Un grupo de investigadores vinculados a Stanford probó algo simple: dar a los modelos de IA exactamente la misma pregunta, variando solo dónde estaba ubicada la información correcta dentro del material de referencia entregado. El resultado, publicado en 2023 y todavía citado como referencia en el tema, fue directo. El acierto era alto cuando la información relevante aparecía al principio o al final del material, y caía de forma marcada cuando estaba en el medio, incluso en modelos diseñados específicamente para manejar textos largos.
No había nada mal con el modelo en ninguno de los dos casos. Lo que cambiaba era solo la posición y la calidad del material que recibía para responder. Es la misma lógica que cualquier gerente ya vivió al pedirle una respuesta a un analista: con el material correcto, la respuesta sale correcta. Con un material desactualizado, ambiguo o incompleto, ese mismo analista competente entrega una respuesta equivocada, solo que segura y bien redactada.
Para quien evalúa ampliar el uso de IA en la empresa, ese hallazgo invierte la primera pregunta que la mayoría hace. No es "cuál es el mejor modelo de IA para mi empresa". Es: ¿qué va a buscar realmente esta herramienta para responder, y alguien garantiza que eso es la versión correcta?
La respuesta perfecta, basada en el documento equivocado
El problema se ve más claro con un ejemplo común. Alguien del área financiera le pregunta a un asistente de IA corporativo cuál es la política de reembolso de viajes de la empresa. La IA encuentra dos archivos parecidos en la red: uno enviado por correo hace dos años, y la versión realmente vigente, aprobada hace tres meses y guardada en una carpeta distinta. Si la búsqueda trae el archivo equivocado, la respuesta sale fluida, bien formateada y con tono de autoridad, y completamente desactualizada.
Nadie en esa cadena cometió un error visible. El modelo de IA procesó con competencia el texto que recibió. El problema ocurrió un paso antes: en el momento en que el sistema decidió qué documento buscar entre los dos. Y ese es exactamente el punto que mide el estudio de Stanford: cuando el material de referencia es malo, ambiguo o está mal ubicado, ninguna inteligencia adicional del modelo lo compensa.
Este tipo de falla es más peligroso que un error evidente, precisamente porque no parece un error. Una respuesta visiblemente rara hace que la persona desconfíe y la verifique. Una respuesta bien escrita, coherente y con tono de certeza, pero apoyada en el documento equivocado, pasa directo, porque todo en ella parece confiable, excepto el hecho de estar mal.
Cambiar de modelo no resuelve el problema
La reacción más común, cuando una respuesta de IA sale mal, es pensar que faltó un modelo más avanzado. Es un razonamiento comprensible, pero que el propio estudio de Stanford ya había descartado: los investigadores probaron varios modelos, incluidos los más avanzados disponibles en ese momento, y todos mostraron la misma caída cuando la información relevante estaba mal ubicada en el material de referencia. Cambiar de modelo ataca la parte equivocada del problema.
La raíz suele estar en otro lugar, y los números confirman la magnitud del problema. La consultora Gartner estima que la mala calidad de los datos cuesta, en promedio, US$ 12,9 millones al año a cada organización: un costo que existía antes de que la IA llegara a las empresas y que la IA simplemente vuelve más visible, porque ahora alguien le pregunta a ese archivo en lenguaje natural y espera una respuesta confiable al instante. La propia Gartner prevé que, para 2026, 60% de los proyectos de IA que no cuenten con una base de datos y documentos preparada serán simplemente abandonados.
Hay además una característica del archivo corporativo que agrava todo: según un relevamiento de MIT Sloan, entre 80% y 90% de la información de una empresa típica es no estructurada (documentos de texto, correos, presentaciones, actas), y solo el 18% de las organizaciones encuestadas en un estudio de referencia de Deloitte lograba aprovechar bien ese tipo de contenido. Ese es exactamente el tipo de material disperso y sin estándar que cualquier asistente de IA corporativo necesita consultar para responder algo específico de la empresa.
El patrón que surge de las cuatro cifras es el mismo: el modelo de IA casi nunca es el cuello de botella. El cuello de botella es saber, con confianza, qué documento es el vigente, quién es su dueño y dónde debería estar.
