos supervisa la salud del proveedor.

Un agente de gestión de proveedores basado en IA realiza un seguimiento del rendimiento del proveedor a lo largo del tiempo. Un agente de facturación compara las facturas de proveedores con las órdenes de compra y los contratos.

Cuando cada una de estas funciones se basa en el mismo registro de proveedor, ocurre algo muy potente: cada interacción enriquece la misma entidad. Un evento de abastecimiento incorpora datos de precios. La ejecución de un contrato añade términos contractuales y compromisos de cumplimiento.

Una evaluación de riesgos incorpora indicadores financieros y ESG. Una conciliación de facturas añade información sobre el comportamiento de pago. El registro del proveedor se convierte en una fuente de verdad enriquecida continuamente, cuyo valor aumenta con cada transacción.

Ahora comparemos esto con la alternativa. En una arquitectura fragmentada, el Agente A puede ver las condiciones de pago, pero no las puntuaciones ESG. El Agente B dispone del perfil de riesgo, pero no del historial contractual. El Agente C conoce el resultado del abastecimiento, pero no el rendimiento de las entregas.

Cada agente opera con una visión parcial y produce una respuesta parcial. Ningún agente individual ni ningún analista humano puede reunir la imagen completa sin trabajo manual, lo que contradice el propósito inicial de implementar IA.

Un núcleo unificado de proveedores es lo que proporciona a la IA en abastecimiento y en cualquier otra función de compras un contexto compartido a lo largo de todo el ciclo de vida.

Cuando la base es sólida, la IA mejora tus datos

Aquí está el verdadero beneficio. Sobre una base de datos unificada y fiable, los agentes de IA no solo funcionan de manera más precisa. También mejoran activamente los datos con los que trabajan. Esta es la dinámica que solo existe cuando la arquitectura es la adecuada.

Cuando un agente procesa un evento de abastecimiento en una plataforma unificada, no se limita a ejecutar la tarea. Puede identificar y señalar registros duplicados de proveedores creados por diferentes unidades de negocio, recomendar fusiones y evitar futuras duplicaciones.

Cuando un agente analiza facturas, puede enriquecer las clasificaciones de gasto comparando las líneas de factura con las taxonomías de categorías y corrigiendo inconsistencias introducidas por la entrada manual durante años. Cuando un agente de riesgos analiza carteras de proveedores, no solo identifica problemas actuales.

También detecta anomalías (condiciones de pago inusuales, desviaciones de precios, brechas de cumplimiento) y devuelve esas correcciones al registro, mejorando continuamente la calidad de los datos subyacentes.

Este es el ciclo de inteligencia acumulativa. Cada interacción de un agente hace que los datos sean más completos. Los datos más completos hacen que la siguiente interacción del agente sea más precisa. Los resultados más precisos generan confianza. La confianza impulsa la adopción. La adopción genera más interacciones, y el ciclo continúa.

En una arquitectura fragmentada, este ciclo no existe. Los agentes consumen datos, pero no los mejoran, porque no hay un único registro sobre el que puedan escribir las actualizaciones. Las mejoras realizadas en un sistema no se trasladan a otro. Los datos permanecen estáticos mientras los agentes trabajan en círculos.

En la plataforma adecuada, el ciclo virtuoso es la configuración predeterminada. Y es lo que permite que los equipos de compras pasen de dedicar tiempo a limpiar y conciliar datos a centrarse en las decisiones estratégicas, las relaciones con proveedores y los juicios de negocio que realmente generan valor.

Ese cambio, de ser un “administrador de datos” a convertirse en un operador estratégico, es lo que la IA agéntica en compras hace posible cuando la base es la adecuada.

La soberanía de los datos en la era de la IA

Hay una pregunta de CIO y CISO que merece una respuesta directa: ¿quién es el propietario de tus datos de compras cuando interviene la IA?

Algunos proveedores de IA para compras agrupan los datos de sus clientes para mejorar sus modelos. Lo presentan como “inteligencia colectiva” o “efectos de red”. Pero, en la práctica, esto significa que tus estrategias de negociación, relaciones con proveedores, patrones de precios y datos de procesos podrían utilizarse para entrenar modelos que beneficien a tus competidores.

En compras, donde la capacidad de negociación con proveedores y la estrategia por categorías son activos competitivos, este no es un intercambio que la mayoría de las empresas debería aceptar.

La alternativa es clara: la aislación de datos como principio de diseño. Sin entrenamiento de modelos con datos de clientes. Sin intercambio de datos entre diferentes clientes o entornos. Controles de acceso granulares que se apliquen por igual a usuarios humanos y agentes de IA. Trazabilidad completa sobre qué datos fueron consultados, por quién (o por qué agente) y con qué finalidad.

