Gestión de datos en evolución: tres formas de escalar la IA para el futuro

Genere datos preparados para IA migrando a repositorios de conocimiento, metadatos interconectados y una fuerza laboral diseñada para la orquestación de agentes humanos.

por Kevin Barboza y William Carson

---

En resumen

• La IA a gran escala necesita datos preparados para IA: pasar de catálogos estáticos a repositorios de conocimiento que contengan reglas de negocio, contexto y pautas de uso.
• Conecte los puntos con un gráfico semántico y brinde lógica, políticas y datos a humanos y agentes con un plano de control API.
• Capacitar y elevar los roles para la orquestación de agentes humanos.

---

La rápida adopción de la inteligencia artificial (IA), incluyendo sistemas generativos y agentes, está exponiendo las limitaciones de los enfoques tradicionales y estáticos para la gestión de datos. Para seguir siendo competitivas, las organizaciones deben migrar de catálogos de datos rígidos a repositorios de conocimiento dinámicos: sistemas que integran la lógica de negocio, el contexto y las propuestas de valor directamente en sus ofertas de productos de información. Esta evolución no es solo técnica; es un imperativo estratégico para generar confianza, agilidad y valor empresarial en un mundo impulsado por la IA.

Reimaginar la gestión de datos requiere cambios fundamentales. Tres conceptos clave incluyen:

• Transición a repositorios de conocimiento : pasar de catálogos de datos puntuales a repositorios de conocimiento que codifican reglas de negocio y lógica de decisión para productos de información
• Mecanismos avanzados para almacenar y servir metadatos : establecer mecanismos técnicos robustos para almacenar y servir metadatos dentro del repositorio de conocimiento para permitir el autoservicio de la agencia
• Transformación de la fuerza laboral : preparar una fuerza laboral que aproveche de forma nativa las capacidades de IA para que los empleados puedan colaborar eficazmente con los sistemas de IA

Adoptar este cambio puede permitir que las organizaciones se den cuenta del potencial de sus Inversiones en IA  y mejora de su capacidad para ejecutar tareas de generación de informes, análisis y modelado más tradicionales.

Repositorios de conocimiento para la confianza y la alineación de valores

A pesar de las importantes inversiones en plataformas de datos modernas, la mayoría de las organizaciones aún no están preparadas para soportar sistemas que requieren datos compatibles con IA para su correcto funcionamiento. El desafío no reside necesariamente en las tres “V” fundamentales del big data (volumen, velocidad y variedad), aunque estas agravan el problema. La cuestión gira principalmente en torno a la veracidad y el valor, ya que la confianza y la base empresarial son difíciles de codificar en sistemas tradicionales de catalogación de metadatos de forma que tanto humanos como máquinas puedan aprovecharlas.

Estos sistemas suelen estar diseñados para que analistas humanos bien informados realicen tareas analíticas estándar dentro de un dominio (p. ej., consultas, informes y análisis), no para usuarios principiantes ni para  agentes de IA  que requieren lógica integrada, contexto e interoperabilidad para realizar tareas adecuadamente. Sin reevaluar cómo se anotan y exponen los datos, las organizaciones corren el riesgo de desarrollar sistemas de decisión frágiles y opacos que no se ajustan a los objetivos de negocio.

A medida que las organizaciones han perfeccionado sus prácticas de datos, los productos de información se han convertido en un elemento clave para activos interoperables, reutilizables y bien gobernados que prestan servicio a dominios empresariales específicos. Estos productos permiten a los equipos acceder a activos confiables con claridad y consistencia, satisfaciendo una amplia gama de necesidades analíticas y operativas. Esta base ha demostrado ser valiosa, y su valor continúa creciendo a medida que las organizaciones avanzan hacia sistemas más inteligentes y autónomos.

Análisis en profundidad: cómo funcionan los productos de información

Interoperabilidad a través de API estandarizadas

Los productos de información se diseñan cada vez más con la interoperabilidad como eje central, lo que permite una integración y comunicación fluidas entre diversos sistemas y plataformas. Esta interoperabilidad se logra a menudo mediante interfaces de programación de aplicaciones (API) estandarizadas que cumplen con la especificación OpenAPI, lo que garantiza que las distintas aplicaciones puedan consumir fácilmente metadatos y datos desde esos puntos finales.

Formatos legibles por máquina e intercambio

Al proporcionar datos a través de estas API estandarizadas, las organizaciones pueden facilitar no solo el intercambio de información, sino también la lógica de negocio subyacente que los rige. Además, estos productos están estructurados en formatos legibles por máquina, como JSON y XML, lo que mejora su accesibilidad y usabilidad. Este enfoque estructurado permite un procesamiento e integración de datos más eficientes, lo que permite a los desarrolladores crear aplicaciones que aprovechan datos de múltiples fuentes sin necesidad de una personalización exhaustiva.

