Líderes de opinión
Antes de desplegar agentes de IA a gran escala, pregúntese qué desconocen

Puntos claveLas respuestas seguras fallan cuando los agentes omiten contexto como fechas de…
Ver más
- Las respuestas seguras fallan cuando los agentes omiten contexto como fechas de presentación obsoletas o diferencias en el calendario fiscal.
- Casi 6 de cada 10 empresas atribuyeron una respuesta de IA segura pero incorrecta a un contexto empresarial ausente o incompleto.
- La revisión humana debe escalar según la importancia porque los datos correctos compartidos de forma incorrecta aún pueden violar las regulaciones.
Imagine esta situación: un director financiero se prepara para reunirse con un importante inversor institucional. Para ayudarlo, el equipo de relaciones con los inversores pide a una herramienta de IA que recopile algunos antecedentes: la fecha de la última reunión con esa firma, las prioridades que expresó, el número de acciones que posee y otros datos similares.
La herramienta afirma con seguridad que el inversor posee 2,5 millones de acciones. Nadie lo cuestiona y el director financiero sigue preparándose para esta importante conversación, decidido a seguir adelante.
Pero hay un problema: la IA obtuvo la cifra de una declaración del formulario 13F, que informa sobre las tenencias al cierre del trimestre anterior. La información era correcta cuando se comunicó… pero ahora tiene varios meses. Mientras tanto, el inversor ha vendido discretamente 2 millones de acciones, lo que ha reducido considerablemente su participación. La agenda de la reunión (y quizá hasta la propia reunión) ya no parece pertinente.
¿Qué salió mal? En este caso, la IA no alucinó ni inventó una cifra. Recuperó información legítima, pero no indicó sus limitaciones ni las explicó.
En este caso, las consecuencias podrían ser una conversación incómoda o una oportunidad perdida, pero en otras situaciones una respuesta igualmente tajante, aunque carente de contexto fundamental, puede entrañar riesgos aún mayores.
Los mejores modelos no son necesariamente la respuesta
Los modelos fundacionales mejoran cada vez más. Entonces, ¿por qué parece que las respuestas seguras, pero equivocadas, aparecen con cada vez más frecuencia, un problema al que se enfrentan empresas de todos los sectores?
Para empezar, la IA generativa (GenAI) se ha vuelto omnipresente. Según el informe de McKinsey El estado de la IA en 2026, casi 9 de cada 10 profesionales de empresas afirman que sus organizaciones utilizan IA habitualmente en al menos una función empresarial.
Además, a medida que las organizaciones dejan atrás la experimentación y recurren cada vez más a la IA para las tareas y decisiones cotidianas de sus empresas, también se topan con los límites de lo que estas herramientas saben y comprenden.
Una reciente encuesta del sector muestra cuál suele ser la causa principal: tan solo en los últimos seis meses, casi 6 de cada 10 empresas (57 %) atribuyeron una respuesta segura, pero equivocada, de un agente de IA a la falta de contexto empresarial o a que este era incompleto.
Con todos los datos disponibles para la IA, esto puede resultar sorprendente. Pero hay una distinción importante: el contexto no es lo mismo que los datos.
Qué es el contexto y qué no
El contexto puede abarcar el conocimiento institucional, las excepciones a las reglas, las relaciones, los procesos y las expectativas en torno a cómo se realiza el trabajo: matices que suelen ser propios de cada empresa.
En mi trabajo con equipos de relaciones con los inversores, veo lo importantes que pueden ser estas distinciones. Veamos algunos ejemplos que parecen sencillos:
- Calendarios fiscales: el primer trimestre de una empresa puede coincidir con el año natural, mientras que el de otra puede comenzar en septiembre. Sin ese contexto, un agente de IA podría comparar resultados de períodos de presentación de informes equivocados.
- Indicadores financieros: una organización puede informar tanto las ganancias por acción según los principios contables generalmente aceptados (GAAP) como las que no se ajustan a ellos (no GAAP). Si un agente no entiende cuál de las dos cifras corresponde citar (y cuándo), podría tergiversar el desempeño de la empresa.
- Narrativa de la empresa: los mensajes de una empresa evolucionan con el tiempo y reflejan decisiones deliberadas sobre qué destacar y qué omitir. Sin comprender los antecedentes y los motivos, un agente de IA podría generar contenido que, de hecho, socave una narrativa elaborada cuidadosamente.
Por todo esto, no sorprende que un mismo modelo subyacente pueda ofrecer resultados muy distintos en distintas empresas, según el contexto y los conocimientos especializados de los que disponga.
La IA diseñada específicamente para un sector (o «IA vertical») puede ayudar a cerrar algunas de estas brechas, ya que reconoce los conocimientos especializados, los flujos de trabajo y los matices propios de cada sector. Pero ni siquiera la tecnología más sofisticada puede captar todo lo que sabe una organización; por eso, las personas también tienen un papel que desempeñar.
