De la estrategia de datos a la aplicación de la IA

De la falta de inteligencia a la falta de contexto

La definición de IA general (AGI) ofrecida en el escenario fue deliberadamente modesta: una IA tan inteligente como un ser humano, al menos para determinadas tareas. Nadie, admitieron los ponentes, se ha puesto de acuerdo en una definición, y los tres bandos —ya está aquí, está al caer, nunca llegará— reflejan casi exactamente el antiguo debate entre el bien y el mal. Lo que importa desde el punto de vista comercial es el patrón de fallo. Cuando un modelo tropieza con una tarea que claramente debería poder gestionar, la causa es casi siempre que carece del contexto que el operador humano tiene en la cabeza.

La tensión se expresó en términos que la sala reconoció al instante: acaba de salir otro modelo que afirma resolver la física cuántica, así que, ¿por qué no puede gestionar mi campaña de marketing? La respuesta es que la campaña requiere conocer el negocio, y el negocio nunca se ha plasmado por escrito.

«Da la sensación de que, en los últimos años, hemos pasado de una falta de inteligencia a una falta de contexto».

Según el panel, hay dos factores que echan por tierra los resultados de la IA: los datos fragmentados y el contexto que nunca se documenta. Frente a ellos, la elección del modelo apenas tiene importancia. Qué laboratorio, de primer nivel o de nivel medio… nada de eso importa frente a unos datos accesibles y un buen contexto, a los que se atribuye un aumento de aproximadamente diez veces en la productividad de la IA.

Qué significa realmente el contexto más allá de los datos de los clientes

Los datos de los clientes son la parte fácil: comportamiento de navegación, transacciones anteriores, interacciones con el servicio, tickets de asistencia. Años de uso del CRM los acumulan casi automáticamente. El contexto es la capa superior: cómo trabajan realmente los equipos, cuáles son los procesos, cómo evoluciona la relación con el cliente a lo largo del tiempo, incluida la dimensión temporal que los registros sin procesar simplemente no recogen.

El panel lo dividió en categorías. Está el contexto empresarial: cómo funciona la operación, en qué medida está centrada en el cliente, cuánto dinero estás dispuesto a perder para mantener contento a un cliente. Está el contexto de producto e inventario: qué líneas se quieren promocionar más, qué artículos tienen un peso estratégico más allá de su margen. Esta última categoría se calificó de «masiva», y su ausencia es precisamente lo que lleva a un agente a tomar decisiones que, aunque técnicamente defendibles, son comercialmente erróneas.

El contexto también se crea de forma continua e invisible. Una breve videollamada, una conversación de pasillo en la que dos compañeros acuerdan probar algo: esa decisión no queda registrada en ningún sitio, y todos los agentes que vienen después se ven perjudicados por ello. El panel fue sincero sobre el límite: la conversación humana no se traduce por completo en documentación, por lo que es imposible capturarlo todo. Sin embargo, la mayoría de las organizaciones están dejando pasar actualmente una gran cantidad de contexto fácilmente capturable, y ese es el terreno que se puede recuperar.

• Nunca es demasiado pronto, ni demasiado difícil —ni siquiera para organizaciones muy pequeñas—, decidir dónde se almacenarán los datos y el contexto.
• Empieza a centralizar todos los datos de los clientes en un único lugar.
• Documenta las decisiones —qué se decidió y por qué— junto con los datos de los clientes, en formatos que la IA pueda procesar.
• Captura las transcripciones de las llamadas y guárdalas junto al contexto de las decisiones empresariales para que los agentes puedan leerlo todo de una sola vez.

Plataformas frente a soluciones puntuales: el problema de la fragmentación

Aquí la conversación dio un giro contraintuitivo. Cuantas más herramientas adopta una organización, más difícil resulta para los agentes ser eficaces, porque cada herramienta es una pequeña isla de datos de la que resulta complicado extraer y consolidar la información. Los agentes tienen dos vías para acceder al contexto, y ninguna de ellas resulta cómoda. Pueden consultar cada herramienta individualmente a través de servidores MCP o API —algo elegante en teoría, pero poco práctico en la práctica, ya que el agente no sabe qué hay hasta que lo pregunta, un problema del huevo y la gallina cuando los datos están ocultos tras el servidor—. O bien, la organización puede extraer de forma proactiva toda la información y reunirla en un único lugar, lo que funciona mejor pero resulta más costoso, ya que requiere que los ingenieros y analistas recopilen datos de unas veinte herramientas en contacto con el cliente y normalicen los formatos.