Contexto, reglas de decisión y semántica

Además de ser interoperables, los productos de información están diseñados para estar alineados con el contexto y ricamente anotados, lo que proporciona información crucial sobre su uso previsto, las reglas de decisión y la semántica del dominio. Este nivel de detalle permite a los agentes y sistemas inteligentes comprender no solo los datos en sí, sino también la lógica de su aplicación en diversos escenarios empresariales.

Al integrar las intenciones de uso en el producto, los desarrolladores garantizan que los usuarios y agentes puedan discernir fácilmente los contextos adecuados para aplicar el uso del producto. La inclusión de reglas de decisión permite a los agentes tomar decisiones informadas basadas en criterios predefinidos, lo que facilita la automatización de procesos de toma de decisiones alineados con los objetivos de la organización. Además, el énfasis en la semántica del dominio permite una comprensión compartida de la terminología y los conceptos entre las diferentes partes interesadas, lo que reduce la ambigüedad y fomenta la colaboración.

Componible, modular y reutilizable por diseño

Los productos de información también deben ser inherentemente componibles, modulares y estar diseñados para su reutilización en diversos flujos de trabajo, lo que mejora significativamente su adaptabilidad y eficiencia en entornos empresariales complejos. Esta arquitectura modular permite a las organizaciones descomponer los productos de información en componentes más pequeños e intercambiables que se pueden combinar y reconfigurar fácilmente para satisfacer necesidades específicas. Como resultado, los agentes pueden integrar dinámicamente múltiples productos, creando flujos de trabajo sofisticados y personalizados para abordar desafíos empresariales específicos.

Además, la capacidad de reutilizar componentes en diferentes flujos de trabajo reduce la redundancia y acelera el tiempo de desarrollo, lo que permite a las organizaciones responder con mayor rapidez a las cambiantes demandas del mercado. Al aprovechar la modularidad, las empresas pueden crear un ecosistema más ágil donde los productos de información pueden evolucionar a la par de las necesidades de la organización, garantizando así su relevancia y eficacia para impulsar el éxito operativo.

Estandarización de productos con un PDK

Finalmente, para optimizar aún más el desarrollo y descubrimiento de productos de información, las organizaciones pueden aprovechar un Kit de Desarrollo de Productos de Información (PDK), que estandariza los procesos y resultados necesarios para la creación y gestión de estos activos. El PDK proporciona un marco técnico integral que abarca las mejores prácticas, plantillas y herramientas diseñadas para facilitar la creación consistente de productos de información.

Al establecer un conjunto común de directrices y metodologías, el PDK garantiza que todos los productos cumplan con los mismos estándares de calidad e interoperabilidad, lo que facilita la colaboración y el intercambio de recursos entre equipos. Además, el PDK incluye mecanismos para anotar datos con metadatos enriquecidos, lo que mejora la visibilidad y la usabilidad de los productos de información en toda la organización.

Esta estandarización no solo simplifica el proceso de desarrollo, sino que también fomenta una cultura de innovación, ya que los equipos pueden prototipar e implementar nuevos productos rápidamente con la confianza de que están alineados con los objetivos organizacionales. En definitiva, el PDK permite a las organizaciones aprovechar al máximo el potencial de sus activos de datos, lo que les permite crear un ecosistema robusto de productos de información que impulsa la toma de decisiones informada, tanto por parte de agentes humanos como sintéticos.

Almacenamiento y servicio de metadatos para permitir el autoservicio de la agencia

Para transformar recursos de datos dispares en bloques de construcción contextualmente inteligibles, se requiere un mecanismo para almacenar y servir metadatos altamente interconectados dentro del repositorio de conocimiento. Este «grafo semántico»:

• Formaliza una ontología empresarial
• Asigna entidades comerciales a elementos de datos y objetos
• Superpone un motor de políticas que refuerza el cumplimiento del acceso
• Operacionaliza la lógica en construcciones ejecutables por máquina. 

El grafo semántico se instancia de forma más natural mediante una base de datos de grafos, pero se pueden utilizar otras tecnologías según los casos de uso, las cargas de trabajo y las habilidades específicas del cliente. El grafo semántico dota a los datos de un significado axiomático, lo que permite a los agentes discernir, por ejemplo, que una puntuación crediticia de 580 implica “alto riesgo” y que, de acuerdo con las directrices de préstamos de la organización, se requiere la aprobación del vicepresidente para conceder un préstamo.

