Tu agente de IA solo es tan bueno como tu sistema de archivo

El 30 de diciembre de 2025, el servicio postal de Dinamarca entregó la última carta de sus 401 años de historia. Los 1,500 buzones restantes fueron retirados de las calles durante ese año. Mientras tanto, en julio de 2026 el gabinete federal alemán aprobó GeDIG, la ley de datos de salud e innovación digital, que eliminará gradualmente el fax de los consultorios médicos para el otoño de 2029 y hará obligatorios los referidos electrónicos.

Entonces, ¿cómo es que un país puede implementar tales cambios mientras otro aún está eliminando su dependencia de las máquinas de fax en este siglo? Teniendo en cuenta el uso de IA en los negocios de cada país, el 42 % de las empresas danesas utilizó al menos una tecnología de IA en 2025, la mayor proporción en Europa. Alemania se situó en el 26 %, por encima del promedio de la UE pero dieciséis puntos por debajo de Dinamarca.

Para mí, el contraste nos incita a replantear nuestras creencias sobre la adopción de IA. En particular, la creencia de que la elección del modelo es el punto de partida de la adopción de IA, ignorando la condición de los sistemas que rodean al modelo. Ambos países tienen acceso a los mismos modelos y proveedores de nube, pero la diferencia radica en si los procesos empresariales y públicos ya generan registros digitales fiables. Dado que un agente de IA no trabaja directamente con la realidad, sino con la versión de la realidad disponible en un sistema, naturalmente esto genera algunas limitaciones.

La primera limitación: la información nunca se digitalizó

Un agente no puede recuperar un documento que nunca ingresó al sistema. La forma del flujo de información de la organización determina lo que un agente puede incluso percibir como una tarea.

A nivel de país, los datos de Eurostat muestran que la adopción de IA en las empresas correlaciona con la digitalización de los procesos administrativos. Pero el mecanismo clave es que los países donde los ciudadanos ya reciben documentos oficiales de forma digital tienen menos interacciones fuera del sistema que las empresas deben conciliar, reduciendo la cantidad de trabajo de interpretación necesario antes de que la IA pueda usarse de forma segura en las operaciones.

A nivel de empresa, un estudio de IZA de 2026 sobre 1,907 compañías danesas encuentra que un aumento de una desviación estándar en la digitalización se asocia con una probabilidad 8 a 10 puntos porcentuales mayor de adoptar sistemas de IA centrales. Esto sugiere que la adopción de IA depende de si las operaciones internas de la empresa ya están organizadas de manera digitalmente estructurada y legible por máquinas. Si los procesos están fragmentados, hay poca información estable para que los sistemas o agentes de IA actúen.

Esto también puede ayudar a explicar por qué la digitalización impulsada por políticas no se traduce automáticamente en preparación para IA. La facturación electrónica B2B obligatoria de Italia creó un canal totalmente digital, pero la adopción general de IA sigue por debajo del promedio de la UE. Digitalizar un solo paso no elimina el sistema analógico circundante.

La segunda limitación: la información existe solo en la cabeza de alguien

Los humanos gestionan las operaciones, lo que significa que la mayor parte del tiempo conocen detalles que la IA no. Un administrador financiero sabe que un inquilino pagó en efectivo, pero el pago nunca se ingresó al sistema contable. Como resultado, los registros bancarios y el sistema no concuerdan. El administrador entiende el porqué, mientras que la IA solo ve datos inconsistentes. Un administrador de propiedades recuerda que un propietario pidió no ser contactado durante dos semanas. Un equipo conoce la solución alternativa para un edificio o cliente, pero nadie la ha documentado.

ClarEval probó tareas con objetivos ausentes, premisas faltantes y terminología ambigua. El rendimiento del modelo cayó de alrededor del 89 % tras la clarificación a aproximadamente el 9 % cuando la ambigüedad permaneció sin resolver. Mientras tanto, Ambig‑SWE descubrió que permitir que un modelo cuestione a un usuario que posee la información faltante recuperó hasta el 74 % del rendimiento perdido. Esto implica que los ingenieros deberían construir un sistema capaz de solicitar aclaraciones desde el principio.

La tercera limitación: la información existe pero no puede transmitirse

Algunos datos están disponibles dentro de la empresa y aún así no pueden llegar al modelo debido a normas de privacidad, controles de seguridad, contratos o políticas internas.

Un estudio basado en siete años de datos en la nube encontró que el RGPD —la ley fundamental de privacidad de datos de la UE— redujo el almacenamiento de datos en un 26 % y el procesamiento en un 15 % entre las empresas de la UE en comparación con empresas estadounidenses comparables. En otras palabras, la regulación de privacidad hizo que las empresas fueran menos intensivas en datos al limitar la cantidad de información que podían retener y procesar para análisis e IA. La adopción de IA generativa fue casi igual, con un 37 % de las empresas de la UE y un 36 % de las de EE. UU. Pero la brecha en la profundidad de la adopción de IA es enorme, con el 81 % de las empresas estadounidenses usando IA en al menos dos procesos internos, frente al 55 % en la UE. Una posible razón es que la información que ya existe dentro de las organizaciones suele ser más difícil de reutilizar para IA en Europa. Las conversaciones de soporte al cliente, por ejemplo, a menudo contienen datos personales recopilados para resolver problemas de los clientes. Según el principio de limitación de finalidad del RGPD (Artículo 5(1)(b)), estos datos no pueden simplemente reutilizarse para entrenar IA sin una base legal válida. Las empresas estadounidenses generalmente enfrentan menos restricciones federales equivalentes para reutilizar dichos datos.

Cómo construir el sistema correcto

La recuperación solo funciona cuando la respuesta existe en el sistema. Los agentes deben preguntar cuando falta información, nunca adivinar, y convertir llamadas o decisiones informales en registros estructurados. Las empresas también deben eliminar los flujos de trabajo paralelos en papel porque, si una tarea puede ocurrir fuera del sistema, parte del contexto permanecerá invisible.

Cada empresa debe reconocer sus propias brechas. Mida si un hecho necesario para actuar correctamente estaba dentro del sistema o no. Pruebe los flujos de trabajo con y sin los campos de revisión de privacidad excluidos. Por último, para el flujo de trabajo que puede completarse en papel, ese es el agente que se debe construir al final.

Los agentes pueden mejorar la producción humana, pero no reparan lo que falta.