Durante años, los compradores del sector B2B se quejaban de que disponían de muy poca información.
Hoy en día, se enfrentan al problema contrario.
Con ChatGPT, Claude, Perplexity y los motores de búsqueda basados en IA, los compradores pueden comparar proveedores, analizar requisitos, elaborar listas de preselección y evaluar alternativas en cuestión de minutos, en lugar de semanas. Pueden solicitar una visión general del mercado, una comparación de características, una lista de verificación para la adquisición o una recomendación de proveedores, y obtener una respuesta fiable casi al instante.
El resultado parece obvio: una mayor cantidad de información debería conducir a mejores decisiones.
¿Pero es así realmente?
¿O estamos confundiendo el acceso a la información con la precisión de la misma?
Esa distinción es más importante que nunca. La IA está cambiando la forma en que los compradores buscan, evalúan y preseleccionan soluciones. Puede reducir el esfuerzo, acelerar el descubrimiento y hacer que los mercados complejos resulten más fáciles de entender. A veces, la información en la que se basa una respuesta generada por la IA puede estar incompleta, desactualizada, sesgada o, simplemente, repetirse con tanta frecuencia que parezca creíble. Cuando eso ocurre, una búsqueda más rápida puede que no conduzca a mejores decisiones.
Quizá solo dé lugar a decisiones más seguras.
El restaurante que nunca existió
Hace unos años, detectar un negocio falso en Internet era relativamente fácil. Quizá la página web pareciera sospechosa o las fotos no cuajaran. O quizá la presencia en redes sociales fuera escasa, o la historia no se sostuviera.
Hoy en día, eso no siempre es así.
Tomemos como ejemplo Ethos, el restaurante generado por IA en Austin que atrajo una gran atención a pesar de no ser un restaurante real. Contaba con los indicios que la gente asocia con la legitimidad: presencia en línea, fotografías de comida de aspecto profesional, interacción en redes sociales, atención de los medios y decenas de miles de seguidores en Instagram. Varios medios informaron de que el restaurante no existía, a pesar de que mucha gente interactuaba con su contenido como si fuera real.
Y aunque podría ser fácil llegar a la conclusión precipitada de que la gente es simplemente crédula, esa no es la lección que hay que extraer. La lección es que, en un mundo digital, la visibilidad se confunde a menudo con la verdad.
«Ethos» parecía creíble porque presentaba los indicios en los que nos han enseñado a confiar: pulcritud, actividad, atención y alcance. Pero esos indicios no demostraban nada sobre el restaurante, salvo que se trataba de una ilusión profundamente convincente.
Ese mismo problema se está trasladando ahora a decisiones de mayor calado.
La IA no «sabe» realmente
Un comprador podría dar por sentado que, si la IA dice algo, debe de haber validado la respuesta.
Pero los grandes modelos de lenguaje (LLM) no funcionan así.
Las herramientas de IA son muy eficaces a la hora de recuperar información, comparar fuentes, agregar perspectivas, identificar patrones y resumir conclusiones. Son capaces de sintetizar grandes cantidades de contenido más rápido de lo que cualquier comprador podría hacer razonablemente por sí solo.
Lo que no siempre hacen es determinar de forma independiente si cada fuente es correcta desde el punto de vista fáctico, está actualizada, es objetiva o relevante para un contexto empresarial específico.
Si un número suficiente de fuentes repite el mismo argumento, un sistema de IA puede considerarlo creíble. Por ejemplo, si se menciona con frecuencia a un proveedor en páginas comparativas, listas, contenido de socios, páginas de reseñas y entradas de blog, puede parecer un líder del mercado para un modelo de lenguaje grande (LLM). O si una afirmación desactualizada aparece en varios sitios, puede seguir influyendo en las respuestas futuras mucho después de que el mercado haya avanzado.
En resumen, la IA es excelente a la hora de identificar el consenso. Pero no siempre es tan excelente a la hora de identificar la verdad.
Y esa diferencia importa, porque los compradores B2B recurren cada vez más a la IA en las primeras fases de su proceso de compra.
Gartner ha constatado que los compradores de tecnología ya utilizan la IA para fundamentar sus decisiones de compra, siendo habitual el uso de la IA generativa en las fases de exploración y evaluación. Pero también hacen una distinción importante: los mejores compradores utilizan la IA para tomar mejores decisiones, no solo más rápidas.
