Del volumen a la selección: la trampa que los agentes de IA están forzando a resolver
Hay una creencia que recorre los pasillos de casi toda organización que ha invertido en inteligencia artificial en los últimos ocho años. La creencia de que el problema es siempre de cantidad. Más datos. Más tokens. Más cobertura. Más historia almacenada. Como si la inteligencia fuera proporcional al volumen, y la solución a cualquier fallo del sistema fuera simplemente agregar más.
Esta convicción no nació de la ingenuidad. Nació de la era del big data, una época en la que acumular información era técnicamente difícil, costoso y por tanto valioso en sí mismo. Quien tenía más datos tenía ventaja. Quien podía procesarlos, más aún. El modelo era simple y tenía lógica de mercado clara.
Lo que ocurre ahora en las organizaciones que despliegan agentes de IA en producción está forzando una revisión incómoda de esa premisa. El problema ya no es escasez de datos. Las empresas medianas en sectores maduros tienen acumulados billones de tokens entre CRMs, bases de datos, documentos, correos, tickets de soporte, hilos de comunicación interna y sistemas heredados. El problema es que los agentes no saben qué hacer con ese volumen. No porque sean incapaces de procesarlo, sino porque nadie les ha enseñado a filtrar. Y esa incapacidad de selección no es un problema técnico. Es un problema de diseño organizacional que las empresas llevan años evadiendo con la excusa de que primero necesitaban más datos.
La ilusión de que más contexto es mejor contexto
Existe una diferencia estructural entre alimentar a un modelo con todo lo disponible y darle acceso al fragmento exacto que necesita para actuar bien en este momento específico. La primera opción parece más segura porque se siente completa. La segunda requiere haber tomado antes una decisión difícil: saber qué importa y qué no.
Esa decisión es costosa porque obliga a alguien en la organización a comprometerse con una jerarquía de relevancia. Y comprometerse con una jerarquía de relevancia significa aceptar que algunas cosas no importan tanto como creíamos, que algunos datos que llevamos años recolectando no cambian el resultado, que algunas fuentes que un área defiende como críticas son en la práctica ruido.
No hay muchas organizaciones dispuestas a tener esa conversación. No porque no puedan. Sino porque tiene un costo político interno que nadie quiere asumir. El resultado es que los agentes reciben contextos inflados, con información contradictoria, sin jerarquía clara, y producen respuestas que son técnicamente plausibles pero operativamente inútiles. El fallo se le atribuye al modelo. La conversación que no se tuvo queda intacta.
Lo que está emergiendo como respuesta a este problema tiene nombre técnico: ingeniería de contexto. No es una práctica de optimización de prompts, aunque en la superficie pueda parecerlo. Es la disciplina de decidir, con criterio organizacional, qué información recibe un agente para ejecutar una tarea concreta. Implica búsqueda estructurada para extraer hechos precisos de sistemas formales, búsqueda semántica para recuperar significado en contenido no estructurado, e indexación inversa para localizar identificadores exactos en tiempo real. Tres capas de recuperación distintas, cada una con una función diferente. Ninguna de ellas sustituye a la otra. Juntas, convierten el conocimiento acumulado en contexto utilizable.
El problema es que implementar esto correctamente requiere que alguien en la organización haya definido antes qué es relevante para qué tipo de tarea. Y eso no es un problema de ingeniería. Es un problema de gobernanza del conocimiento que la mayoría de las organizaciones nunca ha resuelto de forma explícita.
Lo que los grafos de contexto revelan sobre la madurez organizacional
La siguiente frontera en arquitectura de agentes empresariales tiene otro nombre: grafos de contexto. La distinción respecto a los grafos de conocimiento convencionales es precisa y vale la pena detenerse en ella.
Un grafo de conocimiento modela lo que existe: entidades, relaciones, taxonomías, ontologías. Le dice al agente cómo está estructurado el mundo conceptual de la organización. Es útil, pero insuficiente. Un agente que sabe que existe un proceso de aprobación de excepciones no sabe por eso cómo se resuelven esas excepciones en la práctica, quién tiene autoridad real para aprobarlas en situaciones ambiguas, qué hilo de conversación informal generó la decisión que hoy está codificada como política, o qué workaround usa el equipo de operaciones desde hace dos años porque el proceso formal no funciona.
Los grafos de contexto capturan esa capa procedimental. Registran trazas de decisión: quién aprobó qué, en qué orden, usando qué herramientas, con qué resultado. Construyen una memoria organizacional persistente que incluye no solo el estado actual de las cosas, sino el camino que llevó hasta ahí.
