Reconstruyendo la Base de Datos de 642 Millones de Empresas de D&B: De Humano a Agente de IA

El Legado Centrado en el Humano: Una Fundación Bajo Estrés

Durante más de un siglo y medio, Dun & Bradstreet construyó meticulosamente su Commercial Graph para ser la fuente definitiva de inteligencia comercial. No se trataba de una base de datos singular y monolítica, sino de una sofisticada federación de sistemas dispares, cada uno adaptado a casos de uso y mercados específicos. Los analistas humanos, equipados con consultas SQL o interfaces personalizadas, eran los navegantes previstos de este intrincado panorama. Poseían la flexibilidad cognitiva para interpretar datos fragmentados, conciliar coincidencias de entidades ambiguas y esperar los resultados de las consultas, que podían tardar minutos, incluso horas, en regresar. Este modelo funcionó bien, sirviendo de base para decisiones críticas de crédito, riesgo y ventas a nivel mundial.

Desconexión Arquitectónica: Las Demandas Inquebrantables de los Agentes

El paradigma cambió drásticamente cuando los clientes empresariales de D&B comenzaron a implementar agentes de IA en sus flujos de trabajo de crédito, adquisiciones y cadena de suministro. Estos agentes, diseñados para la operación autónoma y la toma de decisiones en tiempo real, operan bajo principios completamente diferentes a los de sus homólogos humanos. Como Gary Kotovets, Director de Datos y Análisis de Dun & Bradstreet, articuló: "Necesitamos pensar en los agentes como nuestra nueva categoría de consumidor, evolucionando desde nuestros analistas de crédito o profesionales de ventas y marketing estándar, etcétera, para atender ahora también a los agentes de estos clientes". La arquitectura establecida, robusta para la interpretación humana, se desmoronó bajo las demandas de los agentes de latencia por debajo del segundo, entidades perfectamente resueltas y seguimiento de relaciones dinámicas.

El Desafío de la Latencia y la Fragmentación de Datos

Uno de los puntos de falla más inmediatos fue la pura escala y fragmentación del Commercial Graph. Con más de 642 millones de registros comerciales, cada uno con el potencial de contener 11.000 campos, y la asombrosa cifra de 100 mil millones de verificaciones de calidad de datos realizadas mensualmente, el diseño original del sistema simplemente no estaba diseñado para las consultas de alto rendimiento y baja latencia esenciales para los agentes de IA. La naturaleza fragmentada, unida por integraciones personalizadas, significaba que los agentes no podían simplemente "conectarse" y recuperar datos de manera uniforme. A diferencia de los humanos que podían unir mentalmente información de diferentes sistemas, los agentes requerían una capa de acceso unificada y estandarizada que la arquitectura heredada no podía proporcionar sin un desarrollo personalizado extenso y que requería mucho tiempo para cada consulta.

Más Allá de las Conexiones Estáticas: La Necesidad de Relaciones Dinámicas

Más allá de la latencia y la fragmentación, la naturaleza misma de las relaciones rastreadas por el Commercial Graph planteó un obstáculo significativo. Los sistemas heredados registraban principalmente conexiones estáticas: un CEO vinculado a una empresa, una subsidiaria perteneciente a una matriz. Si bien útil para el análisis puntual, los agentes de IA que realizan evaluaciones de crédito complejas o evaluaciones de riesgo de terceros requieren una comprensión dinámica de estas relaciones. ¿Qué sucede cuando un CEO se traslada a una nueva empresa? ¿Cómo afecta la propagación de la propiedad a una jerarquía corporativa a lo largo del tiempo? Estas preguntas, que antes requerían un trabajo de analista a medida, se convirtieron en requisitos críticos para los agentes, exigiendo un modelo de datos capaz de capturar conexiones temporales y evolutivas sin intervención humana.

Re-arquitecturando para la Era de la IA: El Grafo de Conocimiento Unificado

Frente a estos formidables desafíos, D&B se embarcó en una profunda revisión arquitectónica. La reconstrucción comenzó con una consolidación de datos significativa, migrando bases de datos fragmentadas a una moderna infraestructura en la nube. Esta migración fue acompañada por un rediseño fundamental del esquema subyacente, culminando en una sofisticada capa de tejido de datos. Esta capa no solo normaliza los registros en diversos mercados, adhiriéndose a los requisitos de cumplimiento regional, sino que también forma la base de un grafo de conocimiento unificado. Actualizado y enriquecido continuamente por el procesamiento de datos impulsado por IA, este nuevo grafo rastrea inteligentemente miles de millones de relaciones dinámicas a través de su vasta base de datos de 642 millones de empresas, proporcionando los datos en tiempo real y ricos en contexto que los agentes demandan.