Desde restaurantes falsos hasta recomendaciones de software
Ahora imagina la versión tecnológica B2B del problema de Ethos.
Un comprador le pide a la IA que compare plataformas de gestión de datos maestros (MDM), que le recomiende la mejor solución para el sector minorista o que elabore una lista de proveedores preseleccionados para un proyecto complejo de transformación digital.
Las decisiones tecnológicas B2B como estas conllevan un nivel de complejidad que la mayoría de las interacciones cotidianas con la IA simplemente no requieren. Elegir un restaurante, planificar un viaje o comparar productos suele implicar un conjunto reducido de variables. Sin embargo, las compras empresariales implican a múltiples partes interesadas, prioridades contrapuestas, resultados empresariales a largo plazo, requisitos de integración, consideraciones de gobernanza, compensaciones futuras… y la lista continúa. Esta complejidad cambia el papel que desempeña la IA en el proceso de toma de decisiones.
Por ejemplo, supongamos que estás buscando soluciones de gestión de datos maestros (MDM). Podrías plantearte preguntas como estas:
- ¿Cuáles son las mejores plataformas de MDM?
- ¿Qué solución es la mejor para el sector minorista?
- Compara el proveedor A y el proveedor B.
- Elabora una lista de finalistas para mi empresa.
Las respuestas que obtengas pueden parecer estructuradas y convincentes. Podrían incluir nombres de proveedores, puntos fuertes, puntos débiles y recomendaciones. Incluso podrían parecer objetivas.
Pero, ¿qué pasaría si las fuentes en las que se basan esas respuestas incluyeran información obsoleta sobre los productos, capacidades omitidas, clasificaciones sesgadas, posicionamientos inexactos, afirmaciones creadas por los propios proveedores o contenido comparativo que nunca haya sido revisado de forma independiente?
Un analista humano podría detectar esas deficiencias. Un consultor de compras podría cuestionar las hipótesis. Un experto en la materia podría saber qué afirmaciones ya no son exactas.
Pero un resumen generado por IA podría limitarse a incorporar la información simplemente porque aparece en fuentes que parecen fidedignas.
Ahora bien, esto no es motivo para descartar por completo el uso de la IA en el proceso de compra. Más bien, es una razón para comprender los puntos fuertes y las limitaciones de la IA, de modo que puedas saber en qué aspectos la IA aún tiene que ganarse tu confianza.
Porque, aunque es cierto que la IA puede agilizar la evaluación de software, esa rapidez no mejora automáticamente la capacidad de juicio. Y en algunos casos —y posiblemente con más frecuencia de lo que creemos— puede hacer que la información poco sólida o incorrecta se difunda aún más.
El problema del bucle de retroalimentación
Hay otro riesgo aún mayor que se esconde bajo la superficie.
La IA ya es capaz de generar contenido persuasivo a gran escala. Esto incluye resúmenes de productos, páginas comparativas, reseñas, comentarios sobre el mercado y análisis de proveedores. Una vez publicado ese contenido, otros sitios web pueden hacer referencia a él, los motores de búsqueda pueden indexarlo y los sistemas de IA pueden procesarlo. Las recomendaciones futuras pueden basarse entonces en esa misma información.
Con el tiempo, la repetición puede llegar a parecerse a la experiencia.
Las investigaciones ya han demostrado lo difícil que puede resultar esto en contextos de consumo. Un estudio reveló que los seres humanos no podían distinguir de forma fiable entre reseñas auténticas y reseñas falsas generadas por IA, con una precisión del 53,2 %. Otro artículo reveló que tanto a las personas como a las máquinas les resultaba difícil distinguir las reseñas falsas de productos generadas por modelos de lenguaje grande (LLM) de las reseñas reales, con una precisión media global del 50,8 % en el caso de las personas.
No es difícil imaginar el equivalente en el ámbito B2B.
La IA genera contenido, las páginas web lo publican, otros sitios lo citan, los LLM lo consumen y, a continuación, las futuras recomendaciones generadas por la IA se basan en esa misma información. El ciclo continúa así de forma perpetua, y la visibilidad y la repetición se confunden poco a poco con la experiencia.