«Menos es más… cuanto más centralizados estén tus datos, por definición, más fácil les resultará a los agentes encontrar lo que necesitan cuando lo necesitan y actuar de forma inteligente en lugar de actuar de forma estúpida».

A continuación, se planteó el argumento estructural: el panorama de martech, con unos 15 000 proveedores, se construyó comprando una solución específica para cada caso de uso —una herramienta dedicada a los carritos abandonados, otra herramienta de medición independiente y otra para la mensajería móvil—. Algo que en su momento funcionó, pero que aquí se describe como catastrófico en la era de los agentes, ya que coordinar cinco servidores MCP diferentes desde un único lugar resulta extremadamente difícil. La predicción apuntaba a un cambio en el mercado, pasando de miles de proveedores a un puñado de plataformas, con funcionalidades ofrecidas como complementos que leen el contexto de la plataforma y le devuelven los resultados, en lugar de productos desconectados que acaparan cada uno sus propios datos.

Esa es la lógica que subyace a la asociación entre HubSpot y Databricks de la que se habló en el escenario: el contexto y los datos creados en Databricks pueden importarse a HubSpot y mantenerse sincronizados, de modo que ambos sistemas dispongan del contexto completo y los agentes de ambos extremos no trabajen con lagunas. Databricks ha lanzado recientemente Customer Link con HubSpot como socio de lanzamiento —descrito como su primer producto creado para profesionales del marketing—, lo que permite a los equipos utilizar los datos dentro de Databricks, implementar sus propios agentes en él y enviar información a HubSpot para su activación. Las acciones de los clientes generan entonces datos nuevos que vuelven al sistema, un efecto de inercia que hace que el sistema sea cada vez más inteligente. La motivación se resumió con claridad: «Estábamos cansados de que todo se convirtiera en un ejercicio de ingeniería de datos para la empresa». Los quince años de experiencia del ponente invitado en este ámbito —incluida la fundación de una empresa de análisis de clientes y una plataforma de datos de clientes— dieron peso a este argumento.

Context Home, la «cebolla de la confianza» y la calidad de los datos

El anuncio de Context Home por parte de HubSpot esta semana se presentó como la expresión práctica de todo el argumento: un único lugar desde el que ver toda la información que HubSpot tiene sobre una empresa, sus equipos y sus clientes. Su valor proviene de dos fuentes a la vez: los datos nativos del CRM, las actividades y los flujos de trabajo —con HubSpot como sistema de acción— y los datos integrados del ecosistema de socios, desde pequeños proveedores de martech hasta Databricks, que ponen a disposición un repositorio centralizado como contexto para los agentes.

Es fundamental destacar que Context Home no solo muestra el contexto, sino que indica hasta qué punto está completo y recomienda cómo mejorar su calidad. Esto es importante debido a lo que el panel denominó la «cebolla de la confianza»: los resultados que se esperan de los agentes dependen de la confianza en que el contexto que utilizan sea completo y de alta calidad, lo que a su vez depende de la confianza en que los datos subyacentes sean completos y precisos.

«En el fondo, se trata realmente de la calidad de los datos».

El panel también destacó el enfoque interno de HubSpot según el cual, dentro de la plataforma, la distancia entre los datos y la acción es prácticamente nula —una característica descrita como especialmente potente en la era de los agentes— y la razón por la que ya no es necesario salvar manualmente la brecha entre los datos y la acción.

De ejecutor a gestor de agentes

Cuando se preguntó al público quién se había planteado si la IA iba a quitarle el trabajo, se levantaron muchas más manos que en la pregunta sobre la IA general (AGI). La respuesta del panel fue cambiar la pregunta. La presión por la sustitución es real, pero alguien tiene que gestionar a los agentes —y la prueba significativa ya no es «¿me va a quitar la IA el trabajo?», sino «¿puedes demostrar que la IA realmente funciona para tu empresa?». El cambio, tal y como lo expresaron los ponentes, consiste en pasar de «mira lo que he creado» a «fíjate en el resultado que ha generado lo que he creado».