Lo que la IA desconoce de su empresa
Pero las personas no se quedan para siempre. Pensemos en lo que ocurre cuando un responsable experimentado de relaciones con los inversores (IRO, por sus siglas en inglés) deja la empresa después de, por ejemplo, cinco años. Es probable que durante ese tiempo haya identificado y buscado atraer a posibles inversores, analizado la actividad de los accionistas, cultivado relaciones, preparado los informes de resultados, preparado a los directivos… y hecho muchas otras cosas.
La empresa conserva los guiones para presentar los resultados, las presentaciones y otros archivos. Pero ¿qué pasa con el conocimiento institucional que hay detrás de ellos? Gran parte de ese conocimiento también se va con quien deja el puesto, sobre todo si tenemos en cuenta que casi 8 de cada 10 responsables de relaciones con los inversores (78 %) no tienen un sucesor identificado para su puesto.
Por eso, las organizaciones deben esforzarse por preservar el conocimiento y la comprensión de manera que los sistemas de IA puedan aprovecharlos. A menudo, no basta con conectar un agente de IA a una unidad compartida.
Contar con una manera sistemática de registrar conocimientos y flujos de trabajo clave —como el razonamiento detrás de decisiones importantes, el historial de las relaciones y otra información esencial para la misión que nunca llegó a plasmarse en un documento formal— es importante para las empresas de todos los sectores.
Y para crear una base de conocimientos de ese tipo hace falta contar con personas: tanto para registrar la información como para aplicar su criterio al interpretarla. La IA puede ayudar a organizar los conocimientos, pero son los empleados quienes aportan el contexto clave que a menudo se le escapa a la tecnología.
En entornos de alto riesgo, las lagunas de contexto pueden tener consecuencias graves
Hemos hablado de lo que ocurre cuando la IA da una respuesta incorrecta. Pero, a veces, un agente de IA puede recuperar información correcta —precisa, actualizada y pertinente— y aun así causar problemas al compartirla en circunstancias inadecuadas.
En los sectores sujetos a una regulación estricta, estos errores pueden resultar especialmente costosos.
Por ejemplo, en las relaciones con los inversionistas, compartir información material no pública (MNPI), como resultados financieros aún no divulgados, con un analista o inversionista puede infringir el Reglamento de Divulgación Equitativa de la SEC de EE. UU. (Reg FD), lo que podría acarrear sanciones económicas y daños a la reputación.
Otros sectores, como la atención médica, los servicios financieros y los servicios jurídicos, afrontan riesgos regulatorios similares, lo que pone de relieve la necesidad de establecer salvaguardias cuando los agentes de IA tienen acceso a información confidencial.
Esto también demuestra por qué las personas siguen siendo fundamentales: son una parte esencial de la revisión y aprobación de lo que se comunica. Las empresas pueden considerar que el nivel de revisión humana sea proporcional a los riesgos, y que los distintos tipos de flujos de trabajo de IA funcionen con distintos grados de autonomía.
Tres preguntas que conviene plantearse antes de ampliar el uso de agentes de IA
Probablemente, todos nos hemos encontrado alguna vez, en el trabajo o en la vida cotidiana, en situaciones en las que no sabemos qué es lo que desconocemos. A veces, las consecuencias no son importantes; otras, son más graves.
Hoy en día, la IA tiene a su disposición conjuntos de datos enormes y los modelos de IA saben mucho más…, pero aun así deben «avisar» cuando hay lagunas. Por eso, a medida que las empresas recurren a la IA para abordar prioridades y flujos de trabajo más estratégicos, es importante plantearse estas preguntas antes de ampliar su uso:
- ¿Puede nuestro agente indicar de dónde provienen sus respuestas y cuándo se actualizó esa información por última vez? ¿Puede proporcionar esos datos sin que se lo pidamos?
- ¿Tiene el agente el contexto empresarial necesario para interpretar las solicitudes y responder a ellas? ¿Explicará cuáles son sus limitaciones?
- ¿Sabemos cuándo debe intervenir una persona para revisar y aprobar? ¿En qué circunstancias ocurrirá y cómo se activará la revisión?
La respuesta no es evitar la IA
Quiero dejarlo claro: soy optimista respecto a la IA. La uso a diario en mi trabajo, conozco sus beneficios actuales y futuros y creo que, en muchos sentidos, apenas estamos empezando a descubrir todo su potencial. No me cabe duda de que las empresas que eviten la IA, así como las que no consigan implementarla de manera organizada y eficaz, corren un riesgo real de quedarse atrás.
Pero adoptar la IA no significa dar acceso a los datos empresariales a un modelo de propósito general y dejarlo actuar sin control.
En este momento, y hasta donde puedo ver, la IA totalmente autónoma no es adecuada para todas las tareas ni para todas las decisiones empresariales. Las organizaciones deben entender en qué ámbitos puede funcionar de manera independiente, en cuáles necesita contexto adicional y en cuáles el criterio humano es imprescindible.
Así que, antes de preguntar qué sabe un agente de IA, pregúntate qué desconoce. Las respuestas determinan cómo implementarlo, qué tareas confiarle y cómo prepararlo para que tenga éxito.