En cuanto al dominio de la IA agéntica, el grafo semántico garantiza que los agentes apliquen la lógica de negocio de forma consistente al evaluar los datos, garantiza dinámicamente el cumplimiento para asegurar que las políticas se apliquen en relación con la intención agéntica y el contexto de los datos, y proporciona auditabilidad causal mediante explicaciones basadas en el linaje para acciones autónomas. Sin este sustrato semántico, los sistemas agénticos suelen involucionar operativamente al malinterpretar esquemas de datos aislados, infringir restricciones regulatorias latentes y propagar decisiones inconsistentes.

El gráfico semántico corrige esto al establecer un marco unificado en el que los agentes pueden:

• Consultar gráficos de conocimiento para recuperar reglas contextualizadas
• Haga que los motores de políticas intercepten acciones no conformes
• Evaluar la idoneidad de los datos para su propósito mediante metadatos semánticos 

Esto amplía la gestión de datos al brindar infraestructura para operaciones de agentes confiables y transforma la gobernanza de una restricción pasiva a un facilitador activo.

Los sistemas de IA agente requieren datos que no solo sean accesibles sino interpretables, no solo gobernados sino receptivos, y no solo documentados sino contextualizados.

Los marcos tradicionales diseñados para la interpretación humana y el procesamiento por lotes resultan inadecuados para agentes sintéticos que operan de forma semiautónoma o totalmente autónoma. Los datos y metadatos deben proporcionarse mediante interfaces interoperables que permitan el acceso en tiempo real entre sistemas. Estas interfaces deben estar diseñadas para exponer los metadatos, la lógica necesaria para actuar de forma relevante para el negocio y los propios datos subyacentes.

Las interfaces adecuadas permiten a los agentes respaldar flujos de trabajo autónomos y sin inconvenientes mediante:

• Consultar y actuar sobre conjuntos de datos apropiados
• Acciones desencadenantes
• Completar tareas y generar conocimientos 

El plano de control del repositorio de conocimiento se instancia a través de una suite de interfaz de programación de aplicaciones (API) y permite que los productos de información de todo tipo se asignen a funciones comerciales deseadas y se consuman a través de servicios componibles que están gobernados, son compatibles y están bien documentados.

Este marco permite el descubrimiento y la expresión de la lógica de negocio, las restricciones de acceso y los patrones de uso de forma que tanto los humanos como los agentes de IA puedan interpretarlos y actuar en consecuencia. Además, transforma el modelo pasivo de consumo de productos de información en uno dinámico y preparado para la toma de decisiones arbitrarias y la automatización de diversas tareas organizacionales.

El grafo semántico y el plano de control dentro del repositorio de conocimiento facilitan los medios técnicos para que los agentes aprovechen los productos de información. A medida que se establecen estas bases, las organizaciones también deben replantear cómo los equipos interactúan con los datos y los agentes de IA.

Preparación organizacional y fuerza laboral del futuro

Las capacidades de GenAI y de IA agencial  transforman radicalmente el funcionamiento y la operación de las organizaciones. La IA está generando nuevas expectativas en torno a la dotación de recursos, la toma de decisiones, la autonomía y la colaboración, por lo que una perspectiva técnica bien fundamentada no basta para adaptarse plenamente y optimizar el ROI. A medida que las empresas evolucionan, también lo hará su gobernanza operativa y organizacional.

Cambios previstos en la gobernanza operativa y organizacional

Pasar de la ejecución de tareas a la orquestación estratégica

La fuerza laboral debe pasar  de realizar tareas a orquestar acciones basadas en IA o impulsadas por IA. A medida que los agentes se integran en los flujos de trabajo operativos (p. ej., para diagnosticar fallos de equipos en fabricación, resolver quejas de clientes en banca u optimizar las pujas publicitarias en marketing), los roles humanos evolucionan para centrarse en estrategias de orden superior. Los empleados humanos se convierten en “conductores” de recursos agénticos; establecen objetivos, interpretan escenarios complejos y perfeccionan el comportamiento de la IA mediante la retroalimentación. Por ejemplo, un gerente de cadena de suministro traslada sus responsabilidades del seguimiento manual de los envíos a la supervisión de agentes que predicen interrupciones y redirigen la logística en tiempo real, interviniendo únicamente en casos extremos como riesgos geopolíticos o quiebras de proveedores. Esto eleva a la fuerza laboral humana de contribuyentes tácticos a administradores estratégicos, convirtiendo a los agentes en multiplicadores de fuerza.

