El éxito o fracaso de la IA empresarial no depende del modelo, sino del 'contexto'... 7 condiciones en la era de los agentes inteligentes

La introducción de inteligencia artificial (IA) a nivel empresarial está superando la fase de “experimento” y pasando a la implementación en negocios reales, pero en la práctica, los resultados aún no cumplen con las expectativas. La industria señala que la causa no es la falta de modelos más avanzados, sino la ausencia de “contexto”. Por muy excelente que sea un agente de IA, si no puede obtener adecuadamente el conocimiento interno de la empresa y el contexto del negocio, se detendrá en la etapa de toma de decisiones.

Vanessa Liu, presidenta de Appen Ltd., expresó recientemente en el evento conjunto con theCUBE y la Bolsa de Valores de Nueva York (NYSE): “Los datos son fundamentales para que las empresas utilicen IA. Así como un empleado excepcional necesita adaptarse a la capacitación organizacional tras su incorporación, un agente de IA también debe proporcionar contexto empresarial para funcionar correctamente.” Ejecutivos en infraestructura de datos, finanzas, modernización empresarial y AI de código abierto, incluyendo a Steve Hasker, CEO de Thomson Reuters Corp., asistieron al evento para explorar conjuntamente “cómo hacer que los agentes realmente se apliquen en los negocios”.

1. La competitividad empresarial finalmente depende de “datos exclusivos”

Los oradores coinciden en que solo modelos de IA de vanguardia no son suficientes para diferenciarse. La clave está en los datos internos y conocimientos empresariales acumulados a largo plazo. Liu señaló que el conocimiento especializado propio de la empresa a menudo no está sistematizado. Hasker opinó que, en el futuro, los agentes competitivos ya no dependerán solo de “si son fáciles de usar”, sino de si “poseen una barrera defensiva de datos en el mercado”.

2. Los usuarios no esperarán, los agentes tampoco

La velocidad ya se considera un requisito básico, no una opción. Ariel Schulman, director de producto de Bright Data Ltd., explicó que cuando los usuarios ven en la pantalla del chatbot “buscando en la web”, su temporizador de paciencia comienza a contar. Bright Data actualmente proporciona datos de rastreo web como punto de partida para respuestas de chatbots, controlando el tiempo de transmisión de la página en menos de 1 segundo, con una mediana de 500 milisegundos. Debido a que la velocidad de obtención de datos es demasiado lenta, el usuario puede abandonar antes de que el agente termine de preparar la respuesta.

3. Los agentes de IA que manejan dinero necesitan “cuentas” y sistemas de identidad

Se ha planteado que, si un agente de IA debe realizar pagos o transferencias financieras, necesita un sistema de certificación similar al de la identificación humana. Sean Neville, cofundador y CEO de Catena Labs Inc., afirmó que los bancos deben poder verificar quién representa al agente, qué puede hacer y por qué realiza cierta acción. Esta idea busca, mediante un sistema llamado “Conoce a tu Agente” (Know Your Agent), garantizar la responsabilidad y trazabilidad en la automatización financiera.

4. Más allá de “bloqueo de proveedores”, ahora el “bloqueo de tokens” es el problema

También se advirtió en la reunión: si todos los sistemas se construyen completamente en torno a un modelo de IA específico, en el futuro se perderá el control de costos. Woodson Martin, CEO de OutSystems Inc., señaló que las empresas que dependen de un solo modelo de vanguardia, a medida que aumentan los costos de inferencia, enfrentarán presión para obtener beneficios. Enfatizó la necesidad de una capa de plataforma que permita cambiar modelos en funcionamiento sin reescribir sistemas subyacentes, una solución práctica para gestionar ganancias y pérdidas en la estrategia de agentes.

5. “Proveer” herramientas de IA y “hacer que las personas las usen” son cosas distintas

Existe una gran brecha entre la aplicación práctica en el campo y la percepción de la gerencia. Tye Kim, director de información de WalkMe Ltd., afirmó que el 80% de los gerentes creen que proporcionan excelentes herramientas de IA a los empleados, pero solo una minoría de los empleados está de acuerdo. El problema no es la cantidad de herramientas, sino si estas presentan funciones de forma natural en el momento adecuado. Sin una “guía basada en contexto” que dirija el uso en los procesos de negocio en el momento necesario, la inversión en IA tendrá un impacto limitado.

6. Comenzar con el modelo más potente y luego buscar alternativas más baratas

También hay opiniones que consideran que priorizar la reducción de costos es un error estratégico. Wu Qingyun, representante de AG2ai, afirmó que primero se debe usar el modelo más potente para confirmar el nivel alcanzable, y luego comparar si modelos de código abierto u otras alternativas económicas pueden ofrecer un rendimiento similar. Esto implica que, si desde el inicio se establece un punto de partida con modelos económicos, la empresa puede perder capacidades necesarias. Solo después se puede equilibrar costo y rendimiento.

7. Las pruebas piloto son fáciles, pero la operación real es la más propensa a fallar

El mayor riesgo no está en los proyectos piloto, sino en la exposición en producción. Bar Moses, cofundador y CEO de Monte Carlo Data Inc., explicó que muchos agentes que funcionan bien en pruebas de concepto (POC) pueden presentar problemas en despliegues reales, como usar datos obsoletos, saltarse pasos de inferencia, consumir excesivos tokens o generar “alucinaciones” no detectadas en pruebas. En particular, los tribunales han dictaminado que la responsabilidad final de las acciones del agente no recae en el usuario, sino en la empresa que creó el servicio. Por ello, establecer sistemas de control y monitoreo es aún más importante para las empresas.

Finalmente, se concluye que la próxima competencia en IA empresarial no dependerá tanto del rendimiento del modelo en sí, sino de “cuán precisos pueden proporcionar el contexto y cuán estables son en su operación”. A medida que los agentes de IA sustituyen el trabajo humano, los datos exclusivos, el conocimiento interno, la velocidad, el control de costos y la estructura de responsabilidad probablemente serán los factores clave para determinar el éxito o fracaso.