Diseño de modelos del mundo empresarial que generan ROI en la AX corporativa

La transformación de las empresas mediante la IA, es decir, la AX, no se completa con solo distribuir cuentas de IA generativa a los empleados. Para lograr resultados reales, es necesario estructurar el entorno de modo que la IA pueda observar el estado operativo de la empresa, elegir acciones permitidas y aprender de los resultados de su ejecución.

Para ello se necesita un modelo de mundo empresarial. No obstante, esta expresión todavía no es un término estándar que todas las empresas e instituciones de investigación utilicen de la misma manera. Aquí se emplea con el significado de un modelo del entorno operativo que representa las entidades, relaciones, reglas, estados, acciones y resultados de una empresa de forma que la IA pueda razonar sobre ellos y verificarlos.

Por qué el criterio de la AX pasa del volumen de adopción al ROI

En las primeras etapas de adopción de la IA generativa se utilizaron principalmente indicadores de actividad como el número de cuentas, la tasa de uso y la cantidad de documentos generados. Sin embargo, solo con estos indicadores resulta difícil demostrar un aumento de los ingresos, una reducción de costes, una disminución del tiempo de procesamiento o una reducción del riesgo.

En una previsión publicada en 2025, Gartner estimó que, debido al aumento de costes, el valor empresarial poco claro y los controles de riesgo insuficientes, al menos el 40% de los proyectos de IA agéntica se cancelaría para finales de 2027. El estudio de RAND sobre el fracaso de proyectos de IA también señala como causas principales, más que la tecnología, la calidad de los datos, la definición del problema y la brecha entre las expectativas de la organización y sus capacidades reales.

Las tasas de fracaso presentadas en determinados anuncios o estudios difieren según la población analizada y la definición de fracaso. Por tanto, cifras como «88% de fracaso» o «46% de interrupción», cuya fuente y población no se hayan verificado, no deben utilizarse como estadísticas universales de todos los proyectos de AX.

Por qué el enfoque tradicional de DX no funciona sin cambios

Los sistemas de trabajo tradicionales son herramientas estáticas cuyas entradas y reglas de procesamiento están relativamente claras. En cambio, los agentes de IA son sistemas dinámicos que repiten el siguiente proceso.

1. Observan documentos, bases de datos, API o solicitudes de usuarios.
2. Interpretan el estado actual y el objetivo.
3. Seleccionan una herramienta o la siguiente acción.
4. Ejecutan una tarea que afecta a sistemas externos.
5. Comprueban el resultado y modifican el plan.

Si se otorgan de inmediato a agentes que actúan de forma probabilística los mismos permisos que a los sistemas existentes, pueden producirse pedidos incorrectos, incumplimientos normativos, exposición de datos personales o cambios difíciles de revertir. Por tanto, es necesario diseñar conjuntamente el alcance del uso de herramientas, los procedimientos de aprobación, las condiciones de interrupción, los registros y los medios de recuperación.

Diferencias entre el ajuste fino, RAG, el harness, los bucles y el modelo de mundo

Cada enfoque no sustituye a los demás, sino que es un componente que resuelve un problema diferente.

No se puede generalizar que el ajuste fino sea un desperdicio en sí mismo. Es útil para incorporar al modelo formatos de trabajo estables o comportamientos repetitivos. Sin embargo, si hechos que cambian con frecuencia, como las políticas de precios, los límites de aprobación o el estado del inventario, se almacenan únicamente en los pesos del modelo, su actualización y auditoría se vuelven difíciles. Por lo general, resulta más adecuado gestionar esta información en una capa de recuperación, una capa de reglas o una base de datos operativa.

Componentes de un modelo de mundo empresarial

Un buen modelo de mundo es distinto de un repositorio de conocimiento que se limita a recopilar muchos documentos. Debe representar qué existe en la empresa, en qué estado se encuentra, quién puede hacer qué y cómo cambia el estado después de una acción.

