Tu IA no entiende tu negocio

Cambiaron las herramientas, primero el Excel, después los tableros, ahora la IA. El dolor sigue igual, decidir con datos nunca se volvió fácil.

Casi todas las empresas ya usan IA. Casi ninguna ve un impacto real en su resultado.

En este artículo cuento por qué ese hueco no se cierra con más IA, sino con un trabajo que casi nadie hace, construirle a la máquina el diccionario y el mapa de tu negocio. Sin eso, la IA no gestiona. Adivina. Y adivina con una seguridad que asusta.

Preguntarle cosas a un agente de AI no es lo mismo que gestionar con Inteligencia (Artificial)

Me imagino que en tu empresa debe pasar algo parecido a lo que veo en muchas organizaciones.

Primero fue el Excel y las macros. Después los tableros. Ahora la IA. Cambiaron las herramientas, pero el dolor sigue igual, decidir con datos nunca se volvió fácil, entre otras cosas porque nuestro cerebro no está hecho para procesar tanta información junta. Y los números lo confirman. Según McKinsey, casi el 90% de las empresas ya usa IA en alguna función, y apenas un 6% ve un impacto real en su resultado. Ese hueco, entre usarla y que sirva, es de lo que quiero hablar.

Mi tesis es incómoda. Ese hueco no se cierra con más IA ni con mejor IA. Se cierra con un trabajo que casi nadie está haciendo, que no se ve, que no sale en ninguna demo, y que es lo único que determina si la solución de Inteligencia Artificial Agéntica sirvirá o no para tu negocio.

La primera promesa que no se cumplió

Vale la pena frenar en las primeras dos olas, porque explican lo que viene ahora.

Les pedimos al Excel y a los dashboards que la data hablara sola. Que nos dijera dónde estaba el problema en tres segundos, sin que nadie tuviera que interpretarla. Nunca pasó. Los tableros se multiplicaron, cada área armó el suyo, y las decisiones se siguieron tomando casi igual que antes. Gartner viene mostrando hace años que la mayoría de las licencias de Business Intelligence (BI) que las empresas compran quedan sin usar. Compramos la herramienta que iba a darnos la respuesta y la dejamos en un cajón.

Con la IA está por pasar lo mismo, y por la misma razón de fondo. La herramienta cambió, la base arquitectónica de datos que necesita para servir sigue faltando. La diferencia es que esta vez, quien construya esa base, va a sacar una ventaja competitiva muy difícil de equiparar.

Le pedimos a la IA que gestione un negocio que no conoce

La respuesta cómoda es que falta más IA. No creo que sea eso.

Piénsalo así. Si mañana entra a tu área la persona más brillante del mercado, con el mejor CV, el primer día no va a saber cómo gestionar la operación. No porque no sea capaz. Porque todavía no conoce el negocio. No sabe a qué le llamas ventas, no sabe cómo está armada tu operación, no sabe quién depende de quién. Antes de aportar, necesita un onboarding del lenguaje del negocio propio de una organización para saber cómo tomar decisiones.

La IA que conectaste a tus datos es exactamente eso. Un genio recién llegado, sin onboarding. Y el onboarding de cualquiera que entra a un negocio nuevo, sea una persona o una máquina, es aprender dos factores. Qué significan las cosas. Y cómo se relacionan entre sí.

La capa semántica y la capa ontológica, en la Era de la IA

Estos dos conceptos son el corazón de una implementación de una solución agéntica de AI.

Ninguna IA razona, al menos por ahora, lo suficiente como para saber qué quieres decir cuando expresas ventas, market share o rotación. Detrás hay un modelo probabilístico que interpreta lo que quisiste decir y, en base a eso, arma una respuesta.

La capa semántica es el diccionario del negocio, es la definición de cómo se tiene que interpretar cada variable de negocio. Es la definición práctica que un humano le da a cada dato. Es lo que hace que cuando alguien dice venta neta, cliente activo o rotación, esa palabra signifique una sola cosa, con una sola fórmula y una sola regla de cálculo, en toda la empresa. Sin ese diccionario, la IA interpreta distinto cada vez que alguien pregunta, y devuelve un resultado distinto cada vez.

La capa ontológica es el mapa del negocio, el que relaciona cada una de esas definiciones. Responde cómo se conecta cada indicador con todo lo demás. Que un pedido pertenece a un cliente, que ese cliente pertenece a una ruta, que esa ruta la cubre un vendedor, que ese vendedor reporta a una zona. Es el modelo interrelacional de cada variable que explica cómo está armado tu negocio por dentro, las piezas y los hilos que las unen.

El diccionario dice qué es este número. El mapa dice con qué y cómo se relaciona. Y aquí está lo incómodo, eso no se compra hecho. Un empleado nuevo las aprende a fuerza de meses trabajando en la organización, sin que nadie se las escriba. A la IA hay que construírselas, área por área, para cada empresa de forma específica. Por eso casi nadie las tiene. En una encuesta reciente de Deloitte, casi la mitad de las compañías dijo que su principal freno para automatizar con IA es que no encuentra ni reutiliza sus propios datos. No es un problema del modelo de LLM. Es que falta el diccionario y falta el mapa.

Qué pasa cuando falta esa base

Cuando esa base no está, la IA no se calla. Alucina, y alucina con una seguridad que asusta.

