Commerce Intelligence: IA para analizar, reglas para decidir

Una decisión comercial —qué producto conviene, a qué precio, con qué prioridad— se apoya cada vez más en información que un modelo de lenguaje puede leer y resumir mucho más rápido que una persona. Hasta ahí, la IA ayuda.

El problema aparece cuando esa misma IA termina calculando. Un modelo puede responder distinto a la misma pregunta dos veces, y después nadie puede explicar por qué un producto quedó con tal puntaje o tal precio. Para investigar, esa variabilidad es tolerable. Para un cálculo que mueve dinero, no: tiene que dar siempre el mismo resultado, poder explicarse y poder probarse.

Commerce Intelligence es un proyecto propio de Burrow Labs, pensado para una operación de comercio que necesita hacer tres cosas de forma continua: investigar productos y mercado, puntuar oportunidades para decidir dónde poner la atención y fijar precios con reglas que después se puedan auditar.

Las tres tareas son de naturaleza distinta. La investigación es abierta y se beneficia de un modelo que lee, resume e interpreta. El scoring y el pricing son cálculos: reciben datos, aplican reglas y devuelven un número que alguien va a tener que defender. Mezclarlas en una sola «respuesta de la IA» era la tentación obvia, y justo lo que queríamos evitar.

Dividimos la plataforma en dos capas con responsabilidades claras. La IA interpreta: investiga, lee fuentes, extrae atributos y devuelve una estructura de datos con lo que entendió. El código determinístico decide: toma esa estructura, aplica el scoring y el motor de pricing, y registra cada paso.

Además, ningún proveedor de IA forma parte del dominio. Los modelos se consumen detrás de una abstracción, así que cambiar de proveedor —por costo, calidad o disponibilidad— es una configuración, no una reescritura. Cada decisión queda trazada: qué interpretó el modelo, qué reglas se aplicaron y qué resultado salió.

Lo difícil no fue conectar un modelo: fue dibujar la frontera. ¿Dónde termina la interpretación y dónde empieza la decisión? Si la IA devuelve «este producto parece premium», ¿eso es un dato o ya es un juicio sobre el precio?

La resolvimos con un contrato: la IA solo puede devolver estructuras tipadas con atributos observables, nunca puntajes ni precios. Todo número con consecuencias se calcula del lado determinístico, con reglas explícitas.

Y esa frontera tenía que poder probarse automáticamente. Para eso, el dominio no puede depender de que un modelo responda igual dos veces: las pruebas trabajan sobre la estructura que entra, no sobre el modelo que la produjo. Así se verifica que el scoring y el pricing dan siempre el mismo resultado y que el flujo completo se comporta igual sin importar qué proveedor esté detrás.

El backend está en Laravel sobre MySQL; la interfaz, en React con TypeScript. El corazón del diseño es la separación entre los proveedores de IA y el dominio:

• Una interfaz común de proveedor define qué le pedimos a cualquier modelo: investigar e interpretar, devolviendo estructuras validadas.
• Un orquestador elige el proveedor, arma el pedido, valida la respuesta contra el esquema esperado y la entrega al dominio. Es el único lugar que sabe qué proveedores existen.
• Motores determinísticos de scoring y pricing: código puro, sin llamadas a modelos, con reglas explícitas y legibles.

Las pruebas siguen la misma división: Pest para el dominio y los motores, Vitest para la lógica de la interfaz y Playwright para los flujos de extremo a extremo.

IA para interpretación. Código determinístico para cálculos y reglas.