Dicen que en política pueden pasar muchas cosas en una semana. ¡Piense entonces en cuánto puede cambiar en un año el mundo de la IA! Incluso hace 12 meses, la IA general aún no era una corriente generalizada a nivel mundial. Pero para finales de 2025, casi una de cada seis personas en todo el mundo utilizará herramientas de inteligencia artificial.
El año pasado supuso un gran avance para la IA empresarial, ya que innumerables empresas demostraron que pueden crear iniciativas de IA. La mayoría ya ha creado una cartera de pilotos, pruebas de concepto y demostraciones internas que parecen impresionantes.
Presidente y CPO de Neo4j.
Sin embargo, a medida que los presupuestos se ajustan, las juntas directivas y los ejecutivos se preguntan por qué no se adoptan tantos sistemas para el uso empresarial diario. Muchos directores ejecutivos todavía luchan por justificar las ganancias de ingresos o las reducciones de costos derivadas de las inversiones en IA, a pesar del enorme gasto en tecnología.
Sin embargo, eso no se debe a que la IA se haya detenido: los modelos son más potentes, más baratos y más fáciles de implementar que nunca. El problema reside en el desordenado espacio entre las fases de prueba y producción, un área que llamamos “purgatorio de pilotos de IA”.
El auge de la ‘purga piloto’
Muchas organizaciones están ahora atrapadas en esta fase de implementación de la IA, incapaces de escapar del mismo bucle interminable. Sí, los equipos pequeños pueden activar fácilmente agentes que trabajen en un sandbox. Pero cuando se les pide escalar entre departamentos, integrarse con sistemas activos o resistir auditorías y controles de riesgos, a menudo fracasan.
Por lo general, el proyecto simplemente se ralentiza, luego se detiene y se detiene lentamente. Y es difícil precisar por qué. A menudo, esto se debe a que la propiedad no está clara y se pierde la confianza hasta que alguien quiere patrocinar un cambio a producción.
Replantear los fracasos de los agentes en contexto, no en modelos
Estos proyectos fracasan porque se presta demasiada atención a la elección del modelo y al diseño rápido y no la suficiente a lo que llamamos “contexto”.
Por ejemplo, piense en la toma de decisiones humana. Depende de una comprensión compartida de quién es responsable de qué, qué reglas en el lugar de trabajo se aplican, cómo se han manejado casos similares antes y por qué se tomó una decisión en particular.
En este momento, la mayoría de los sistemas de IA se implementan sin acceso a ese tejido conectivo y los agentes están específicamente expuestos. A medida que asumen una mayor autonomía, la mayoría de los usuarios esperan que se comporten menos como herramientas y más como colegas jóvenes: colegas que pueden justificar decisiones, citar políticas y adaptarse a medida que cambian las reglas. Si no pueden, rápidamente se convierten en una carga.
Los registros y paneles no resuelven este problema. Registran lo sucedido pero omiten su significado. Una acción con marca de tiempo dice muy poco sobre la intención. Cuando los reguladores, auditores o clientes preguntan por qué se tomó una decisión, terminan con marcas técnicas que sirven como un mal sustituto de una cuenta coherente.
Por qué la trazabilidad supera a la interpretabilidad
En lugar de tratar el contexto como una pila de documentos de los cuales recuperar información, algunas organizaciones están comenzando a modelarlo explícitamente con gráficos de contexto: mapas conectados de historiales de decisiones que hacen que los juicios organizacionales sean buscables, rastreables y reutilizables.
La idea es vincular personas, políticas, sistemas, decisiones y resultados en un marco coherente que evolucione con el tiempo.
Es importante destacar que captura las huellas de las decisiones: qué sucedió, qué políticas se aplicaron, qué excepciones se hicieron y el razonamiento detrás de los resultados, fuera de las herramientas y sistemas tradicionales. En realidad, muchas decisiones productivas se toman fuera de estas aplicaciones, como el correo electrónico o la mensajería en equipo.
Por ejemplo, una política puede establecer que los descuentos que superen un determinado umbral requieran la aprobación de los superiores. Sin embargo, es posible que las conversaciones reales que conducen a una excepción, como correos electrónicos que explican el fundamento estratégico, hilos de mensajes del equipo donde los colegas han validado el fundamento y aprobaciones informales, no se registren en una aplicación en particular.
Aunque los sistemas formales codifican reglas y principios, rara vez capturan el razonamiento, la deliberación y el juicio humanos que subyacen a la toma de decisiones organizacional real. Los marcadores de decisión llenan ese vacío, no sólo con lo que sucedió, sino con el por qué. Vista así, la interpretabilidad deja de ser una promesa abstracta y es rastreable.
Puede ver qué reglas se aplicaron, qué datos se consideraron, qué sistema o persona autorizó la acción y cómo se resolvieron casos similares, ya sea que esa resolución se haya producido en una reunión de la junta directiva o en un hilo interno. Y hace que la gobernanza sea más funcional que teórica, porque el control y la rendición de cuentas se encuentran dentro del mismo marco que las decisiones mismas.
Este es un método muy valioso que aborda la amnesia organizacional, como cuando los equipos cambian, las políticas cambian y los sistemas se reemplazan. Sin una memoria compartida, cada nuevo proyecto tendría que empezar desde cero, volver a aprender las mismas lecciones y potencialmente repetir los mismos errores.
Pero una capa de contexto conectada permite que el aprendizaje se acumule. Los agentes pueden heredar conocimiento institucional en lugar de mejorar cada vez, lo que hace que sea mucho más fácil detectar patrones que la gente pasa por alto, excepciones que indican lagunas en las políticas o decisiones superfluas que regresan a los mismos pasos interrumpidos en el proceso.
Lo que realmente afirma Scaling AI
Ampliar la IA no es tanto una mejora tecnológica como una mejora organizativa. Esto obliga a formular preguntas incómodas sobre la calidad, la propiedad, los permisos y la responsabilidad de los datos, así como sobre la claridad sobre quién establece las políticas, quién puede anularlas y cómo se manejan las excepciones.
En pocas palabras, estos no son problemas que un buen modelo pueda resolver. Para superar el purgatorio de los pilotos, las empresas comienzan poco a poco, dentro de dominios de decisión específicos, en lugar de grandes programas de IA.
Mapean las reglas, los actores y los resultados involucrados y luego permiten que los agentes actúen dentro de ese contexto limitado. A medida que crece la fe, se amplía el alcance. Con el tiempo, lo que surge no es sólo un sistema de IA, sino un mapa vivo de cómo funciona la organización.
El siguiente paso en la IA empresarial no puede perseguir mejoras en el rendimiento del modelo. Estará conformado por quienes inviertan en crear y mantener el gráfico de contexto que almacena la memoria institucional.
Hemos presentado las mejores herramientas de IA.
Este artículo fue producido en parte Perspectiva profesional de TechRadarNuestro canal para mostrar las mejores y más brillantes mentes de la industria tecnológica actual.
Las opiniones expresadas aquí son las del autor y no necesariamente las de TechRadarPro o Future plc. Si está interesado en contribuir, obtenga más información aquí:
