La base de datos de D&B de 642 millones de empresas fue creada para humanos, no para agentes de inteligencia artificial. Entonces lo reconstruyeron.

Dun & Bradstreet lleva más de 180 años creando una base de datos comercial completa. Su Gráfico Comercial, que abarca 642 millones de empresas y sus relaciones, jerarquías corporativas y perfiles de riesgo, fue diseñado para las personas. Analistas de crédito, gestores de riesgos y profesionales de ventas que podrían esperar los resultados de las consultas y trabajar en coincidencias de entidades ambiguas. Los agentes de IA no pueden hacer ninguna de esas cosas.

Cuando los clientes de D&B comenzaron a empujar a los agentes hacia los flujos de trabajo de crédito, adquisiciones y cadena de suministro, Commercial Graph, que había atendido de manera confiable a casi 200.000 clientes en todo el mundo, se convirtió en un problema. Los sistemas construidos para servir a los analistas humanos eran la arquitectura equivocada para las máquinas. Entonces D&B lo reconstruyó.

«Necesitamos pensar en los agentes como nuestra nueva categoría de consumidores, evolucionando desde nuestros analistas de crédito estándar o profesionales de ventas y marketing, etc., hasta atender ahora también a los agentes de estos clientes», dijo a VentureBeat Gary Kotovets, director de datos y análisis de Dun & Bradstreet.

¿Qué se rompió cuando los agentes comenzaron a hacer preguntas?

El Gráfico Comercial no era una base de datos única. Era una colección de sistemas separados creados para diferentes casos de uso y diferentes mercados, unidos mediante integraciones personalizadas. Los analistas humanos navegaron por esa fragmentación a través de consultas SQL o interfaces prediseñadas. Los agentes no pudieron.

La escala de los datos subyacentes agravó el problema. La base de datos casi se había duplicado en cinco años, expandiéndose de más de 300 millones a más de 642 millones de registros comerciales, con 11.000 campos por registro, según D&B. La empresa ahora realiza aproximadamente 100 mil millones de controles de calidad de datos por mes a medida que los registros pasan por sus sistemas. Consultar eso con la latencia inferior a un segundo que requieren los agentes, en una arquitectura fragmentada, no era viable.

Las relaciones que seguía el gráfico también eran del tipo equivocado. Los sistemas heredados registraron conexiones estáticas entre entidades. Un CEO estaba vinculado a una empresa. Esa era la línea. Los agentes que trabajan en evaluaciones crediticias o riesgos de terceros necesitan relaciones dinámicas: cuando ese director general se marcha a una nueva empresa, ¿qué organización sigue su historial? Cuando una subsidiaria cambia de propietario, ¿cómo se propaga eso a través de la jerarquía corporativa? Esas preguntas requerían un trabajo de analista personalizado antes. Los agentes no pueden esperar por el trabajo de analista personalizado.

El problema más amplio no es exclusivo de D&B. Kotovets dijo que ha hablado con cientos de CDO y CIO durante los últimos seis meses y escuchó constantemente la misma limitación: no podían construir lo que querían en IA porque sus bases de datos no estaban estandarizadas, normalizadas ni consultables por agentes. D&B tenía esa base, construida durante décadas para servir a los analistas humanos. Todavía tenía que reconstruirse para los agentes.

Lo que realmente construyeron

La reconstrucción comenzó con la consolidación. D&B migró sus bases de datos fragmentadas a la infraestructura de la nube, rediseñó el esquema subyacente y creó una capa de estructura de datos que normaliza los registros en todos los mercados y al mismo tiempo preserva los requisitos de cumplimiento regional. El resultado es un gráfico de conocimiento unificado que rastrea miles de millones de relaciones en 642 millones de empresas, actualizado y enriquecido continuamente mediante el procesamiento de datos impulsado por IA.