Lo que tiene que existir en la práctica
Un entorno de conocimiento corporativo listo para IA se apoya en mecanismos concretos y verificables, no en "usar un modelo mejor".
Documento con dueño definido. Cada política, manual o procedimiento importante necesita una persona o área responsable de mantenerlo actualizado. Sin dueño, nadie nota cuándo el contenido envejece.
Versión vigente clara, no una pila de archivos parecidos. El sistema que consulta la IA necesita poder distinguir la versión oficial actual de borradores antiguos, copias y adjuntos de correo, en lugar de tratar todo como igualmente válido.
Alcance por área. No todo documento debería estar disponible para cualquier pregunta. Una política interna del área legal no debería aparecer en una respuesta para el equipo comercial si no es relevante y está autorizada para ese contexto.
Revisión y aprobación en dos etapas para documentos críticos. Antes de que un material se convierta en fuente oficial para que la IA responda, alguien distinto de quien lo escribió lo revisa y lo aprueba, con esa etapa configurable y registrada, aplicada no a cada respuesta trivial sino a lo que es realmente sensible.
Respuestas que pueden indicar de dónde vienen. Cuando una respuesta se basa en el conocimiento interno de la empresa, lo ideal es que pueda señalar la fuente utilizada, permitiendo que la persona revise el documento original antes de actuar sobre la respuesta.
Así fue diseñada la Skyller: el conocimiento de la empresa entra con fuentes, dueño y alcance definidos, y los documentos críticos pueden pasar por revisión y aprobación en dos etapas antes de convertirse en referencia para las respuestas.
De la duda individual al archivo confiable
Cuando el archivo de conocimiento es confuso, cada persona desarrolla su propia manera de lidiar con eso. Alguien aprende, con el tiempo, que la carpeta X tiene los archivos confiables y la carpeta Y siempre está desactualizada. Otra persona llama a un colega más antiguo antes de confiar en cualquier resultado de búsqueda. Ese conocimiento sobre dónde confiar nunca queda documentado: solo vive en la cabeza de quien ya se quemó antes con el documento equivocado.
Un archivo corporativo organizado para IA elimina esa carga individual. La persona ya no necesita saber, de memoria, en qué carpeta confiar: el sistema ya resolvió esa pregunta antes de responder, porque solo considera una fuente vigente, con dueño y dentro del alcance autorizado. La ganancia no es solo de velocidad: es de consistencia. Dos personas distintas, preguntando lo mismo en días diferentes, reciben la misma respuesta correcta, en lugar de dos respuestas que dependen de qué archivo encontró primero cada una.
Eso también cambia el efecto colateral más caro de todos: la decisión equivocada tomada con confianza. Una respuesta de IA fluida, pero basada en material desactualizado, tiende a aceptarse sin revisión, justamente porque parece buena. Reducir ese riesgo en el origen, cuidando el archivo en lugar de confiar solo en el modelo, sale más barato que corregir la decisión después de tomada.
Una hoja de ruta para empezar
Antes de ampliar el uso de IA sobre el conocimiento interno de la empresa, conviene revisar esta hoja de ruta con quien administra documentos y procesos:
- Enumera los cinco documentos más consultados de la empresa y pregunta quién es el dueño de cada uno. Si la respuesta demora o varía de persona a persona, esa ya es una señal de que la IA va a heredar la misma confusión.
- Verifica si existen versiones duplicadas o desactualizadas circulando junto a la versión oficial. Correos antiguos, copias en carpetas personales y adjuntos de reuniones son las fuentes más comunes de respuestas equivocadas con apariencia de certeza.
- Define, por área, qué puede y qué no puede usarse como fuente de respuesta. No todo el contenido interno debería estar disponible para cualquier pregunta, aunque la intención de quien pregunta sea buena.
- Elige los documentos críticos que exigen revisión en dos etapas antes de alimentar respuestas de IA. No hace falta aplicar esa etapa a todo, solo a lo que causa un daño real si resulta estar equivocado.