Una recomendación puede estar bien redactada, ser coherente e incluso útil. Pero si ha sido generada por una IA, eso no significa que se base en la mejor evidencia disponible para respaldar decisiones reales.
Lo que significa que aquí existe un riesgo potencialmente más peligroso que la mera desinformación: la confianza mal depositada.
Por qué es importante ahora
Aun así, sea arriesgado o no, la IA se está convirtiendo en un elemento habitual de la investigación y la evaluación en el ámbito B2B.
Un analista ha constatado que las decisiones de compra ahora se toman o se ven reforzadas por la IA, y que la adopción de la IA se está convirtiendo en un imperativo estratégico en todo tipo de iniciativas, incluidas la toma de decisiones y la arquitectura empresarial. Forrester respalda esta afirmación al señalar que la búsqueda basada en IA es un motor de rápido crecimiento del tráfico de búsqueda orgánica B2B y que los compradores utilizan la IA generativa en todas las fases del proceso de compra, incluyendo el descubrimiento, la evaluación y la elección de soluciones.
La IA puede ser una potente herramienta de compra, pero aún hay que ganarse la confianza en sus respuestas.
A medida que la IA se convierte en una de las primeras etapas del proceso de compra, los compradores necesitan una forma más eficaz de evaluar no solo lo que recomienda la IA, sino también si dicha recomendación está lo suficientemente fundamentada como para confiar en ella.
Cinco cosas que toda empresa debería hacer antes de decidir cómo ampliar el uso de la IA
Esto es importante para cualquier compra asistida por IA. Pero cobra mayor importancia cuando lo que se está comprando es la base para una empresa bien gestionada, precisa y autónoma.
Ahí está la trampa. Los compradores pueden utilizar la IA para investigar, comparar y preseleccionar precisamente aquellas soluciones destinadas a hacer que su futura IA sea más fiable. Pero, como hemos visto, la IA puede confundir la visibilidad con la verdad y el consenso con la precisión. Por lo tanto, si un comprador confía excesivamente en un sistema que puede equivocarse con total seguridad, es posible que elija una base errónea para todas las iniciativas de IA posteriores.
El resultado es que se incorpora una debilidad en la capa de la que depende todo lo demás. Pero para estos compradores, el pensamiento crítico no es algo «que está bien tener». Es la clave de todo.
Así que, antes de dejar que una lista de candidatos generada por IA influya en la decisión, haz estas cinco cosas.
1. Analiza minuciosamente la lista de candidatos antes de confiar en ella
Una lista de candidatos preseleccionados generada por IA puede parecer fidedigna, y precisamente por eso merece un análisis minucioso. Puede que refleje qué proveedores son los más visibles en sus fuentes, pero no necesariamente cuáles son los más capaces de ofrecer una IA regulada y precisa a gran escala.
Plantea la misma pregunta en ChatGPT, Claude, Perplexity y otras herramientas de IA. Observa cómo cambian las clasificaciones. A continuación, pregunta a cada una de ellas qué ha omitido, qué supuestos ha hecho y por qué han aparecido determinados proveedores y otros no.
Las discrepancias entre las respuestas suelen revelar más que cualquier lista de candidatos seleccionada. Ponen de manifiesto en qué aspectos la visibilidad, la repetición y la disponibilidad de fuentes pueden estar influyendo en la recomendación más que la idoneidad real.
2. Pregunta qué es lo que realmente mide la IA
Cuando la IA califica una solución como «la mejor», la pregunta obvia es: «¿La mejor en qué?»
Muchas recomendaciones generadas por la IA se optimizan discretamente en función de la popularidad, la presencia en el mercado, la amplitud de funciones o la cantidad de contenido disponible en línea. Esas señales pueden ser útiles, pero no indican si una solución es capaz de mantener los datos de la empresa precisos, controlados, contextualizados y utilizables a gran escala.
Exige que se hagan públicos los criterios. ¿Se basa la recomendación en la gobernanza de datos? ¿En la fiabilidad? ¿En la capacidad de proporcionar un contexto fiable a los sistemas de IA? ¿En la coherencia entre dominios? ¿En resultados de implementación contrastados? ¿O se trata simplemente de clasificar a los proveedores en función de la frecuencia con la que aparecen en las fuentes disponibles?