La implicación es significativa para quienes lideran organizaciones, no solo para quienes las diseñan técnicamente. Una organización que puede construir grafos de contexto útiles es una organización que ha sido capaz de hacer visible su propio proceso de toma de decisiones. Que ha nombrado sus flujos reales de aprobación, sus excepciones habituales, sus patrones de escalamiento. Que ha tenido la conversación sobre cómo se toman realmente las decisiones, no solo cómo el organigrama dice que deberían tomarse.
Muchas organizaciones no pueden construir esa capa porque no la tienen articulada. No porque la información no exista, sino porque existe distribuida en conversaciones informales, en la memoria de personas específicas, en prácticas no documentadas que nadie ha tenido interés en hacer explícitas porque hacerlas explícitas implicaría también hacerlas auditables. Y ahí reside una tensión que los proyectos de IA agentica están llevando a la superficie con más claridad que cualquier consultoría de procesos anterior.
El agente de IA no puede operar con lo que la organización se niega a nombrar. Y la negativa a nombrar no siempre es técnica. A menudo es política. Es la protección de espacios de discrecionalidad que ciertas áreas o personas no quieren ver formalizados porque perderían con ello una cuota de poder o de autonomía.
Por qué el ritmo de adopción predice quién tendrá ventaja, no quién la tiene hoy
Gartner proyecta que más del 50% de los sistemas de agentes de IA en entornos empresariales utilizarán grafos de contexto antes de 2028. Es una cifra que vale la pena leer con cuidado, porque no dice que todas las organizaciones los usarán bien. Dice que la mayoría los usará de alguna forma.
La diferencia entre usarlos de alguna forma y usarlos bien depende de algo que no se resuelve con presupuesto de tecnología. Depende de si la organización ha sido capaz de hacer el trabajo previo de articular cómo toma decisiones de manera granular y honesta. Las organizaciones que lleguen a 2028 con grafos de contexto construidos sobre procesos formales que nadie sigue realmente tendrán agentes sofisticados que replican disfunciones con mayor eficiencia. Las organizaciones que hayan hecho el trabajo incómodo de mapear sus flujos reales, incluyendo los informales, los que nadie documenta porque son convenientes precisamente por ser opacos, tendrán algo cualitativamente distinto: una memoria institucional que puede aprender.
La ventaja competitiva en agentes de IA no la tendrá quien desplegó más modelos o quien tiene más tokens almacenados. La tendrá quien supo filtrar antes. Quien construyó sistemas capaces de identificar el fragmento exacto de contexto que cambia el resultado de una decisión concreta. Y eso, en la práctica, es una capacidad organizacional antes que tecnológica.
Vale la pena considerar lo que ocurre en el escenario opuesto. Una organización con cientos de agentes operando en paralelo, cada uno construyendo su propia visión fragmentada e inconsistente de cómo funciona la empresa, genera un tipo de caos que no es inmediatamente visible pero es estructuralmente corrosivo. Los agentes se contradicen entre sí. Las decisiones que toma uno no son coherentes con las que toma otro. La memoria institucional no se acumula, se fragmenta. Y cuando algo sale mal, nadie puede trazar con claridad qué contexto recibió qué agente y por qué actuó como lo hizo. La gobernanza colapsa exactamente en el momento en que más se necesita.
La selección es la disciplina que las organizaciones todavía no aprendieron
Hay algo que la evolución de los últimos ocho años en IA empresarial confirma con bastante consistencia. El problema nunca fue la escasez de datos. Fue la resistencia a decidir qué importa.
Decidir qué importa tiene un costo. Significa que algunas áreas reciben menos atención del sistema que otras. Significa que algunas fuentes de datos que representan trabajo acumulado durante años no entran en el contexto operativo de los agentes. Significa que alguien tiene que comprometerse con una jerarquía y defenderla frente a quien no está de acuerdo.
Esa conversación, en la mayoría de las organizaciones que conozco, nunca ocurrió de forma explícita en el contexto de la estrategia de IA. Se evitó con la promesa implícita de que el sistema podría manejar todo si se le daba suficiente capacidad de cómputo. Lo que los agentes de IA están poniendo en evidencia ahora es que esa promesa nunca fue viable. No porque el cómputo sea insuficiente, sino porque la inteligencia que un agente puede desplegar está limitada por la calidad del contexto que recibe, y la calidad del contexto no es una función del volumen. Es una función de la claridad con la que la organización ha sido capaz de articular lo que sabe y cómo lo usa.
Las organizaciones que logren construir esa claridad no lo harán porque encontraron la plataforma tecnológica correcta. Lo harán porque alguien en posición de liderazgo tuvo la voluntad de forzar la conversación que otros evitaban, de nombrar lo que el sistema prefería dejar sin nombre, de comprometerse con una jerarquía de relevancia que tiene un costo político real y visible. Esa es la capacidad que no se compra con presupuesto de infraestructura. Y es, por ahora, la más escasa.