Liderar un agente se definió de forma concreta: tener un punto de vista claro, establecer la estrategia y las prioridades, decidir qué inversiones y riesgos asumir, y asignar recursos. Cada profesional, en cualquier nivel, se convierte en una especie de mini-director de marketing o de finanzas: establece la visión, supervisa la ejecución, diagnostica si un fallo se debe a la estrategia o a la ejecución, y luego lo corrige y lo repite. Hay una responsabilidad en particular que no se puede delegar.

«No se puede delegar la gestión de riesgos… alguien tiene que asumir la responsabilidad».

Los agentes tendrán opiniones; un ser humano sigue teniendo que juzgar si esas opiniones son fiables, ya que siempre están en juego la exposición de la marca y los recursos gestionados. El escenario de fallo es que el agente se convierta en una caja negra que nadie entiende. El antídoto es la observabilidad. Evaluar a los agentes es una forma genuinamente nueva de control de calidad: los flujos de trabajo tradicionales eran determinísticos, por lo que se ejecutaba una prueba y se confirmaba que todo lo que se procesaba se ajustaba a las expectativas. Los agentes son no deterministas, por lo que el método debe cambiar aunque el objetivo —garantizar un resultado de alta calidad— sea idéntico. La orientación del producto mencionada en el escenario incluía capacidades de creación de agentes que permiten a los usuarios realizar una prueba de ejecución de un agente, inspeccionar la ejecución que realmente llevó a cabo, ver qué datos manipuló y comprobar en qué conocimientos y contexto se basó.

Persistía una preocupación. Los profesionales de hoy en día tienen una ventaja porque realizaban el trabajo manualmente y, por lo tanto, saben cómo debe ser un buen resultado: los empleados, por término medio, están más satisfechos con un jefe que sabe hacer su trabajo, y lo mismo ocurre con la supervisión de los agentes. Es posible que la próxima generación nunca llegue a generar un informe analítico ni a configurar una campaña manualmente. Cómo desarrollarán esa capacidad de juicio profundo sigue siendo una cuestión sin resolver.

El criterio, el gusto y la nueva ventaja competitiva

El argumento final surgió a través de una analogía con las matemáticas, un campo que, según se dice, se enfrenta a una crisis existencial a medida que los modelos empiezan a demostrar teoremas mejor que los humanos —lo que, históricamente, ha sido la prueba misma de un buen matemático—. La respuesta que está surgiendo dentro de esa comunidad es que las matemáticas nunca se han centrado realmente en demostrar el teorema.

«Las matemáticas nunca se han centrado en demostrar el teorema. Se han centrado en comprender qué significaba esa demostración».

La disciplina siempre fue un medio para alcanzar un fin, que se remonta a los antiguos griegos para resolver problemas de física y geometría; su valor reside en utilizar una demostración para plantear mejores preguntas y encontrar aplicaciones. El paralelismo con el mundo empresarial es exacto: incluso cuando el agente ejecuta una tarea, un ser humano tiene que comprender por qué ha tenido éxito o ha fracasado y decidir cuál es el siguiente paso.

A partir de ahí, la sesión concluyó con un tono optimista. Las ideas, la motivación que hay detrás de ellas y el juicio humano aplicado junto con los agentes se señalaron como las habilidades más valiosas de las que se dispone hoy en día: la nueva ventaja competitiva. Los agentes premian la mentalidad emprendedora, porque las ideas pueden materializarse mucho más rápido que antes, y premian la curiosidad, porque experimentar en diferentes direcciones es más fácil que nunca. Lejos de suponer una merma de su papel, el panel lo planteó como una tarea más gratificante que la ejecución rutinaria que antes caracterizaba a tantos puestos de trabajo.

«Vamos a utilizar el criterio, vamos a utilizar el gusto y vamos a utilizar el poder de los agentes para crear cosas increíbles».

La conclusión práctica para los líderes: elige una ubicación predeterminada para los datos y el contexto de la empresa y centralízalos allí lo antes posible —en el momento en que se implemente una herramienta, no años más tarde, una vez que haya creado su propia isla—. No es necesario consolidarlo todo, y la estrategia no tiene por qué ser perfecta, pero debe haber una opción predeterminada clara. A continuación, documentad las decisiones, el razonamiento y las conversaciones en un mismo lugar, de modo que la inteligencia a la que ya tenéis acceso tenga por fin algo con lo que trabajar.