Si la IA no puede explicar qué es lo que está midiendo, es posible que su recomendación no esté midiendo lo que realmente importa.
3. Exige pruebas que un «símil» no pueda aportar
Ethos parecía creíble porque presentaba muchas de las señales que la gente asocia con la legitimidad. Las afirmaciones de los proveedores pueden funcionar de la misma manera. Un lenguaje pulido, un posicionamiento amplio y frases repetidas como «regulado», «preciso» o «preparado para la IA» no son suficientes.
Pide pruebas que un imitador no pueda falsificar fácilmente.
Esto significa referencias de clientes empresariales concretos, casos prácticos con resultados cuantificables, validación por parte de analistas, documentación del producto que se pueda consultar y ejemplos claros de cómo funciona la gobernanza en la práctica. En el caso de una base de IA, la prueba de la gobernanza es especialmente importante: linaje de los datos, controles de calidad, modelos de propiedad, procesos de validación y auditabilidad.
Cualquier proveedor puede hablar de confianza, pero solo una base adecuada puede demostrar cómo se genera, se mantiene y se amplía la confianza en entornos empresariales reales.
4. Comprueba si la solución comprende el significado, no solo los datos
Una IA precisa necesita algo más que datos limpios. Necesita datos con contexto, relaciones y significado empresarial.
Una solución que se limite a trasladar registros, campos y atributos de un sistema a otro puede seguir dejando a la IA en la incertidumbre. Puede transmitir la misma ambigüedad, duplicación e inconsistencia que hacen que las decisiones automatizadas sean poco fiables en primer lugar.
Busca la capa que capta el significado. ¿Puede la solución reconocer cuándo dos registros representan al mismo cliente? ¿Puede relacionar un producto con la normativa, los proveedores, los mercados y los canales que influyen en cómo debe utilizarse? ¿Puede mostrar cómo encajan entre sí los términos, las entidades y las relaciones en toda la empresa?
Esa base semántica es fundamental. Es la diferencia entre una IA capaz de razonar a partir de un contexto regulado y una IA que improvisa a partir de datos inconexos.
5. Evalúa los cimientos, no la lista de características
Las características quedan bien en las demostraciones. Los fundamentos son los que permiten escalar.
Es fácil dejarse deslumbrar por una única capacidad de IA en un caso de uso controlado. Pero la verdadera pregunta es si se puede confiar en unos datos controlados, precisos y ricos en contexto, y reutilizarlos en la próxima iniciativa de IA —y en la siguiente—.
Pregúntate si cada nuevo caso de uso heredaría automáticamente la misma base de confianza, o si tus equipos tendrían que reconstruir la gobernanza, el contexto y la validación desde cero cada vez. Pregúntate si la solución puede dar soporte a la IA en distintos ámbitos, departamentos, flujos de trabajo e iniciativas futuras, y no solo al caso de uso que tienes hoy ante ti.
Una lista de características muestra lo que una solución puede hacer ahora, pero la base es lo que determina si su IA seguirá siendo fiable a medida que se amplíe.
Estar mejor informado no siempre significa estar mejor preparado
La IA puede ofrecer a los compradores una lista de candidatos preseleccionados en cuestión de segundos. Lo que no siempre puede indicarles es si las soluciones de esa lista pueden proporcionar la base controlada, precisa y rica en contexto necesaria para una IA fiable a gran escala.
Esa distinción es importante. Especialmente cuando la decisión de compra no solo afecta a un único flujo de trabajo, sino a la calidad de todos los sistemas de IA que la empresa desarrolle en el futuro.
Hacerlo bien significa utilizar la IA para acelerar el proceso de compra sin permitir que sustituya al proceso de evaluación. Cada recomendación debe someterse a una prueba de resistencia: qué pruebas la respaldan, qué supuestos la han configurado, qué contexto falta y si esa base puede hacer que las futuras decisiones de la IA sean más fiables.
A medida que la IA formula recomendaciones con mayor rapidez y seguridad, la verdadera ventaja radica en saber qué respuestas tienen la base suficiente para orientar el siguiente paso.
Porque, en una era de recomendaciones instantáneas y seguras, la verdadera ventaja la tienen aquellos que saben qué respuestas merecen dar forma a lo que vendrá después.
