El contexto es el nuevo oro: La próxima ola de inteligencia artificial agente está comprando comprensión, no potencia de procesamiento

La revolución de la inteligencia artificial se encuentra en un punto muerto, no debido a una falta de potencia de cálculo, sino porque las organizaciones están resolviendo los problemas equivocados.

Mientras que se espera que el gasto global en GenAI alcance $644 mil millones en 2025, los expertos también advierten que más del 40% de los proyectos de inteligencia artificial agente serán cancelados para fines de 2027. De hecho, la reciente actividad de fusiones y adquisiciones, como la adquisición de $250 millones de Crunchy Data por parte de Snowflake y la adquisición de Predibase por parte de Rubrik, señala un cambio fundamental: la próxima fase de la inteligencia artificial empresarial es más que capacidades de cálculo… Se trata de una comprensión más profunda.

El dinero inteligente se está moviendo

Según una encuesta de S&P Global Market Intelligence de 2025, el 42% de las empresas han descartado la mayoría de sus iniciativas de inteligencia artificial recientes, frente al 17% en 2024. Otro 46% abandonó las demostraciones de prueba de concepto antes de que incluso comenzara la producción.

Estos proyectos de inteligencia artificial no están fallando debido a limitaciones técnicas, sino a brechas semánticas. Si un sistema de inteligencia artificial puede procesar petabytes de datos pero no puede entender qué significa “valor de vida del cliente” en diferentes necesidades departamentales, los puntos de falla probablemente serán contextuales.

Consideremos la estrategia detrás de la integración de las capacidades de inteligencia artificial semántica de Postgres por parte de Snowflake, que tiene como objetivo crear una base donde los agentes de inteligencia artificial puedan entender el contexto transaccional y la semántica empresarial, lo que permite a los desarrolladores “construir agentes de inteligencia artificial confiables” con “mayor agilidad, visibilidad y control”. La adquisición de Predibase por parte de Rubrik tiene un objetivo similar, ayudar a los clientes a “desplegar de manera segura la inteligencia artificial agente” priorizando la precisión contextual junto con la potencia de cálculo.

Donde el contexto se encuentra con la escala

El éxito de la colaboración de Palantir con Qualcomm para ampliar las capacidades de comprensión de la inteligencia artificial es otra demostración del poder transformador de la arquitectura de inteligencia artificial con contexto. Su enfoque de “Ontología” — creando precedentes lingüísticos para mapear conceptos empresariales, relaciones y reglas en formatos legibles por máquina — transforma la inteligencia artificial de reconocimiento de patrones en razonamiento empresarial común y muestra cómo la comprensión semántica permite que la inteligencia artificial opere de manera efectiva, incluso en entornos desconectados o con recursos limitados.

Por ejemplo, en relación con sus iniciativas de energía nuclear, la inteligencia artificial de Palantir no solo predice fallas en el equipo, sino que también entiende los impactos comerciales en cascada en las cadenas de suministro y el cumplimiento normativo que pueden llevar o resultar de estas fallas. De manera similar, en manufactura, sus sistemas comprenden las interdependencias entre control de calidad, gestión de inventario y compromisos con los clientes, lo que permite una visión holística de las operaciones que ayuda a predecir y mitigar problemas de manera proactiva.

Como señaló un ejecutivo de Palantir, “El enfoque basado en la Ontología permite a los usuarios construir flujos de trabajo que incorporen y combinen activos lógicos heterogéneos”, lo que permite que la inteligencia artificial sea “introducida de manera segura en contextos de toma de decisiones cada vez más complejos”.

La revolución de la infraestructura con contexto

El cambio de arquitecturas de eficiencia a arquitecturas de significado representa una reevaluación fundamental de la inteligencia artificial empresarial. Según el informe de Gartner de 2025 sobre tecnologías semánticas, esta transformación depende de tres factores críticos:

• Arquitectura de datos semánticos: Cada punto de datos debe llevar significado empresarial, no solo valor computacional. Como muestra la investigación de Enterprise Knowledge, las capas semánticas sirven como puentes entre los datos brutos y las aplicaciones, proporcionando “vistas unificadas y contextualizadas” que permiten interacciones de usuario intuitivas.
• Integración de lógica empresarial: Para entregar el máximo valor, la inteligencia artificial moderna requiere integración con contextos empresariales preestablecidos, propios de las necesidades de cualquier organización dada. El estudio de agente de inteligencia artificial de Oracle ejemplifica este enfoque al proporcionar acceso a las API de Oracle Fusion Applications, almacenes de conocimiento y herramientas predefinidas que preservan la lógica empresarial específica de la empresa dentro de los flujos de trabajo impulsados por inteligencia artificial. Estas soluciones permiten que los sistemas de inteligencia artificial agente funcionen de manera efectiva a través de diversas fuentes de datos empresariales.
• Motores de decisión contextual: El informe de McKinsey de 2025 sobre el lugar de trabajo enfatiza que los sistemas de inteligencia artificial empresarial exitosos deben comprender a fondo las implicaciones comerciales de cualquier tarea dada, para cualquier organización dada. Sin embargo, solo el 1% de las empresas cree que ha alcanzado la madurez en inteligencia artificial, lo que destaca la brecha entre las capacidades actuales y los requisitos contextuales.

