A lo largo de los últimos años aprendimos algo que se repite en cada cliente con el que trabajamos: el valor de la IA no viene del modelo. El modelo es una commodity — en dos años, el próximo será mejor, más barato y vendrá incluido en otra cosa. Lo que no es commodity es el contexto que le damos. Los datos limpios. Los registros completos. La memoria organizacional que el sistema sabe recuperar cuando hace falta. Ese trabajo — silencioso, continuo, casi nunca urgente — es lo que separa una IA útil de una IA que alucina con estilo.
Las evidencias son recurrentes: sistemas donde un mismo estado convive con tres grafías distintas, donde los campos críticos están vacíos en la mayoría de los registros, donde el conocimiento del negocio — el porqué de una decisión, la causa de una pérdida, el contexto de una relación — está enterrado en hilos de mail o en la cabeza de las personas. Todo eso sí existe, pero no en un lugar donde la IA pueda encontrarlo.
Esto no es culpa de nadie. Es la física normal de cualquier operación viva: el trabajo empuja, los datos se acumulan, las prioridades cambian. Pero la IA no perdona esa física. Si el dato no está ahí cuando el modelo lo busca, simplemente no existe. Y entonces el resumen suena bien pero omite lo clave. La sugerencia es plausible pero ignora el contexto. El informe es prolijo pero miente.
Curar datos es un trabajo, no un proyecto
Hay una diferencia importante entre implementar un sistema y mantener un sistema que sea útil para una IA. Lo primero se hace una vez. Lo segundo se hace todos los meses. Implica políticas de captura, revisión de inconsistencias, enriquecimiento de campos críticos, baja de información obsoleta, decisiones sobre qué archivar y qué no. Es un trabajo de bibliotecario: aburrido, invisible, imprescindible.
Una sola inconsistencia, en un solo registro, no altera nada. Multiplicada por miles, a lo largo de años, produce lo que todo equipo de datos conoce: un sistema que nadie cree del todo, porque todos saben que hay algo mal en alguna parte. Y si el equipo humano no le cree, la IA tampoco debería.
Qué implica en la práctica
Las capacidades de IA que se despliegan sobre una operación — resumir hilos, vigilar mercados, sugerir próximos pasos, extraer entidades, clasificar automáticamente — son todas consumidoras de contexto. Cada una es tan buena como los datos que encuentra. Implementar IA bien es inseparable de incorporar hábitos de gestión del conocimiento que el equipo tiene que convertir en rutina:
Prácticas de curaduría continua
- Captura inmediata, no diferida. Los campos críticos se completan al momento del evento, no después. La memoria reciente es infinitamente más precisa que la reconstrucción posterior.
- Enriquecimiento periódico del archivo. Los datos heredados sin estructura son materia sin forma. Ese enriquecimiento — asistido por IA, validado por humano — es lo que convierte archivo en inteligencia.
- Auditoría regular de inconsistencias. Campos que se contradicen, estados que no se reconcilian, fechas imposibles. La IA puede detectarlos; el equipo tiene que decidir qué hacer con ellos.
- Baja formal de información vencida. Un registro que lleva años sin actividad no es "archivo": es ruido. Distinguir entre historia y obsolescencia es parte del oficio.
- Revisión de la ontología. Las categorías (estados, tipos, motivos) se ajustan con la experiencia. Si "Otros" concentra el 40% de los casos, la lista se quedó corta.
Una forma honesta de entender el valor
Hay un mito tentador que conviene desarmar: que a la IA se le puede tirar cualquier cosa y ella lo ordena. Que basta con subir los mails, los Excel sueltos, los documentos viejos y las capturas de WhatsApp, y el modelo "se encarga". En la práctica no funciona así, por dos razones que se refuerzan entre sí.
La primera es de calidad: cuanto más ruido hay en el contexto que le damos al modelo, más confiadamente alucina. Un sistema con tres versiones del mismo estado, registros con campos contradictorios y texto sin hilar produce respuestas plausibles pero erradas — y las produce con la misma seguridad que las respuestas buenas. El usuario no tiene cómo distinguirlas.
La segunda razón es económica. Cada llamada a un modelo se paga en tokens, y los tokens de entrada también cuestan. Si para responder una pregunta tenemos que mandarle al modelo todo el archivo — mails, históricos, manuales, documentos adjuntos — estamos pagando por ruido. A escala de una operación real, ese ruido no es marginal: multiplica el gasto mensual sin mejorar la calidad.
"Le tiro todo al modelo y que se arregle"
"Selecciono lo relevante y lo estructuro"
* Valores de referencia típicos para operaciones de tamaño medio con modelos de propósito general. La diferencia de costo se mantiene en torno a 4–5× con independencia del modelo específico elegido.
Por eso no todo es un chat
El tercer punto de diseño que aparece cuando uno hace los números: no toda interacción con datos se resuelve con un chatbot. Un chat es la interfaz correcta cuando la pregunta es abierta, exploratoria o conversacional. Pero cuando la estructura del dato es conocida — un identificador, un estado, una fecha, un monto — un formulario con validación es infinitamente más preciso, más barato y más confiable que una charla con un modelo.
La regla no es nueva. Los sistemas bien diseñados siempre supieron esto: captura con campos estructurados, valida estados con listas cerradas, vincula registros por identificador. No hace falta una IA para eso — hace falta un formulario bien pensado. La IA entra donde el formulario no llega: interpretar texto libre, resumir hilos, detectar patrones, proponer conexiones. Ahí es donde el modelo agrega valor que ninguna otra herramienta puede dar.
La herramienta correcta para cada situación
Nuestra disciplina en Circo es simple: si podemos ser precisos, somos precisos. Un campo validado antes que un prompt. Un dashboard antes que un resumen. Un resumen estructurado antes que un chat abierto. La IA generativa es el último recurso, no el primero — y justamente por eso funciona tan bien cuando la usamos: llega limpia al punto donde realmente agrega valor.
Un compromiso mutuo
El ROI de la IA no depende del modelo que elijamos. Depende de cuánto orden le damos al contexto que consume. El trabajo invisible de la gestión del conocimiento es donde se crea el valor; el modelo es apenas el lugar donde se hace visible. Por eso dedicamos tanto esfuerzo a los hábitos de datos como a la implementación técnica: porque sin lo primero, lo segundo es teatro.
Este ensayo es una invitación a pensar la IA en los próximos años no como magia sino como disciplina. Tiene herramientas nuevas, sí, pero el camino para que esas herramientas devuelvan valor es viejo, conocido y tedioso: cuidar los datos, ordenar el contexto, ser precisos cuando se puede. Lo demás — los modelos, las plataformas, los proveedores — es la parte que cambia todo el tiempo.