Esta estructura puede implementarse mediante diversas tecnologías, como ontologías, grafos de conocimiento, motores de reglas, almacenes de estado, modelos de procesos, simuladores y código de políticas. No tiene por qué ser un único modelo gigantesco ni un producto específico.

Cómo funciona una arquitectura neurosimbólica

La IA neurosimbólica es un enfoque que combina la capacidad de reconocimiento de patrones y generación de las redes neuronales con representaciones simbólicas y lógicas explícitas. En un modelo de mundo empresarial, las dos capas pueden repartirse el trabajo de la siguiente manera.

Capa neuronal: generación de candidatos y gestión de la incertidumbre

Los LLM o modelos predictivos son adecuados para interpretar documentos no estructurados, predecir la demanda y generar diversos escenarios de ejecución. Por ejemplo, pueden proponer varios candidatos de promoción combinando producto, región, precio, gasto publicitario y comisión del canal.

Sin embargo, aunque los candidatos generados parezcan hechos, pueden infringir las políticas reales de inventario, contratos o aprobación. Las salidas neuronales deben tratarse como candidatos pendientes de validación, no como órdenes de ejecución.

Capa simbólica: validación de reglas definitivas y viabilidad de ejecución

La capa simbólica comprueba condiciones explícitas como las siguientes.

• ¿El margen previsto después del descuento es igual o superior al límite mínimo de la empresa?
• ¿Existe autorización contractual para vender el producto en esa región?
• ¿Queda presupuesto para la campaña?
• ¿El propósito de uso de los datos del cliente está dentro del alcance del consentimiento?
• ¿Es posible restaurar el estado original si la ejecución falla?
• ¿Se ha obtenido la aprobación humana exigida?

El hecho de superar la comprobación de reglas solo implica conformidad con las políticas; no significa automáticamente que exista una determinada probabilidad de obtener resultados empresariales. Para proporcionar cifras como «90% de confianza», se necesita un procedimiento de calibración que ajuste las probabilidades comparando las predicciones anteriores con los resultados reales.

Bucle cerrado de ejecución para la planificación de promociones de SCM

1. Observación del estado

El sistema lee el inventario, el calendario de suministro, el rendimiento de ventas, los precios, los márgenes, el gasto publicitario y las comisiones de los canales. También registra la hora de referencia y la fuente de los datos.

2. Generación de candidatos

El modelo neuronal crea varios candidatos de promoción considerando los ingresos y el margen, la liquidación del inventario, la posibilidad de falta de existencias y otros factores. Si se utiliza una simulación, deben especificarse supuestos como la distribución de la demanda y la elasticidad de los precios.

3. Validación de políticas

La capa simbólica comprueba el límite máximo de descuento, el margen mínimo, las restricciones de inventario, las condiciones contractuales y los permisos de aprobación. Los candidatos que las infringen se descartan o se modifican para ajustarlos al intervalo permitido.

4. Aprobación basada en el riesgo

Pueden automatizarse acciones fáciles de revertir, como redactar textos de recomendación. En cambio, las acciones de gran impacto, como cambiar precios, realizar pedidos masivos o contactar con clientes, requieren aprobación humana. El nivel de aprobación puede establecerse de forma diferente según el importe, el número de clientes objetivo y la reversibilidad.

5. Ejecución y seguimiento

Antes de la ejecución se guardan los ingresos, el margen, los costes y el intervalo de riesgo previstos para la campaña elegida. Después de la ejecución, se comparan con los resultados reales para hacer un seguimiento de los errores y de posibles incumplimientos de las políticas.

6. Interrupción y aprendizaje

Si se detecta que se ha alcanzado el límite de pérdidas, una desviación respecto al intervalo previsto o una anomalía en los datos, el sistema se detiene automáticamente o transfiere el caso a una persona. Las causas del fracaso se clasifican en errores de datos, errores en los supuestos, reglas omitidas, errores del modelo y cambios en el entorno externo, y se incorporan a la siguiente ejecución.

Por qué es difícil completarlo solo con el departamento de TI

Las reglas de trabajo no están todas escritas en los documentos. El personal operativo conoce el tratamiento de las excepciones y las prioridades implícitas; los responsables de políticas y asuntos jurídicos determinan el alcance permitido; y los ingenieros lo implementan como un sistema ejecutable.

