Por qué todas las empresas necesitan un grafo de conocimiento en la era de la IA

La IA ha acelerado fundamentalmente el desarrollo de software, pero apenas ha cambiado la forma en que operan las organizaciones de software. Esa discrepancia se está convirtiendo silenciosamente en la mayor limitación para la IA empresarial.

Durante años, los equipos de ingeniería necesitaban más recursos para mantenerse al día con la demanda. Hoy en día, equipos pequeños utilizan la IA para generar código, probar y acelerar el camino desde la idea hasta la implementación. Los desarrolladores están claramente enviando código más rápido, pero si esto se traduce consistentemente en mejores resultados sigue siendo poco claro.

Esta velocidad crea un nuevo cuello de botella: el impuesto de coordinación. La IA ha acelerado la ejecución mucho más rápido de lo que ha mejorado la forma en que las organizaciones coordinan su trabajo. La compartición de contexto, la priorización, la toma de decisiones operativas, la informe de estado y la alineación transfuncional siguen siendo en gran medida manuales, incluso mientras se acelera el desarrollo.

Atlassian estima que el costo resultante de esta desconexión es de aproximadamente 161 mil millones de dólares anuales para las empresas del Fortune 500. La misma investigación encontró que, si bien el 89% de los ejecutivos dicen que la IA ha acelerado el trabajo, solo el 6% puede señalar beneficios medibles en toda la organización.

Los resultados más rápidos no crean automáticamente una organización más inteligente. Solo el 17% de los usuarios están de acuerdo en que los agentes han mejorado la colaboración dentro de su equipo, lo que lo convierte en el impacto con la calificación más baja, dejando el bucle de coordinación desconectado.

Reconstruir el contexto en cada consulta es un gran impuesto

Mientras que una demostración prospera utilizando fuentes de datos limpias y curadas, los entornos de producción presentan un desafío: información ambigua, desactualizada y contradictoria dispersa en sistemas desconectados. Cuando se enfrentan a esas lagunas, un modelo de lenguaje grande hace lo que se diseñó para hacer: predice la respuesta más probable. Lo que parecía razonamiento en una demostración controlada se convierte rápidamente en adivinanza confiada con datos de producción reales.

La industria ha comenzado a dar un nombre a este problema. La “ingeniería de contexto” ha surgido como la disciplina centrada en diseñar la información, las relaciones, la gobernanza y la calidad que determinan si la IA empresarial tiene éxito. El factor limitante a menudo ya no es el modelo en sí, sino la calidad del contexto que lo rodea.

Cada vez que un sistema de IA reconstruye el contexto desde cero, paga un impuesto. Las respuestas son lentas, los costos de tokens aumentan y la confianza se erosiona a medida que las respuestas varían dependiendo de qué piezas de conocimiento organizacional se recuperan. Dos agentes de IA pueden responder la misma pregunta de manera diferente porque cada uno ensambla el contexto a partir de una rebanada diferente de conocimiento organizacional.

La mayoría de las organizaciones ya poseen el conocimiento que sus sistemas de IA necesitan. El problema es que este conocimiento está fragmentado en tickets, repositorios, documentación, conversaciones y herramientas de planificación. Como resultado, cada interacción comienza reconstruyendo el contexto organizacional antes de que el modelo pueda comenzar a razonar, repitiendo el mismo proceso costoso con cada nueva pregunta.

El acceso no es lo mismo que el conocimiento

Una pregunta común es si ventanas de contexto más grandes, una mejor búsqueda o una recuperación mejorada resolverán este problema.

Los protocolos de contexto de modelo abordan un problema de integración real al proporcionar a los agentes una forma estandarizada de acceder a los sistemas donde vive la información empresarial. Pero el acceso no es lo mismo que la comprensión. Otorgar a un agente acceso a una docena de sistemas no explica qué decisión suplantó a otra, por qué un requisito cambió, si un documento sigue siendo autoritativo o cómo una conversación del cliente influyó finalmente en lo que se envió. Sin una capa lógica estructurada y verificada, esto simplemente proporciona una docena de oportunidades más para encontrar detalles contradictorios.

La mayoría de los sistemas de IA empresariales todavía asumen que el contexto debe ensamblarse desde cero cada vez que alguien hace una pregunta. Este enfoque puede responder preguntas aisladas, pero lucha por respaldar el razonamiento continuo necesario para dirigir un negocio. Los líderes siguen pasando horas cada semana reuniendo respuestas a preguntas que ya deberían existir dentro de la organización:

• ¿Qué cambió?
• ¿Por qué cambió esta prioridad?
• ¿La hoja de ruta sigue siendo precisa?
• ¿Seguimos resolviendo el problema correcto?

