En el ámbito empresarial, un número creciente de iniciativas de inteligencia artificial (IA) enfrenta fracasos no por la falta de sofisticación de los modelos, sino por la calidad deficiente de los datos que los alimentan. Esta situación se ha vuelto evidente en el despliegue acelerado de sistemas de recuperación de información y agentes de IA, donde las organizaciones se percatan de que contar con mejores modelos ofrece solo mejoras marginales si la información subyacente está fragmentada, es obsoleta o contradictoria.
Un reciente eBook titulado «The missing layer in enterprise AI» revela que centrar la atención exclusivamente en los modelos es un error costoso. El documento detalla cómo los sistemas de conocimiento defectuosos deterioran el rendimiento de los sistemas de recuperación de información y los agentes de IA, resaltando la importancia crucial de la fiabilidad de los datos.
El recurso ofrece una guía sobre cómo construir la base que realmente necesita la IA. Entre los aspectos destacados, se subraya que alcanzar un 90% de fiabilidad en cuatro dimensiones de conocimiento solo proporciona un 65% de precisión, de modo que elevar la fiabilidad al 97% es esencial, y en muchos casos, más importante que mejorar el modelo en sí.
Además, el eBook sugiere considerar el conocimiento como una infraestructura, promoviendo un enfoque que trascienda la simple migración de contenido hacia una ingeniería del conocimiento. Esto incluye usar conectores conscientes de la fuente y sincronizaciones incrementales. También se menciona la necesidad de establecer flujos de trabajo asistidos por IA y verificados por humanos para detectar conflictos y duplicados, dejando la resolución crítica a expertos, desmontando así la idea de la curación completamente automatizada.
Otro punto clave es la publicación de una única fuente para múltiples audiencias, asegurando que los datos precisos lleguen a los usuarios correctos a través de variantes etiquetadas por audiencia y acceso basado en roles, mejorando la relevancia y eficacia de la información.
El documento concluye ofreciendo consejos esenciales para líderes técnicos, destacando la importancia de unificar la ingesta de datos mientras se preserva la metadata de procedencia, aplicar detección de duplicados semánticos y puntajes de frescura, y crear un bucle cerrado entre el rendimiento de la IA en producción y la estrategia de contenido. Esta visión técnica busca ayudar a los líderes de IA, aprendizaje automático y tecnología de la información a superar las pruebas de concepto fallidas y desarrollar sistemas de IA efectivos en el entorno empresarial actual.
