La IA empresarial necesita contexto acumulativo antes de poder ganarse la autonomía

Imagina que es lunes por la mañana, faltan unas horas para la reunión trimestral de previsiones. Un responsable de finanzas le pregunta a un agente de IA: «¿Por qué disminuyó el margen bruto? ¿Qué supuestos hay que cambiar? ¿Y qué debería hacer la empresa a continuación?». En cuestión de segundos, el agente obtiene información de varios sistemas, identifica algunos factores determinantes y recomienda reducir los gastos discrecionales o revisar el plan de contratación. La respuesta es clara, detallada y plausible. No hay nada en ella que parezca obviamente incorrecto.

Eso es lo que la hace tan peligrosa. 

Al mirar más de cerca, salen a la luz varios detalles que faltan. El agente utilizó una versión incorrecta de las previsiones. Pasó por alto un ajuste contable aprobado del trimestre anterior. No tuvo en cuenta que en una región se aplican reglas de negocio diferentes. Puede que ninguno de los datos subyacentes fuera incorrecto; simplemente, el agente no sabía cómo interpretaba la organización esos datos ni cómo encajaban entre sí. No se trata de un problema del modelo que pueda resolverse fácilmente con otro. El problema es que el modelo no conoce esta empresa. 

Gran parte del desarrollo de la IA empresarial se ha centrado en la capacidad de los modelos y la autonomía de los agentes. Pero un modelo no puede llegar a una conclusión fiable y específica de una empresa si no entiende cómo define la organización sus cifras y cómo las relaciona con la forma en que opera el negocio. 

La capa que falta es el contexto empresarial acumulativo, es decir, una comprensión gobernada del significado de los datos empresariales: sus definiciones, relaciones, supuestos, cálculos, flujos de trabajo, excepciones y las decisiones que se acumulan en torno a ellos con el tiempo.

Ese contexto se desarrolla mediante la planificación, las previsiones, la elaboración de modelos de escenarios, el análisis de desviaciones, las correcciones, los comentarios, las actividades de cierre y las decisiones aprobadas. Sin él, las organizaciones corren el riesgo de dar más responsabilidades a la IA sin proporcionarle suficiente conocimiento del negocio para asumirlas de manera fiable. 

La capacidad de la IA avanza más rápido que la preparación de las empresas

Según el 88 % de las organizaciones encuestadas utilizó IA en 2025, de acuerdo con el AI Index 2026 de Stanford; sin embargo, el despliegue de agentes se mantuvo en cifras de un solo dígito en casi todas las funciones empresariales. 

Estas estadísticas demuestran que las empresas tienen acceso a capacidades de IA, pero muchas aún no están preparadas para permitir que la IA realice tareas de gran impacto. Los líderes saben que deben desarrollar soluciones con IA, pero todavía tienen que determinar si están abordando el nivel adecuado del problema.

Un modelo puede leer datos sin entender el negocio

Los modelos fundacionales son eficaces para reconocer patrones, sintetizar información, interactuar en lenguaje natural y explorar grandes conjuntos de datos. Aunque estos avances son importantes, el modelo en sí está perdiendo su carácter diferenciador. 

El reto más difícil para las empresas es enseñar a la IA qué significa la información de una compañía y, sobre todo, cómo se utiliza en la toma de decisiones y el análisis.

Gran parte del debate sobre la gobernanza de la IA se ha centrado en la limpieza de los datos. Aunque es un paso necesario, no basta para ampliar la IA a toda la empresa. Incluso dos conjuntos de datos limpios pueden emplear definiciones, periodos y reglas de negocio diferentes. 

El estudio de CEO de IBM de 2025 reveló que el 25 % de las iniciativas de IA obtuvo el retorno de la inversión esperado y que solo el 16 % se amplió a toda la empresa. Este patrón concuerda con un reto de implementación más amplio: el acceso a modelos y datos no garantiza que un sistema de IA pueda conciliar las reglas organizativas que determinan cómo debe utilizarse la información.

Es fácil adquirir modelos más capaces. La comprensión específica de cada empresa debe construirse. 

El contexto obtenido mediante recuperación no es contexto acumulativo

Gran parte de lo que se describe como contexto en la IA empresarial todavía se proporciona mediante recuperación en el momento de la solicitud. El sistema encuentra un documento, un registro o un punto de datos pertinente, lo utiliza para generar una respuesta y vuelve a empezar la próxima vez que se le pregunta. 

La recuperación es valiosa, pero, por sí sola, no crea una memoria organizativa acumulativa. Conserva muy poco para el futuro, por lo que la IA puede encontrarse con la empresa como si fuera una desconocida en cada nueva interacción.

Es como incorporar cada mañana a un nuevo analista brillante. El analista entiende de finanzas y sabe cómo examinar un conjunto de datos, pero aun así tiene que aprender cómo define esta empresa en particular sus métricas, qué previsión es la oficial, por qué se aprobó una excepción y qué supuestos suelen resultar erróneos.

