La inteligencia artificial avanza rápidamente en el ámbito empresarial, pasando de la experimentación al uso cotidiano. Las organizaciones están desplegando copilotos, agentes y sistemas predictivos en finanzas, cadenas de suministro, recursos humanos y operaciones con clientes. Para finales de 2025, la mitad de las empresas habrá utilizado IA en al menos tres funciones de negocio, según una encuesta reciente.
Pero a medida que la IA se integra en los flujos de trabajo centrales, los líderes empresariales están descubriendo que el mayor obstáculo no es el rendimiento del modelo o la capacidad de cómputo, sino la calidad y el contexto de los datos de los que dependen esos sistemas. La IA introduce esencialmente un nuevo requisito: los sistemas no solo deben acceder a los datos, sino que deben comprender el contexto empresarial que los sustenta.
Sin ese contexto, la IA puede generar respuestas rápidamente pero aun así tomar la decisión equivocada, afirma Irfan Khan, presidente y director de producto de SAP Data & Analytics.
"La IA es increíblemente buena produciendo resultados", dice. "Se mueve rápido, pero sin contexto no puede ejercer un buen juicio, y un buen juicio es lo que genera un reto o de la inversión para la empresa. La velocidad sin juicio no ayuda. De hecho, puede perjudica os."
En la era emergente de los sistemas autónomos y las aplicaciones inteligentes, esa capa de contexto es cada vez más esencial. Para aportar contexto, las empresas necesitan un tejido de datos bien diseñado que vaya más allá de la mera integración de datos, afirma Khan. El tejido de datos adecuado permite a las organizaciones escalar la IA de forma segura, coordinar decisiones entre sistemas y agentes, y asegurar que la automatización refleje prioridades empresariales reales en lugar de tomar decisiones de forma aislada.
Conscientes de ello, muchas organizaciones están replanteándose su arquitectura de datos. En lugar de simplemente trasladar datos a un único repositorio, buscan formas de conectar información entre aplicaciones, nubes y sistemas operativos, preservando al mismo tiempo la semántica que describe el funcionamiento del negocio. Este cambio está impulsando un interés creciente en el data fabric como base para la infraestructura de IA.
La pérdida de contexto es un problema crítico para la IA
Las estrategias de datos tradicionales se han centrado en gran medida en la agregación. Durante las últimas dos décadas, las organizaciones han invertido fuertemente en extraer información de los sistemas operativos y cargarla en almacenes de datos, lagos de datos y cuadros de mando centralizados. Este enfoque facilita la ejecución de informes, la monitorización del rendimiento y la generación de conocimientos en toda la empresa, pero en el proceso, gran parte del significado asociado a esos datos —cómo se relaciona con políticas, procesos y decisiones del mundo real— se pierde.
Pensemos en dos empresas que utilizan IA para gestionar las interrupciones en la cadena de suministro. Si una de ellas usa señales en bruto como los niveles de inventario, los plazos de entrega y las puntuaciones de suministro, mientras que la otra añade contexto a través de procesos de negocio, políticas y metadatos, ambos sistemas analizarán rápidamente los datos, pero es probable que lleguen a conclusiones diferentes.
Información como qué clientes son cuentas estratégicas, qué compensaciones son aceptables durante los periodos de escasez y el estado de las cadenas de suministro extendidas permitirá a un sistema de IA tomar decisiones estratégicas, mientras que el otro no tendrá el contexto adecuado, afirma Khan.
"Ambos sistemas avanzan muy rápidamente, pero solo uno lo hace en la dirección correcta", afirma. "Esto es el valor añadido del contexto y la ventaja que se obtiene cuando la base de sus datos preserva el contexto en todos los procesos, políticas y datos por diseño".
En el pasado, las empresas gestionaban implícitamente la falta de contexto porque expertos humanos proporcionaban la información faltante, pero con la IA, existe un déficit y eso crea graves limitaciones. Los sistemas de IA no solo muestran información; actúan sobre ella. Si un sistema no explica por qué los datos son importantes, un modelo de IA puede optimizar para el resultado equivocado. Los números de inventario, los historiales de pago o las señales de demanda pueden ser precisos, pero no revelan necesariamente qué clientes deben ser priorizados, qué obligaciones contractuales se aplican o qué productos son estratégicamente importantes. Como resultado, el sistema puede producir respuestas que son técnicamente correctas pero operacionalmente defectuosas.
Esta constatación está cambiando la forma en que las empresas conciben la preparación para la IA. La mayoría reconoce que no tiene implementados procesos de datos maduros ni una infraestructura madura para confiar en sus datos y en sus sistemas de IA. Solo una de cada cinco organizaciones considera que su enfoque de los datos es altamente maduro, y solo el 9% se siente totalmente preparado para integrar e interoperar con sus sistemas de datos.
