La conversación con multitud de clientes alrededor de la Inteligencia Artificial Generativa suele centrarse en modelos, copilots, agentes, RAG, vectore, embedding o más recientemente en capas semánticas. SIn embargo, existe una realidad que muchas organizaciones están descubriendo de forma tardía: un agente inteligente solo puede ser tan fiable como los datos sobre los que fundamente sus decisiones.
Recientemente he podido revisar una publicación de Malcolm Hawker, Chief Data Officer de Profisee, titulado «Connectig the Dots: Using Master Data as the Truth Layer for Enterprise Generative AI«, que aporta una reflexión especialmente relevante para cualquier organización que esté desplegando soluciones basadas en GenAI.
El gran problema no es generar respuestas, es generar respuestas confiables
Según el documento, el principal desafío ya no consiste en construir un chatbot, una agente analítico o una solución de IA generativa. La tecnología que lo permite está ya ampliamente disponible. El verdadero reto es otro:
¿Puede el negocio confiar en las respuesta para tomar decisiones o ejecutar acciones?
Malcolm Hawker argumenta que la confianza en la IA empresarial se construye sobre dos pilares complementarios:
- Meaning (Significado): comprensión del contexto, definiciones de negocio y relaciones semánticas.
- Truth (Verdad): datos correctos, consistentes, gobernados y actualizados sobre las entidades de negocio.
Y aquí aparece la idea fundamental:
Una capa semántica ayuda a la IA a entender qué significa un cliente. El Master Data le permite saber cuál es realmente ese cliente
Meaning + Truth = Trusted GenAI
Uno de los diagramas más ineteresantes del documento muestra cómo la confianza surge de la intersección entre significado y verdad:
La capa semántica aporta:
- Definiciones de negocio
- Contexto organizativo
- Relaciones
- Taxonomías y terminología común
La capa de Master Data aporta:
- Golden Records
- Calidad de datos
- Linaje
- Freshness
- Stewardship
- Resolución de duplicados
Solo cuando ambas dimensiones trabajan conjuntamente obtenemos respuestas verdaderamente accionables.
Anthropic llegó a la misma conclusión
Uno de los ejemplos más interesantes que se cita en el documento es la experiencia de Anthropic al automatizar procesos analíticos mediante agentes de IA.
El hallazgo fue sorprendente:
El problema no era generar sentencias SQL ni consultar el Data Warehouse
El problema era determinar:
- Qué cliente era realmente un cliente
- Qué definición de usuario debía utilizarse
- Qué dataset debía considerarse la fuente oficial
La solución consistió en:
- Crear datasets canónicos
- Definir Stewardship
- Eliminar duplicidades
- Incorporar linaje
- Implementar controles de calidad y frescura del dato
En otras palabras:
Redescubrieron los principios fundamentales de Master Data Management y Data Governance, aunque no los llamaran así.
Más contexto no siempre significa mejores respuestas
Otro de los mensajes más potentes del informe desmonta una creencia muy extendida:
Si una IA se equivoca, simplemente hay que darle más contexto.
Según los experimentos a los que se refiere Anthropic, incrementar el volumen de contexto proporcionó mejoras marginales. Es decir, el problema no era la ausencia de información. Era la ausencia de una entidad confiable sobre la que anclar la respuesta.
Dicho de otra forma:
- Los LLM son excelentes encontrando patrones
- No son excelentes determinando qué es verdadero
Por eso, la verdad debe venir de un sistema externo gobernado.
Un modelo práctico: Crawl, Walk, Run
Otro aspecto diferencial del documento es el modelo evolutivo que propone:
Crawl: Establecer entidades confiables y Golden Records para un caso de negocio concreto.
Walk: Añadir significado mediante una capa semántica, definiciones, jerarquías y linaje.
Run: Resolver la verdad en tiempo real según contexto, permisos, políticas y situación operativa.
El mensaje es especialmente valioso:
No hay que intentar gobernarlo todo desde el primer día. Se debe comenzar con un único caso de negocio de alto valor y construir la confianza de manera incremental.
Conclusión
Durante los últimos años hemos hablado incesantemente sobre prompts, RAG, embeddings, agentes y copilots. Sin embargo, como destaca Malcolm Hawker, existe una pieza fundamental que muchos proyectos siguen infravalorando:
La verdad
La IA necesita contexto para entender el negocio, pero necesita soluciones de Master Data para por saber qué es real. En mi opinión, este enfoque refuerza la idea que llevo tiempo defendiendo en programas de Data Governance y plataformas modernas de datos:
«El futuro de la IA empresarial no será ganado por quienes tengan el modelo más sofisticado, sino por quienes sean capaces de proporcionar la capa de datos más confiable«
Microsoft Fabric, Snowflake, Databricks o cualquier plataforma pueden convertirse en excelentes motores para la IA empresarial. Pero, sin una estrategia sólida que cubra los 11 pilares de DAMA y en este caso más concretamente Master Data Management, Data Quality y Data Governance, seguiremos obteniendo respuestas muy convincentes… que podrían no ser correctas.
Referencias
Malcolm Hawker, Connecting the Dots: Using Master Data as the Truth Layer for Enterprise Generative AI. Profisee.
Anthropic Analytics Case Study (referenciado dentro del documento).
Foto de portada gracias a Magda Ehlers: https://www.pexels.com/es-es/foto/arte-modelo-estampado-textura-4116661/
Alb3rto Alonso 