La gobernanza de los datos de compras en la era de la IA requiere tanto inteligencia como aislamiento. Tus agentes deben ser inteligentes. Los límites de tus datos deben ser absolutos.

Recomendación Experta

Consejo profesional: descarga el documento informativo sobre la solución de IA empresarial para ver cómo Ivalua impulsa una IA confiable en todo el proceso Source-to-Pay.

Cómo evaluar la preparación de tus datos para la IA agéntica

Antes de evaluar agentes de IA para compras, evalúa si tu base de datos puede realmente soportarlos. Estas cinco preguntas permiten diferenciar a las organizaciones preparadas para la IA de aquellas que se encaminan hacia costosos proyectos piloto que terminan estancándose:

1. ¿Tienes un único registro de proveedor en todo el ciclo Source-to-Pay?
   Si tu módulo de abastecimiento, sistema de contratos y plataforma de facturación mantienen cada uno sus propios registros de proveedores, tus agentes razonarían a partir de información contradictoria. Un núcleo único y compartido de proveedores es el punto de partida.
2. ¿Puede rastrearse cada dato hasta su fuente de origen?
   Las decisiones generadas por IA deben poder auditarse. Si no puedes rastrear una clasificación de gasto, una puntuación de riesgo o una valoración de proveedor hasta su origen, tus agentes no podrán explicar su razonamiento y tu equipo de cumplimiento no podrá verificarlo.
3. ¿Tu modelo de datos está unificado o simplemente integrado?
   La integración mueve datos entre sistemas. La unificación implica un único modelo de datos en el que todas las funciones operan de forma nativa. La diferencia es importante porque la integración introduce latencia, errores de conciliación y desviaciones semánticas. Los agentes necesitan un modelo unificado para razonar con precisión.
4. ¿Puedes controlar a qué información puede acceder cada agente de IA?
   Una IA basada en permisos no es opcional. Si no puedes definir y aplicar qué datos puede consultar cada agente, no puedes gobernar la implementación de IA en compras a escala empresarial.
5. ¿Tus datos se actualizan en tiempo real o mediante sincronizaciones por lotes?
   Los agentes que toman decisiones con datos del día anterior están tomando decisiones del día anterior. El acceso a datos en tiempo real es la diferencia entre inteligencia proactiva e informes reactivos.

Si has respondido “no” a dos o más de estas preguntas, empieza por fortalecer la base antes de invertir en agentes de IA.

Caso práctico: cómo Körber está construyendo sobre la base adecuada

El argumento a favor de una base de datos sólida no es teórico. Las organizaciones que construyen la arquitectura adecuada ya están viendo resultados.

Körber, el grupo tecnológico global, está llevando a cabo un proyecto piloto de IVA sobre la plataforma unificada de Ivalua. Su enfoque refleja un principio clave: la IA responsable comienza con la base adecuada. En lugar de implementar capacidades de IA de arriba hacia abajo, están invitando a los usuarios a proponer casos de uso y construyendo a partir de necesidades operativas reales.

“Comenzamos nuestro camino con la IA en 2023. Actualmente estamos llevando a cabo un piloto muy exitoso con Ivalua IVA. Principalmente estamos pidiendo a nuestros usuarios que propongan casos de uso, y lo que escuchamos con más frecuencia ahora son casos relacionados con automatización y análisis.”
— Jan Van Hueth, Senior Project Manager, Körber

El patrón es revelador. Los datos unificados proporcionan a los usuarios la confianza necesaria para proponer casos de uso de IA porque confían en la información con la que trabajarán los agentes. Esa confianza es lo que transforma un proyecto piloto en una implementación empresarial.

Lee el caso práctico completo: Cómo Körber está impulsando la IA responsable y la automatización de compras con Ivalua

Conclusión: los datos proporcionan inteligencia a los agentes. La gobernanza les proporciona límites

Los datos fragmentados generan inteligencia fragmentada. Los agentes que razonan a partir de información incompleta, inconsistente o aislada no solo tienen un rendimiento inferior. También erosionan la confianza y hacen que los problemas subyacentes sean más difíciles de solucionar.

Los agentes que operan sobre una única fuente de verdad, razonan a partir de un contexto completo y mejoran los datos con los que trabajan generan un ciclo de inteligencia acumulativa que aumenta su valor con el tiempo.

La arquitectura es la estrategia. Antes de preguntarte qué pueden hacer tus agentes de IA, pregúntate qué les permite hacer tu base de datos.

El próximo artículo de esta serie explica cómo los equipos de compras empresariales pueden gobernar los agentes de IA sin limitar su valor, por qué la responsabilidad humana debe estar integrada en la arquitectura y qué se necesita para construir confianza a escala empresarial.