Las implicaciones competitivas

Las organizaciones que puedan establecer con éxito sistemas de inteligencia artificial con contexto crearán ventajas auto-reforzantes para sí mismas.

Cada interacción comercial tiene el potencial de profundizar la comprensión matizada de la inteligencia artificial agente sobre las necesidades específicas de cualquier negocio, mejorando el rendimiento y creando fosos competitivos que serán difíciles de replicar solo con potencia de cálculo. El informe de Deloitte sobre el estado de la inteligencia artificial generativa confirma que, si bien el 60% de las organizaciones persigue hasta 20 experimentos de inteligencia artificial, aquellos que se centran en “desafíos específicos de la industria y el negocio” ven resultados dramáticamente mejores.

Las implicaciones de talento son igualmente significativas. Mientras que los ingenieros de inteligencia artificial comandan salarios premium, la verdadera escasez es de profesionales que entienden tanto la implementación de la inteligencia artificial como la ontología del dominio empresarial. Las predicciones de PwC para 2025 enfatizan que “el éxito de la inteligencia artificial será tanto sobre la visión como la adopción, con las empresas necesitando enfoques sistemáticos y transparentes para confirmar el valor sostenido”. En otras palabras, si las personas que entrenan a la inteligencia artificial para que comprenda las necesidades empresariales no entienden esas necesidades, tampoco lo harán los agentes de inteligencia artificial que crean.

La imperativa estratégica

Entonces, ¿cuáles son exactamente los cambios arquitectónicos que las organizaciones deben hacer?

El informe de Gartner sobre tecnologías semánticas subraya la importancia de pasar de los metadatos técnicos a los metadatos semánticos, es decir, datos enriquecidos con definiciones de negocio preestablecidas, ontologías y relaciones. Este cambio de “Diseño semántico primero” es fundamental para las organizaciones que buscan obtener información significativa y garantizar la claridad en los sistemas. Al mismo tiempo, la gobernanza de la inteligencia artificial contextual es crucial para diferenciar las capacidades verdaderas de la inteligencia artificial agente de los modelos insuficientes que solo ofrecen automatización básica pero son comercializados de manera engañosa como inteligencia artificial agente.

Las empresas que tengan éxito con la inteligencia artificial agente serán aquellas cuyos agentes de inteligencia artificial hayan sido configurados estratégicamente para comprender los contextos empresariales con la suficiente profundidad como para actuar de manera autónoma y efectiva.

La oportunidad de la inteligencia artificial agente

Gartner predice que el 33% del software empresarial incluirá inteligencia artificial agente para 2028, frente al menos del 1% en 2024. El surgimiento de la inteligencia artificial agente hace que la infraestructura semántica sea esencial; para lograr esto, los sistemas de inteligencia artificial requieren:

• Comprensión contextual profunda para tomar decisiones autónomas alineadas con los objetivos empresariales.
• Consistencia semántica en todas las fuentes de datos para prevenir acciones contradictorias entre departamentos y tareas diferentes
• Integración de lógica empresarial para garantizar el cumplimiento de las reglas y regulaciones organizacionales

Mientras las organizaciones invierten miles de millones en el desarrollo de la inteligencia artificial agente, aquellas sin fundamentos semánticos enfrentarán tasas de fracaso en aumento.

La imperativa del contexto

A medida que los sistemas de inteligencia artificial agente se vuelven más prevalentes, la brecha entre las organizaciones con infraestructura semántica y aquellas sin ella solo se ampliará. Para las empresas que invierten en la inteligencia artificial agente, la elección es clara: construir fundamentos semánticos ahora o ver cómo los competidores conscientes del contexto convierten inversiones más astutas en inteligencia artificial en ventajas imbatibles.

En la era de la potencia de cálculo abundante, el contexto es el nuevo oro, y aquellos que puedan enseñar a sus sistemas de inteligencia artificial a comprender verdaderamente el negocio que sirven ganarán su toque de Midas.