Por tanto, como mínimo deben participar conjuntamente los siguientes roles.

• Responsable del dominio: define los objetivos del trabajo, las entidades, los estados y las excepciones
• Responsable de políticas y riesgos: define las condiciones de prohibición, los criterios de aprobación y los requisitos de auditoría
• Responsable de datos e IA: implementa la predicción, la recuperación, la evaluación y la calibración
• Ingeniero de plataforma: implementa la conexión de herramientas, los permisos, los registros, la recuperación y la monitorización
• Responsable de resultados: gestiona la línea de base, los costes, los beneficios y los criterios de interrupción

Con un enfoque en el que el área operativa solo comunica los requisitos y abandona el proyecto, resulta difícil reflejar en el modelo la cambiante realidad del trabajo. Deben definirse claramente los propietarios de las reglas y sus ciclos de actualización.

Cómo medir el ROI de la AX

El rendimiento de la AX debe compararse con la línea de base del trabajo, no con los benchmarks del modelo.

La fórmula básica del ROI puede expresarse de la siguiente manera.

ROI = (beneficio monetario - coste total) ÷ coste total × 100

El coste total debe incluir no solo las tarifas por llamadas al modelo, sino también los costes de preparación de datos, desarrollo de integraciones, personal de revisión, monitorización, respuesta a incidentes y mantenimiento de reglas.

Siempre que sea posible, deben utilizarse lanzamientos por etapas, grupos de control o comparaciones antes y después. El mero hecho de que se hayan aceptado muchas recomendaciones no demuestra su valor; debe comprobarse si los resultados reales después de aceptarlas mejoraron respecto a la línea de base.

Orden de construcción

1. Elegir una única tarea cuyo valor financiero y riesgo estén claramente definidos.
2. Medir la línea de base actual y el coste de los fallos.
3. Definir las entidades, los estados, las acciones, las restricciones y los responsables de aprobación del trabajo.
4. Empezar por funciones auxiliares de solo lectura y acumular datos de evaluación.
5. Conceder permisos de ejecución limitados únicamente para acciones reversibles y de bajo riesgo.
6. Hacer un seguimiento de todas las recomendaciones, validaciones, aprobaciones, ejecuciones y resultados.
7. Calibrar las probabilidades previstas con los resultados reales y actualizar las reglas omitidas.
8. Ampliar el alcance del trabajo y la autonomía solo cuando se cumplan los criterios para no interrumpir el proceso.

Limitaciones y precauciones

El modelo de mundo empresarial tampoco es una solución completa. Si hay demasiadas reglas, aumentan los conflictos y los costes de mantenimiento, y una simulación creada a partir de supuestos erróneos puede producir conclusiones sofisticadas, pero incorrectas. Tampoco es posible especificar de antemano todas las excepciones de una organización real.

Por tanto, el modelo de mundo debe gestionarse no como un producto terminado, sino como un activo estratégico que se corrige durante la operación. Es necesario conservar conjuntamente el historial de cambios, los propietarios de las reglas, el momento de aplicación, los casos de prueba y los resultados reales de ejecución para poder reutilizar el conocimiento operativo de la empresa incluso si se sustituye el modelo.

Conclusión

El activo diferenciador de una empresa no es un LLM concreto, sino el entorno operativo que acumula el estado, las reglas, los permisos y los resultados de ejecución de la empresa. El ajuste fino, RAG y la ingeniería de harness y de bucles pueden ser necesarios, pero, si no existe un modelo de dominio que defina qué puede ejecutarse y por qué, es posible que solo aumente la velocidad de la automatización.

Cuando se combinan la generación flexible de candidatos de la capa neuronal, el control explícito de la capa simbólica, la aprobación humana basada en el riesgo y la calibración mediante resultados reales, los agentes de IA pueden dejar de ser PoC de demostración y convertirse en sistemas empresariales medibles y sustituibles.