A pesar de todos los datos que los sistemas de IA recopilan y analizan continuamente, los agentes de IA empresariales suelen adolecer de una curiosa deficiencia: la falta de conocimiento. Más que datos, el conocimiento es la comprensión de lo que estos significan en el contexto de cada organización. Los agentes de IA necesitan esta comprensión para razonar sobre las situaciones, tomar decisiones y, en última instancia, actuar. Sin un conocimiento suficiente, los agentes son propensos a tomar decisiones erróneas y poco fiables.
Según nuestras investigaciones, la falta de conocimiento es una de las principales razones por las que los casos de uso de IA agéntica nunca llegan a producción. La presión competitiva hace urgente abordar este problema. Las organizaciones necesitan desplegar y escalar más proyectos agénticos para aprovechar las mejoras de eficiencia que promete la IA. Quedarse corto conlleva el riesgo de malgastar la inversión ya destinada a estos proyectos y ceder terreno frente a rivales que ya están poniendo a trabajar a sus agentes de forma más eficaz.
El objetivo de este informe, basado en una encuesta a 300 directivos de datos, IA y otras áreas tecnológicas, es triple. En primer lugar, busca evaluar las capacidades de conocimiento agéntico de las organizaciones (es decir, su habilidad para dotar a los agentes de IA de una comprensión contextual completa de los datos que ingieren) en torno al conocimiento semántico, la memoria episódica y el conocimiento procedimental.
En segundo lugar, el informe analiza los retos a los que se enfrentan las organizaciones para mejorar el acceso al conocimiento y, en última instancia, llevar más casos de uso de agentes a producción. En tercer lugar, examina las medidas que están adoptando las organizaciones para superar estos desafíos.
Entre las principales conclusiones destacan las siguientes:
Las deficiencias en datos y conocimiento frenan sistemáticamente el avance de los agentes de IA. De media, solo alrededor de un tercio (el 34 %) de los proyectos de IA agéntica de las organizaciones llega a producción. Incluso las empresas de alta tecnología tienen dificultades con esto. Los sistemas de datos heredados, la preocupación por la seguridad y la privacidad, y la falta de conocimiento y contexto constituyen los principales puntos de fallo.
Las capacidades sólidas de conocimiento se correlacionan con el éxito de los agentes. Un pequeño grupo de líderes en producción (organizaciones en las que, de media, el 61 % de los proyectos agénticos supera la fase piloto) cuenta con capacidades de conocimiento más sólidas que el resto, sobre todo en lo que respecta a la semántica. Esta ventaja está estrechamente vinculada a su mayor tasa de puesta en producción.
La fragmentación de los datos complica enormemente el acceso al conocimiento. La fragmentación de los datos (el intercambio deficiente de información entre sistemas) fue el obstáculo citado con mayor frecuencia a la hora de ampliar el acceso de los agentes al conocimiento (señalado por el 55 %). Por el contrario, los líderes en producción tienden a considerar las cuestiones de seguridad y privacidad como una gran preocupación (mencionadas por el 72 % de este grupo).
La mayoría de las empresas busca reforzar el vínculo entre los datos y los agentes. Entre las medidas que pueden traducirse en decisiones de mayor calidad por parte de los agentes, los directivos esperan que el mayor impacto provenga de reforzar la base estructural entre los datos de la organización y sus agentes de IA. Los expertos a los que hemos entrevistado consideran que una capa de conocimiento es una vía fundamental para lograrlo.
Las prioridades de inversión para impulsar el conocimiento abarcan desde los pipelines hasta los grafos de conocimiento. Para ampliar el acceso de los agentes al conocimiento, las organizaciones priorizarán las inversiones en tecnologías de recuperación, como pipelines de ingesta, API preparadas para la IA y generación aumentada por recuperación (RAG); en agentes de evaluación de IA; y en grafos de conocimiento.
Este contenido ha sido elaborado por Insights, la división de contenido personalizado de MIT Technology Review, y no por su equipo editorial. Ha sido investigado y redactado por humanos, y el uso de cualquier herramienta de IA se ha limitado a procesos de producción bajo supervisión humana.