No consolidar, integrar
La solución emergente es una malla de datos: una capa de abstracción que abarca infraestructura, arquitectura y organización lógica. Para la IA agéntica, la malla se convierte en la interfaz principal, permitiendo a los agentes interactuar con el conocimiento empresarial en lugar de con sistemas de almacenamiento en bruto. Los grafos de conocimiento desempeñan un papel central, permitiendo a los agentes consultar datos empresariales utilizando lenguaje natural y lógica de negocio.
El valor de la malla de datos reside en tres componentes: la computación inteligente para aportar velocidad; un repositorio de conocimiento para proporcionar comprensión y contexto empresarial; y agentes para ofrecer acción autónoma, la cual se fundamenta en dicha comprensión. Lo que lo hace potente es cómo estas capacidades trabajan conjuntamente, dice Khan.
La tecnología proporciona la arquitectura — una base que hace posible la comunicación y coordinación entre agentes. El proceso definirá cómo las empresas y el departamento de TI comparten la propiedad, y establecerá la gobe anza y una cultura en la que la gente confíe lo suficiente como para adoptarla. Ahora, las tres cosas deben funcionar conjuntamente para que una *data fabric* empresarial sea realmente exitosa.
"Potencia decisiones seguras y coherentes, y cuando todos estos elementos se unen, la IA no se limita a analizar e interpretar los datos, sino que impulsa decisiones más inteligentes y rápidas que realmente generan un impacto empresarial", afirma. "Esta es la promesa de un 'data fabric' de negocio cuidadosamente diseñado, donde cada parte refuerza a la otra y cada 'insight' se fundamenta en la confianza y la claridad."
Técnicamente, la construcción de una capa de 'data fabric' requiere varias capacidades. Los datos deben ser accesibles en múltiples ento os a través de la federación en lugar de una consolidación forzada. Se necesita una capa semántica o de conocimiento para armonizar el significado entre sistemas, a menudo apoyada por grafos de conocimiento y metadatos gestionados por catálogo. La gobe anza y la aplicación de políticas también deben operar a través del 'fabric' para que los sistemas de IA puedan acceder a los datos de forma segura y coherente.
En su conjunto, estos elementos sientan las bases para que la IA interactúe con el conocimiento de negocio, en lugar de con sistemas de almacenamiento de datos en bruto — un paso fundamental para transitar de la experimentación a una automatización empresarial efectiva.
Más allá del aislamiento de datos y los dashboards
En la era emergente de la IA agéntica, la responsabilidad de monitorizar, analizar y tomar decisiones basadas en datos recae cada vez más en el software. Los agentes de IA pueden monitorizar eventos, activar flujos de trabajo y tomar decisiones en tiempo real, a menudo sin intervención humana directa. Esa velocidad crea nuevas oportunidades, pero también aumenta lo que está en juego. Cuando múltiples agentes operan en finanzas, cadena de suministro, adquisiciones u operaciones de cliente, deben guiarse por la misma comprensión de las prioridades de negocio.
Sin una capa de conocimiento común que conecte datos dispares, la coordinación entre sistemas se rompe rápidamente. Un sistema podría optimizar el margen, otro la liquidez, y un tercero el cumplimiento normativo, cada uno operando con un segmento de datos diferente.
Es importante destacar que la mayoría de las empresas ya poseen gran parte del conocimiento necesario para que esto funcione, afirma Khan. Años de datos operativos, datos maestros, flujos de trabajo y lógica de políticas ya existen en las aplicaciones de negocio; las empresas solo necesitan hacerlos accesibles. Las compañías que implementan data fabrics ganan mayor confianza en sus datos, con más de dos tercios de las empresas observando una mejora en la accesibilidad y visibilidad de los datos, y ejerciendo un mayor control sobre ellos.
"La oportunidad no es simplemente inventar contexto desde cero, sino activar y conectar el contexto que ya existe en toda tu empresa", continúa, añadiendo que un data fabric es la "arquitectura que garantiza que la semántica de los datos, los procesos de negocio y las políticas estén conectados como un sistema unificado en todas las nubes".
Este contenido fue producido por Insights, la unidad de contenido personalizado de MIT Technology Review. No fue escrito por el equipo editorial de MIT Technology Review. Fue investigado, diseñado y redactado por escritores, editores, analistas e ilustradores humanos. Esto incluye la redacción de encuestas y la recopilación de datos para encuestas. Las herramientas de IA que pudieron haberse utilizado se limitaron a procesos de producción secundarios que pasaron una exhaustiva revisión humana.