Acceso Estructurado y Resolución de Entidades Robusta

Sobre este grafo unificado, D&B desarrolló una capa de acceso estructurado específicamente para agentes. Reconociendo que el acceso SQL en bruto a los volúmenes de consultas de los agentes y los requisitos de latencia era poco práctico, diseñaron un conjunto de "herramientas y habilidades" expuestas a través de una Plataforma de Nube Administrada (MCP). Estas herramientas empaquetan los datos con el contexto esencial, dirigiendo inteligentemente a los agentes a los registros precisos necesarios para consultas específicas. Fundamentalmente, un sofisticado motor de coincidencia y resolución de entidades opera detrás de cada consulta. Este motor asegura que cuando un agente solicita información sobre una empresa, el sistema resuelve la consulta a una entidad verificada y específica, eliminando ambigüedades y evitando que los agentes operen con registros mal identificados o divergentes.

Asegurando la Identidad del Agente: "Conozca a Su Agente"

Resolver la recuperación de datos fue un desafío; gestionar la identidad del agente fue otro. D&B se dio cuenta de que los modelos de autenticación diseñados para usuarios humanos eran inadecuados para las máquinas. Fueron pioneros en un nuevo modelo de registro para agentes, conceptualmente similar a un proceso de "Conozca a Su Cliente" (KYC), que Kotovets denominó "Know Your Agent" (Conozca a Su Agente). Cada agente debe mapearse a una dirección IP verificada y registrar una clave de acceso individual, tratada como una identidad autenticada dentro de la misma tubería de seguridad que un usuario humano. Esta robusta verificación de entrada asegura que D&B sepa a qué empresa pertenece un agente y qué datos está autorizado a acceder.

Garantizando la Cohesión del Flujo de Trabajo con Agentes de Verificación

El desafío de la identidad se extendió a los flujos de trabajo de salida. En escenarios complejos y multiagente —donde, por ejemplo, un agente de verificación de crédito, un agente de KYC y un agente de riesgo de terceros podrían consultar a D&B en diferentes etapas— el riesgo de divergencia de entidades es alto. Sin un mecanismo para confirmar que todos los agentes se refieren exactamente a la misma entidad, un flujo de trabajo podría completarse con datos inconsistentes. D&B abordó esto desarrollando un agente de verificación comercial. Este agente, disponible en el protocolo A2A de Google e incrustable en cualquier flujo de trabajo, actúa como un punto de referencia persistente. Como Kotovets lo describió: "Es casi como un apretón de manos digital", asegurando que todos los agentes dentro de un flujo de trabajo permanezcan sincronizados en la misma entidad validada durante todo el proceso.

Lecciones Críticas para la Implementación de Agentes de IA Empresariales

El extenso viaje de reconstrucción de D&B destacó varios requisitos universales para las empresas que buscan aprovechar los agentes de IA de manera efectiva. En primer lugar, las bases de datos preceden a la infraestructura de agentes. Muchos CDOs y CIOs, como observó Kotovets, luchan por construir soluciones de IA porque sus datos subyacentes están fragmentados, no normalizados o simplemente no son consultables por agentes. D&B, a pesar de su sólida base existente, aún tuvo que reconstruir, lo que subraya la necesidad de una capa de datos limpia y consolidada, adaptada para el consumo de la máquina.

El Papel Indispensable del Linaje de Datos

En segundo lugar, las empresas deben diseñar para relaciones dinámicas, yendo más allá de las conexiones estáticas y puntuales a modelos que capturen enlaces en evolución. En tercer lugar, la construcción de verificaciones de consistencia de entidades en flujos de trabajo multiagente no es una salvaguarda opcional, sino un requisito de diseño fundamental para evitar registros divergentes. Finalmente, y de manera crucial, incrustar el linaje desde el principio. Cada respuesta producida por un agente, especialmente en decisiones de alto riesgo como el crédito o el riesgo, debe llevar un camino rastreable hasta su fuente. "Siempre se podía hacer clic y ver de dónde venía, y validarlo hasta la fuente original", afirmó Kotovets. Esta certeza incorporada, señaló, es clave para desbloquear una multitud de otras capacidades avanzadas y garantiza la confianza en los sistemas autónomos.