Alucina por cómo funciona por dentro. Un modelo de lenguaje natural (LLM) no calcula, estima. Ante una pregunta no ejecuta una cuenta contra tus datos, predice cuál es la respuesta más probable a partir del texto específico o consulta de un usuario. Una calculadora calcula, le pides dos más dos y saca cuatro. Un modelo estima, y una estimación que suena bien no es un número correcto. Para redactar un texto, estimar la palabra que sigue es una virtud. Para decirte cuánto vendiste el mes pasado, es un defecto grave, porque ese número es uno solo, hay que calcularlo de forma exacta y brindarlo al usuario, no es una aproximación numérica.

Por eso ChatGPT, Claude y/o Gemini son hoy un commodity para lo cualitativo, redactar, resumir, ordenar ideas. Si le pido a cualquiera estas tecnología la receta de un pastel de chocolate, cada vez me da una distinta y la tomo como buena, porque no hay una sola correcta. Pero cuando pregunto cuánto vendió la región norte el mes pasado, la respuesta es una sola, la pregunte como la pregunte. Y ahí, en las preguntas cuantitativas sobre los datos del negocio, es donde fallan.

Y fallan de la peor manera. Si le tiras varias tablas a un modelo de LLM y le pides que calcule, no te dice que no puede. Te devuelve un número, con redacción impecable y convicción total. Alucina en silencio. El problema no es que se equivoque, es que se equivoca sin avisar, y solo lo descubres cuando alguien contrasta ese número contra el dato real. Una base de datos parada abajo de un modelo de lenguaje natural (cualquiera sea en sus versiones), sin nada en el medio, es de las peores cosas que le pueden pasar a un negocio. Y no es una opinión. Sobre esquemas empresariales reales y crudos, hasta los mejores modelos del mundo se desploman, en el benchmark más exigente aciertan alrededor de una de cada cinco consultas (20% de acertividad). Y en la prueba que de verdad importa, la misma batería de preguntas con capa y sin capa, se pasa de cerca del 40% sin ella a más del 85% con una capa semántica bien modelada. Mismo modelo, misma pregunta. La diferencia es la base.

El MIT lo vio a escala. En cientos de despliegues reales, el 95% de los pilotos de IA generativa no movió el resultado del negocio. Las mismas personas que usan estas herramientas todo el día para su trabajo individual las describen como poco confiables cuando las meten dentro de los procesos de la empresa. Funcionan para la persona. Se caen en la organización. Y se caen por lo mismo, porque adentro de la empresa no está el diccionario ni el mapa.

El valor de un agente no está en que le preguntes y te conteste. Está en la cadena completa de valor, tomar el dato crudo, convertirlo en un análisis que entiende el negocio, y dejar a la persona en condiciones de saber qué hacer...cómo accionar para crear valor. Esa cadena es la que diferenciará las implementaciones exitosas de soluciones IA agéntica. Y no se sostiene sin la base.

La ventaja que no se compra

Y aquí está lo que de verdad importa.

Las empresas que le están sacando valor real a la IA no son las que le dieron un asistente a cada empleado. Son las que pusieron la IA a operar el negocio, no solo a asistir personas. Microsoft las llama empresas frontera. En su encuesta anual, el 71% de quienes ya trabajan en ellas siente que su compañía está prosperando, contra un 37% en el resto. Es percepción autorreportada y viene de quien vende la tecnología, así que la tomo como señal, no como prueba. Lo que sí es estructural es lo otro. Un agente puede operar un proceso solo si lo entiende. Y para que lo entienda, alguien tuvo que construirle el diccionario y el mapa.

Esa es la ventaja invisible. No se compra, no se descarga, no viene en la licencia. Se construye adentro de cada empresa, área por área, con gente que conoce el negocio de verdad. Es lento y es incómodo, y por eso mismo es lo más difícil de copiar que tiene una organización hoy.

La IA va a estar en todas las empresas. La base que la hace servir, no. Ahí, y no en el modelo, se va a decidir quién gana.

Fuentes

McKinsey, The state of AI, marzo 2025. "their organizations aren't seeing a tangible impact on enterprise-level EBIT." https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-how-organizations-are-rewiring-to-capture-value

Deloitte, Tech Trends 2026, Agentic AI strategy, 2025. "searchability of data (48%) and reusability of data (47%)." https://www.deloitte.com/us/en/insights/topics/technology-management/tech-trends/2026/agentic-ai-strategy.html

Spider 2.0 (Lei et al.), benchmark de text-to-SQL empresarial, ICLR 2025. "they require significant improvement in order to achieve adequate performance for real-world enterprise usage." https://spider2-sql.github.io/

dbt Labs, Semantic Layer vs. Text-to-SQL, 2026 Benchmark Update, abril 2026. "the dbt Semantic Layer hits near-100% accuracy for covered queries." https://docs.getdbt.com/blog/semantic-layer-vs-text-to-sql-2026

MIT Media Lab, Project NANDA, The GenAI Divide, State of AI in Business 2025, julio 2025. "the vast majority remain stuck with no measurable P&L impact." https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf

Microsoft, Work Trend Index 2025, The Year the Frontier Firm Is Born, abril 2025. "71% of workers at these firms say their company is thriving." https://blogs.microsoft.com/blog/2025/04/23/the-2025-annual-work-trend-index-the-frontier-firm-is-born/