Aquí es donde un grafo de conocimiento gana su lugar. Un grafo almacena entidades y sus relaciones, proporcionando una base para preservar la memoria organizacional. En una organización de software, esas entidades podrían incluir clientes, características, requisitos, decisiones, tickets, repositorios, solicitudes de extracción, versiones y personas.

En lugar de recuperar una colección de pasajes que contienen palabras similares, un agente puede seguir las conexiones desde una decisión hasta el requisito que la provocó, el ticket que la implementó, la solicitud de extracción que la cambió y la retroalimentación del cliente que más tarde la desafió.

Los grafos de conocimiento van más allá de ser solo otra forma de organizar datos. En lugar de reconstruir el contexto desde cero a partir de sistemas desconectados, la IA puede razonar a partir de una comprensión continuamente evolutiva de cómo funciona la organización en realidad.

El resultado es una IA que puede razonar a partir de las decisiones, conversaciones y evidencia, en lugar de reconstruir esa comprensión desde cero con cada prompt.

La estructura sola no es suficiente

Construir el grafo una vez es complicado, y mantenerlo preciso es aún más difícil. En una organización en constante movimiento, los tickets cambian, los planes cambian, el código se envía, las responsabilidades se mueven y la retroalimentación del cliente altera las prioridades. Eso significa que la memoria organizacional debe actualizarse a medida que cambia la realidad y volver a vincular cada cambio a su fuente.

Mientras que el 82% de los desarrolladores informan que la IA les ayuda a codificar más rápido y el 71% dice que mejora su capacidad para abordar problemas complejos, esta velocidad viene con una trampa: el 96% de los desarrolladores carecen de confianza total en que el código resultante sea funcionalmente correcto.

Cada hecho que un agente te da debe rastrearse hasta su fuente: el commit, el ticket, el hilo. Si un sistema de IA le dice a un líder que una versión está en camino pero no puede mostrar las señales detrás de esa conclusión, un líder experimentado debería dudar en actuar sobre ella.

He visto a equipos abandonar herramientas que producían respuestas razonables porque los usuarios no podían verificar cómo se llegaron a esas respuestas. También he visto a equipos seguir utilizando sistemas menos sofisticados porque esos sistemas mostraban su trabajo. Un resumen confiado sin justificación es solo una forma más rápida de estar equivocado, y una vez que una herramienta quema a un líder con una respuesta no verificada, la confianza no regresa. Conectar cada afirmación a su fuente convierte “confía en mí” en “aquí está por qué”.

La precisión es importante por la misma razón. Cuando un sistema sigue continuamente la relación entre el plan y el real, la brecha entre lo que un equipo decidió y lo que realmente se envió se convierte en una deriva visible en lugar de ser absorbida silenciosamente en una respuesta confiada pero desactualizada. Esto no es una preocupación periférica. Thoughtworks ha señalado la deriva de código como un peligro específico para los agentes de IA. Destaca la necesidad de bucles de verificación y mecanismos de retroalimentación que ayuden a los sistemas a detectar y corregir desviaciones a medida que evoluciona el trabajo. La deriva que una organización puede ver es información útil. La deriva que permanece oculta es cómo un sistema de IA comienza a engañar a las personas que confiaron en él.

Qué preguntar antes de su próximo proyecto de agente

Al evaluar una iniciativa de agente empresarial, comenzaría con cuatro preguntas:

• ¿El sistema mantiene su propia representación optimizada de contexto con el tiempo, o simplemente proporciona acceso de IA a fuentes de datos existentes?
• ¿Cada respuesta se rastrea hasta una fuente específica, como un ticket o un documento?
• ¿El sistema se actualiza automáticamente a medida que cambia la información de la organización?
• ¿El agente comprende las relaciones entre los puntos de datos en lugar de solo tener acceso a ellos?

Los modelos de base seguirán mejorando. Las capacidades de razonamiento se volverán más fuertes, las ventanas de contexto crecerán y esos avances se volverán cada vez más disponibles para todos. Lo que no se comercializará es la comprensión organizacional.

Más de la mitad de los CEOs informan ver pocos o ningún beneficio de ingresos o costos de la IA en el último año. Apostaría a que la mayoría está perdiendo la capa de contexto que permite que esos modelos razonen sobre lo que la organización ya sabe.

A medida que el software se vuelve dramáticamente más fácil de crear, la comprensión se convierte en el recurso escaso. Aquellos que crean el mayor valor a partir de la IA son mejores para preservar, conectarse y aprender continuamente del conocimiento organizacional. Esa es la diferencia entre la IA que adivina y la IA que sabe.