El contexto acumulativo cumple otra función. En lugar de restablecerse con cada instrucción o ciclo de planificación, se acumula con el tiempo. Cada investigación, escenario, corrección, aprobación y decisión puede contribuir a una comprensión gobernada del funcionamiento de la organización. Esto significa que los ciclos posteriores pueden basarse en lo que establecieron los anteriores, en lugar de volver a descubrir las mismas relaciones, lógica y formas de trabajar con cada instrucción. 

Eso no significa conservarlo todo indefinidamente. El contexto empresarial útil debe delimitarse de forma deliberada, poder corregirse, respetar los permisos y poder rastrearse hasta su origen. Las organizaciones deben preservar lo que importa y, al mismo tiempo, asegurarse de que las suposiciones obsoletas, las excepciones temporales y las interpretaciones incorrectas puedan identificarse y modificarse con el tiempo.

La confianza se construye por debajo del modelo

El modelo es la parte más visible de un sistema de IA, pero rara vez es lo que determina si una empresa puede confiar en el resultado. 

Un modelo capaz puede investigar una variación, explorar posibles explicaciones y recomendar una medida. Que una empresa pueda confiar en esa recomendación depende de la arquitectura que rodea al modelo. 

Gartner descubrió que las organizaciones que informaron de iniciativas de IA exitosas invierten hasta cuatro veces más, como porcentaje de sus ingresos, en aspectos fundamentales como la calidad de los datos, la gobernanza, el talento preparado para la IA y la gestión del cambio que las organizaciones que obtienen resultados deficientes.

La capa de contexto gobernado forma parte de esos fundamentos y se sitúa entre los sistemas de origen, los modelos y las acciones empresariales. 

También es aquí donde la inteligencia y el determinismo deben separarse. La IA puede investigar, redactar y recomendar. Una vez revisada y aprobada una acción, su ejecución debe llevarse a cabo mediante cálculos gobernados, verificaciones de permisos, controles de escritura en los sistemas y registros de auditoría. La flexibilidad que hace útil a un modelo para explorar no siempre es adecuada cuando se aplica un cambio en la empresa.

Un modelo puede recomendar lo que debería hacerse. La arquitectura que lo rodea, incluida la aprobación humana y los controles del sistema, determina lo que está permitido hacer.

Restricciones que hacen útiles a los agentes

La implementación de agentes avanza más rápido que los controles que la regulan. KPMG descubrió que la proporción de organizaciones que implementaban al menos algunos agentes de IA aumentó del 11 % en el primer trimestre de 2025 al 42 % en el tercer trimestre. Sin embargo, Gartner informó que solo el 13 % de las organizaciones estaban totalmente de acuerdo en que contaban con las estructuras adecuadas para gobernar agentes.

Esta brecha importa porque la capacidad y la autoridad son decisiones de diseño distintas. Un sistema puede tener la capacidad técnica de acceder a una base de datos, revisar una previsión o activar un flujo de trabajo. Eso no significa que deba tener permiso para hacerlo de manera autónoma. 

Antes de delegar tareas importantes, las organizaciones deben aplicar tres restricciones.

• Establecer un significado compartido

Antes de que un agente pueda razonar de forma coherente con todos esos elementos, deben armonizarse las definiciones, las métricas, las jerarquías, los calendarios fiscales y las reglas de cálculo. 

No se debe esperar que la IA resuelva silenciosamente desacuerdos que la propia organización no ha abordado. Sin un significado compartido, puede tratar definiciones contradictorias como si fueran intercambiables y producir una respuesta coherente, pero equivocada desde el punto de vista operativo.

• Decidir qué se conserva

Las organizaciones deben definir qué correcciones, aprobaciones, decisiones y resultados se convertirán en contexto reutilizable. También necesitan políticas que rijan la conservación, el acceso y la corrección. 

La memoria útil se selecciona y se gobierna; no se acumula indiscriminadamente. De lo contrario, una suposición obsoleta o una excepción puntual puede modificar silenciosamente las recomendaciones futuras.

• Separar la recomendación del compromiso

El análisis, una recomendación, un cambio propuesto, la ejecución aprobada por una persona y la ejecución autónoma con límites representan distintos niveles de autoridad. Los agentes deben tener identidades y permisos adecuados para cada nivel.

La evaluación también debe abarcar toda la secuencia de acciones: qué información se recuperó, qué contexto se utilizó, qué herramientas se invocaron, qué cambió y si ese cambio puede revertirse. 

Probar solo la respuesta final no permite detectar la mayoría de las formas en que puede fallar un flujo de trabajo agéntico.

La capacidad describe lo que un agente puede hacer; la gobernanza define lo que tiene permitido hacer.

La autonomía requiere algo más que capacidad

En el escenario inicial sobre márgenes, la velocidad solo es útil si el sistema también sabe qué previsión es la válida, qué excepción se aprobó, qué medidas puede tomar y quién sigue siendo responsable. 

Creo que la IA empresarial solo se ganará la confianza cuando conserve el contexto adecuado y pueda mostrar cómo llegó a un resultado de importancia. 

Las organizaciones deben crear esa capa de contexto y control antes de ampliar la autonomía de los agentes. El trabajo cambiará, pero la responsabilidad no.