Aumento de roles y conjuntos de habilidades híbridos

A medida que surgen nuevas capacidades en la intersección de la experiencia en el dominio y la alfabetización en IA, los silos de trabajo tradicionales se disuelven en roles híbridos, como los ingenieros de contexto que gestionan flujos de datos en tiempo real para los agentes, los especialistas en ética de los agentes que garantizan el cumplimiento normativo y la seguridad de la marca, y los gerentes de orquestación que diseñan flujos de trabajo entre humanos y agentes. Las habilidades se transforman desde la competencia técnica (p. ej., SQL) hasta las competencias específicas de los agentes, como enseñarles los matices del dominio (p. ej., cómo negociar contratos farmacéuticos), diagnosticar fallos de IA (p. ej., por qué un bot de ventas prometió un inventario excesivo) y gestionar decisiones autónomas.

Por ejemplo, en el ámbito sanitario, las funciones de enfermería incluirán la mediación con agentes y la supervisión de agentes de diagnóstico, aplicando un criterio empático a las interacciones con los pacientes. El valor de la fuerza laboral cambia de lo que las personas saben a cómo utilizan su conocimiento para fortalecer las conductas agenciales.

Reinvención cultural y organizacional

Las empresas redefinirán el rendimiento, la estructura y la cultura en torno a la simbiosis entre humanos y agentes. Las jerarquías organizacionales se aplanan a medida que los gerentes se transforman en entrenadores de agentes, incentivados por métricas como la tasa de autonomía (p. ej., el porcentaje de tareas o flujos de trabajo que aprovechan las decisiones impulsadas por IA) y el impacto de la amplificación (p. ej., los ingresos por hora de trabajo humana). Los equipos se organizan como grupos pequeños y ágiles de personas que supervisan a múltiples agentes especializados, imitando a las organizaciones tecnológicas líderes, donde los grupos de marketing ahora gestionan a los agentes que gestionan las pruebas A/B, la optimización de motores de búsqueda y la respuesta a crisis.

---

Es fundamental que las empresas mitiguen riesgos como la atrofia de habilidades, la dependencia excesiva de la pérdida de experiencia y la complacencia de los agentes, en la que los humanos aprueban automáticamente las decisiones de la IA. El éxito exige una actualización continua de habilidades, ejercicios de pensamiento crítico sin agentes y medidas éticas para garantizar que los humanos sigan siendo responsables de los resultados. La fuerza laboral del futuro  no se compone de humanos contra IA, sino de humanos y agentes evolucionando juntos.

Conclusión

Los sistemas de IA con agentes requieren datos que no solo sean accesibles sino interpretables, no solo gobernados sino también adaptables, y no solo documentados sino también contextualizados. Satisfacer estas demandas implica evolucionar desde simples catálogos de datos a repositorios de conocimiento con metadatos completos y fáciles de usar por las máquinas que describen los productos de información subyacentes. Gracias a la riqueza de estos metadatos, tanto humanos como agentes de IA pueden aprovecharlos para escribir consultas sofisticadas, realizar razonamientos e implementar flujos de trabajo autónomos.

El contexto debe integrarse en toda la cadena de valor de los datos y persistir en el grafo semántico del repositorio de conocimiento, alineando las reglas de negocio y las transformaciones con los productos de información y su valor comercial. El plano de control del repositorio de conocimiento facilita el intercambio de datos, permitiendo que tanto humanos como máquinas utilicen los productos de información con claridad y trazabilidad. Finalmente, la fuerza laboral del futuro aprovecha de forma nativa la colaboración entre humanos y agentes sintéticos para maximizar el retorno de la inversión técnica, a la vez que apoya a los empleados en la realización de actividades diferenciadas.

El camino hacia datos compatibles con IA  no comienza con la reinvención, sino con la evolución. Las capacidades fundamentales en las que las organizaciones han invertido durante la última década, como plataformas de datos modernas, marcos de gobernanza y catálogos de datos, siguen siendo esenciales, ya que sirven como base para la confianza, la capacidad de descubrimiento y el control. Estos pilares ayudan a guiar las iniciativas de IA hacia un futuro marcado por el crecimiento y la transformación, en lugar de la limitación o el colapso.

Agradecemos a Amer Abed Rabbo, Abhishek Ghosh, Yevgeniya Virina y Aditi Mukherjee por contribuir al desarrollo de este artículo.

Resumen 

Para permitir una IA escalable, las organizaciones deben evolucionar su gestión de datos integrando la lógica empresarial y el contexto en repositorios de conocimiento, conectando datos a través de gráficos semánticos y preparando a los equipos para orquestar flujos de trabajo autónomos y estratégicos.

Fuente: https://www.ey.com/en_us/insights/consulting/agentic-ai/three-ways-to-scale-ai-for-future