En el ámbito empresarial, se ha identificado un problema recurrente en las iniciativas de inteligencia artificial (IA): el fracaso de muchos proyectos no se debe a la falta de sofisticación de los modelos, sino a la calidad deficiente de los datos que los alimentan. Esto se hace evidente en el despliegue de sistemas de recuperación de información y agentes de IA, donde las organizaciones perciben que, sin datos de calidad, las mejoras ofrecidas por modelos más avanzados son apenas marginales.

Un reciente eBook titulado «The missing layer in enterprise AI» revela cómo centrar la atención exclusivamente en los modelos puede ser un error costoso. En este documento, se detalla cómo los sistemas de conocimiento defectuosos afectan el rendimiento de los sistemas de IA. Se subraya que la fiabilidad de los datos es crucial: alcanzar un 90% de fiabilidad en varias dimensiones de conocimiento solo logra un 65% de precisión, por lo que elevar esa fiabilidad al 97% es esencial, a menudo más importante que mejorar el modelo.

El eBook propone considerar el conocimiento como una infraestructura, abogando por una ingeniería del conocimiento que vaya más allá de la simple migración de contenido. Recomienda utilizar conectores conscientes de la fuente y sincronizaciones incrementales. También se menciona la importancia de flujos de trabajo asistidos por IA y verificados por humanos, donde la inteligencia artificial detecta conflictos y duplicados, y los expertos manejan problemas críticos, desafiando la noción de curación completamente automatizada.

Otra recomendación clave es la publicación de una única fuente para múltiples audiencias, asegurando que los datos precisos lleguen a los usuarios adecuados mediante variantes etiquetadas y acceso basado en roles. Esto mejora la relevancia y eficacia de la información.

El documento concluye con varias recomendaciones esenciales para líderes técnicos, como la unificación de la ingesta de datos, preservando la metadata de procedencia, aplicando detección de duplicados semánticos y puntuaciones de frescura. Además, sugiere la creación de un bucle cerrado entre el rendimiento de la IA en producción y la estrategia de contenido, ayudando así a superar las pruebas de concepto fallidas y desarrollar sistemas de IA efectivos en el entorno empresarial actual.

Estas conclusiones están dirigidas a líderes de IA, aprendizaje automático y tecnología de la información, con el objetivo de que puedan mejorar los sistemas de IA en sus organizaciones.