Además de ese gráfico, D&B creó una capa de acceso estructurado para los agentes. El acceso a SQL sin formato en los volúmenes de consultas del agente y los requisitos de latencia no fue la respuesta. En cambio, D&B creó un conjunto de herramientas y habilidades disponibles a través de MCP que empaquetan datos con contexto y dirigen a los agentes a los registros correctos para consultas específicas. Detrás de cada consulta hay un motor de resolución de coincidencias y entidades, que confirma que cuando un agente pregunta sobre una empresa, la respuesta se resuelve en una entidad específica verificada en lugar de una coincidencia de nombre.

D&B resolvió la identidad del agente desde ambas direcciones

Reconstruir el gráfico y agregar acceso MCP resolvió el problema de recuperación de datos. No resolvió el problema de identidad. Los agentes no son humanos y el modelo de autenticación creado para usuarios humanos no se extendió a las máquinas.

D&B creó un nuevo modelo de registro para agentes. Deben asignarse a una dirección IP verificada y registrar una clave de acceso individual, tratada como una identidad autenticada en el mismo proceso que un usuario humano.

«De hecho, tenemos un concepto de Conozca a su agente, similar a conocer a su cliente, que realiza esas verificaciones adicionales», dijo Kotovets.

Eso soluciona el problema de entrada: saber a qué empresa pertenece un agente y qué datos tiene derecho a consultar. Pero D&B también se creó para el problema de salida: qué sucede cuando el flujo de trabajo de múltiples agentes de un cliente pierde la pista de qué empresa está analizando.

En un flujo de trabajo que encadena un agente de verificación de crédito, un agente KYC y un agente de riesgo externo, cada uno consulta a D&B en un paso diferente. Sin un mecanismo para confirmar que todos hacen referencia a la misma entidad, un flujo de trabajo puede completarse mientras opera en registros divergentes.

«Tienen que volver a nuestro agente de verificación para asegurarse de que todavía están hablando entre sí sobre la misma entidad», dijo Kotovets. «En cierto sentido, es casi como un apretón de manos digital».

El agente de verificación empresarial de D&B puede integrarse en cualquier flujo de trabajo como punto de referencia persistente y está disponible en el protocolo A2A de Google independientemente de la herramienta de orquestación que utilice el cliente.

Cuatro cosas que las empresas deben hacer bien antes de implementar agentes de IA

La reconstrucción expuso requisitos que van más allá de la propia pila de D&B.

1. Las bases de datos vienen antes que la infraestructura de agentes. Los CDO y CIO con los que habló Kotovets durante los últimos seis meses chocaron constantemente con el mismo muro: no pueden construir lo que quieren en IA hasta que sus datos estén limpios, normalizados y consolidados. D&B ya tenía esa base. La mayoría de las empresas no lo hacen y lo sentirán.

2. Diseñe para relaciones dinámicas, no estáticas. Los sistemas de datos empresariales suelen registrar conexiones puntuales: una persona pertenece a una empresa, un activo pertenece a una filial. Los agentes que trabajan en decisiones de crédito, riesgo o cadena de suministro deben razonar sobre relaciones que cambian con el tiempo. Si los datos subyacentes solo capturan la línea estática, el agente también lo hará.

3. Cree comprobaciones de coherencia de entidades en flujos de trabajo de múltiples agentes. Cuando varios agentes tocan la misma entidad en diferentes pasos, no hay garantía de que todos estén haciendo referencia al mismo registro cuando se completa el flujo de trabajo. Esa brecha debe abordarse explícitamente. La verificación de entidades es un requisito de diseño del flujo de trabajo, no una medida de seguridad opcional.

4. Incorpore el linaje desde el principio, no como una ocurrencia tardía. Cada respuesta producida por un agente debe tener un camino rastreable hasta su origen. En las decisiones de crédito, riesgo y cadena de suministro, el costo de un error es concreto. El linaje debe incorporarse antes de escalar, no agregarse después de que surjan los problemas.

«Siempre puedes hacer clic y ver de dónde viene y validarlo hasta la fuente original», dijo Kotovets. «Esa ha sido la clave para nosotros a la hora de desbloquear muchas otras capacidades, porque tenemos ese nivel de certeza en las cosas que hemos hecho».