Por Francisco Larez/Ciudad de México.- La inteligencia artificial en las empresas entró en una nueva etapa, y esta no comienza con los modelos, sino con el conocimiento organizado. Tras un ciclo inicial marcado por el entusiasmo con los modelos generativos y las interfaces conversacionales, el debate comienza a desplazarse hacia un punto menos visible: la forma en que se prepara, gestiona y estructura el conocimiento corporativo antes de ser consumido por los sistemas de IA.
Este movimiento se produce en un contexto de expansión acelerada. Según Gartner, las inversiones globales en inteligencia artificial alcanzarán los 2,52 billones de dólares en 2026. Este volumen pone de manifiesto la importancia central del tema, pero también aumenta la presión por obtener un retorno real. La IA empieza a tratarse menos como innovación y más como base operativa, y se le exige eficiencia, previsibilidad e impacto.
Otros datos de mercado ayudan a dimensionar esta transición. Según McKinsey & Company, el 88 % de las organizaciones ya utilizan la IA en alguna función empresarial. Sin embargo, una proporción significativamente menor logra traducir esta adopción en un impacto consistente. El desajuste entre presencia y rendimiento sugiere que la cuestión central dejó de ser tecnológica para convertirse en la capacidad de convertir la adopción en valor operativo medible.
Durante la primera ola de la IA generativa, el avance más visible fue la capacidad de acceder a grandes volúmenes de información. Los sistemas basados en RAG (Retrieval-Augmented Generation, o Generación Aumentada por Recuperación) permitieron conectar modelos a bases de datos internas y ampliar significativamente el alcance del conocimiento organizacional. Este movimiento, consolidó la premisa implícita de que el acceso a la información sería equivalente a la capacidad de generar valor.
En la práctica, esta equivalencia no se sostiene. A medida que los casos de uso evolucionan de interacciones puntuales a flujos más complejos —análisis, toma de decisiones y ejecución—, se hace evidente que la calidad del resultado no depende solo del modelo, sino de la forma en que se le presenta la información.
El desafío es concreto: gran parte del conocimiento corporativo sigue distribuido en formatos heterogéneos y poco estructurados. Imagina un contrato escaneado en 2015, una hoja de cálculo con fórmulas que solo el antiguo gestor entendía, un vídeo de una reunión sin transcripción y un registro de una conversación informal en Slack. Este es el ecosistema típico que la IA debe descifrar: un entorno que rara vez fue concebido para ser interpretado por sistemas automatizados.
El efecto tiende a ser un desplazamiento ineficiente del esfuerzo. Los modelos pasan a ejecutar tareas de interpretación, organización y filtrado que deberían haberse tratado previamente. A pequeña escala, esta ineficiencia puede pasar desapercibida pero, cuando se convierte en una operación real, se traduce en costes, latencia y variabilidad en la calidad.
El denominado Agentic RAG amplía el modelo tradicional al incorporar agentes responsables de orquestar las diferentes etapas del flujo de información. Mientras que el RAG común solo busca documentos, el Agentic RAG decide qué agente debe limpiar, clasificar o enriquecer cada dato antes de que el modelo principal lo procese. En este enfoque, la preparación del conocimiento pasa a tratarse como una etapa previa y continua, en la que agentes especializados actúan en la ingesta, estructuración, clasificación, enriquecimiento y aplicación de reglas de gobernanza.
El resultado es que los modelos dejan de actuar como mecanismos de interpretación primaria y pasan a centrarse en tareas de mayor valor, como la síntesis, la correlación y la toma de decisiones. Esta distinción cobra especial relevancia ante la dificultad de escalar iniciativas de IA. En muchos casos, el reto no radica en la construcción de prototipos funcionales, sino en la capacidad de mantener la coherencia, la gobernanza y la eficiencia.
En esta etapa, también cobra relevancia la denominada “economía de tokens”, una forma de medir y optimizar el volumen de datos que los modelos necesitan procesar para generar respuestas. Es como enviar un paquete: cada kilo extra cuesta dinero en el envío; los tokens son el peso de la información. Las arquitecturas más maduras pasan a tratar este consumo como una variable estratégica, reduciendo el desperdicio y priorizando solo lo que es realmente relevante.
Lo que se observa, por tanto, es un cambio de madurez. La eficacia de la IA depende menos de la capa visible y más de la solidez de los elementos que la sustentan. Este movimiento también replantea el origen de la ventaja competitiva. A medida que los modelos tienden a la estandarización y a una amplia disponibilidad, el factor diferenciador se desplaza hacia la calidad del conocimiento que alimenta estos sistemas y hacia la capacidad de operarlos de forma estructurada. Es en este nivel donde la IA deja de ser un experimento y pasa a sustentar las decisiones empresariales.
En última instancia, es la estructuración de la base de conocimiento organizacional lo que tiende a definir si la IA se mantendrá en proyectos piloto puntuales o si se consolidará como un activo estratégico a largo plazo.
Francisco Larez, VP de Progress para América Latina y el Caribe.
Contacto/Guadalupe Mestas Izurieta
PR Executive
E: guadalupe@comunicacionavc.com
