Solo un tercio de los proyectos de agentes de IA empresariales llega a producción, según una encuesta a trescientos ejecutivos de datos y tecnología. El bloqueo principal no es la falta de documentos ni de modelos más grandes. Es la ausencia del contexto organizativo que el agente necesita para interpretar la información y actuar con criterio.
De acuerdo con lo publicado por MIT Technology Review Insights, un 34 % de los proyectos de IA agéntica supera el piloto. Una minoría a la que el informe llama «líderes de producción» avanza un 61 % de sus proyectos. Es un estándar de avance que abarca incluso a las grandes tecnológicas: también ellas tienen dificultades para llevar sus agentes a producción.
La diferencia entre ambos grupos la explica el conocimiento, no el acceso a datos. Los agentes de IA empresariales necesitan entender qué significa cada dato dentro de una empresa. También deben saber cómo se relacionan los hechos y qué procedimientos rigen cada decisión. Sin ese contexto, la organización se queda con demostraciones que no se atreve a poner a trabajar.
La presión competitiva hace urgente resolverlo. Las empresas necesitan desplegar y escalar más de sus proyectos agénticos para capturar las ganancias de eficiencia que promete la IA. Quedarse cortas arriesga desperdiciar la inversión ya hecha y ceder terreno a rivales que ya pusieron a sus agentes a trabajar.
Por qué los agentes de IA empresariales no pasan de piloto
El informe separa el conocimiento en tres capacidades: semántica, memoria episódica y conocimiento procedimental. La primera describe el significado y las relaciones de los datos. La segunda registra los hechos pasados relevantes. La tercera captura cómo debe hacerse el trabajo. La ventaja de los líderes se concentra en la semántica, más que en acumular información. Las organizaciones con estas capacidades más fuertes avanzan más proyectos.
Un buscador convencional devuelve un documento sin entender cómo encaja en las reglas de la empresa. Un agente que debe recomendar una acción o ejecutar un flujo necesita más. Debe identificar qué información es autoritativa, conciliar registros en conflicto y seguir los procedimientos aprobados. Esa es la distancia entre datos y conocimiento.
La fragmentación de datos fue el obstáculo más citado para ampliar el acceso de los agentes al conocimiento, mencionado por un 55 % de los encuestados. Aplicaciones desconectadas y estructuras de datos inconsistentes impiden que el agente arme una vista completa de un cliente, un proceso o un riesgo. Entre los líderes de producción, la preocupación por seguridad y privacidad fue más frecuente, citada por un 72 %.
El salto de los datos al conocimiento
Para expandir ese acceso, las empresas planean invertir en tuberías de ingesta de datos e interfaces listas para IA. También en recuperación aumentada por generación, una técnica que recupera documentos y se los entrega al modelo. Apuestan además por agentes de evaluación y grafos de conocimiento. Los ejecutivos esperan que el mayor impacto venga de fortalecer la base estructural que une los datos de la empresa con sus agentes. A esa base la llaman capa de conocimiento: el mapa que conecta datos y decisiones.
El informe no establece que mejores capacidades de conocimiento causen por sí solas más proyectos en producción; identifica una relación estrecha. Ese matiz importa, porque el estudio recoge percepciones de ejecutivos y no un control de los sistemas ya desplegados. Detrás de cada agente hay un conocimiento que las personas de la organización ya tienen y que alguien tuvo que formalizar. El cuello de botella está ahí, no en la potencia del modelo.
Otras fuentes consultadas: CDO Times (06/10).
(Encuesta realizada por MIT Technology Review Insights en alianza con Neo4j, proveedor de bases de datos de grafos.)
