El 26 de junio se celebró en Cantón un seminario a puerta cerrada sobre agentes empresariales, dedicado al «pensamiento ontológico y la práctica aplicada». Asistieron más de una decena de responsables de empresas de finanzas, energía, manufactura, distribución y servicios públicos, junto con decisores encargados de la transformación inteligente. La sesión estuvo dirigida por Jackson Chen, vicepresidente de AHS, en torno a una proposición central —que la IA comprenda la empresa y que la inteligencia participe en su gestión—, guiando a los asistentes desde las aguas someras de la adopción tecnológica hacia una comprensión sistemática de la esencia del negocio y de la lógica de funcionamiento de la ontología.
Idea central: la línea divisoria de la IA empresarial no está en la potencia del modelo ni en el volumen de cómputo, sino en si una empresa es capaz de explicitar las cadenas de razonamiento implícitas —esos «porque… por tanto…» enterrados en la operación— en forma de una ontología ejecutable, auditable y capaz de evolucionar.
1. Contexto: del atolladero de la gobernanza del dato a la pregunta por la cadena lógica del negocio
El temario apuntó de lleno al cuello de botella actual de la IA empresarial: tras años de proyectos de gobernanza del dato y una inversión considerable, ¿por qué a la IA le sigue costando entender de verdad el negocio y decidir conforme a su lógica?
En la operación diaria, muchísimos juicios críticos descansan en una lógica implícita del tipo «porque X, por tanto Y»: ¿por qué se denegó el crédito a este cliente?, ¿por qué esta orden pasó por una aprobación especial? Detrás de cada una de esas decisiones existe una cadena lógica de negocio perfectamente nítida. Sin embargo, esas cadenas suelen sobrevivir solo como experiencia, costumbre o documentos dispersos dentro de la organización. Se resisten a una expresión sistemática y acaban convertidas en «conocimiento oscuro» al que la IA no llega.
Así queda claro el nudo del problema: lo que le falta a la empresa quizá no sean datos, sino la capacidad interna de expresar de forma estructurada las relaciones entre los datos y las reglas del negocio, es decir, esa cadena lógica implícita que recorre de principio a fin los procesos.
El foco de este encuentro a puerta cerrada fue precisamente cómo llevar esa «cadena» de lo implícito a lo explícito: de una experiencia difusa a un activo de negocio estructurado, calculable y expresable, capaz de sostener a los agentes empresariales para que comprendan el negocio y participen en las decisiones.
2. La ponencia: la ontología, o la evolución técnica de los silos de datos a las redes semánticas
Chen abrió la sesión con una analogía: «Si comparamos la empresa con un organismo vivo, los datos son la sangre y la capacidad de cómputo, el músculo; la ontología es el cerebro y el sistema nervioso: define cómo la empresa se conoce a sí misma y cómo interactúa con su entorno».
A continuación mostró una demostración de cómo extraer, desde sistemas internos heterogéneos —ERP, CRM, OA—, objetos de negocio centrales como «cliente», «pedido» o «contrato», y construir entre ellos una red de relaciones semánticas.
«Si los proyectos de lagos de datos y plataformas de datos no trajeron el ROI esperado en la transformación inteligente —señaló Chen—, la razón de fondo es que los datos están hechos para que los lea una persona: les falta una capa semántica que la IA pueda entender. Lo que la IA ve es un montón de números y cadenas de caracteres aislados y sin sentido». Y trazó la evolución técnica de la IA empresarial: del RAG (generación aumentada por recuperación), dependiente de conocimiento externo, al GraphRAG, que incorpora las relaciones del grafo de conocimiento interno, y finalmente al OAG (generación aumentada por ontología), centrado en la lógica de negocio propia de la empresa.
La ontología es el foso propio de la empresa. No depende de la capacidad de un gran modelo externo: hace explícito el saber hacer implícito, transmitido de boca en boca dentro de la casa, y lo convierte en un activo estructurado que se puede heredar, optimizar y ejecutar.
La ontología no solo describe lo que el negocio «es»: puede impulsar lo que el sistema «hace».
Citó el caso de Qiaoyin, la primera empresa de servicios urbanos cotizada en el mercado A de China. Mediante el sistema inteligente Agentrix construyó una ontología de negocio que explicita la lógica de funcionamiento de una compleja asignación en tiempo real, la coordinación de procesos, la intervención anticipada del riesgo y la alerta temprana de anomalías. Sobre esa ontología de negocio y un modelo de comportamiento del mundo logró una optimización dinámica de las decisiones: mejoras notables de eficiencia operativa, reducción de costes y un tiempo de respuesta en la asignación que pasó de horas a minutos.
A juicio de Chen, la transformación empresarial atraviesa etapas sucesivas: de la informatización (construcción de sistemas de TI) a la digitalización (procesos guiados por datos) y, finalmente, hacia la «IA-ización» (agentes que participan en la gestión); y la ontología es justamente la infraestructura clave que sostiene esta última etapa.
3. Preguntas desde la sala
El último bloque se dedicó al intercambio con las empresas asistentes. Su comprensión de la ontología ya no flotaba en el plano conceptual: las preguntas se adentraron en el tejido de la implantación técnica y del retorno económico.
1. Unificación semántica: cuando distintos sistemas internos nombran de forma distinta una misma realidad, ¿cómo la entiende correctamente la IA y completa la validación?
Pregunta desde la sala: «Nuestro ERP lleva muchos años en funcionamiento y numerosos campos de tabla no tienen ningún diccionario de datos unificado. Tomemos “existencias”: desde finanzas, desde producción o desde almacén significa cosas distintas. Sin diccionario, ¿cómo va a saber la IA el significado real de negocio de cada campo mirando solo nombres de tablas y de columnas?»
Qi Xiaoxi, experta de producto de AHS: «Trabajamos por capas. Primero, Agentrix aprovecha con prioridad el diccionario de datos que ya exista en la empresa como fuente autorizada. Si no lo hay, un gran modelo infiere la semántica probable de cada campo a partir de la estructura de las tablas, los patrones de nomenclatura, las relaciones entre tablas y el contexto de negocio, y genera anotaciones. Después, los expertos de negocio revisan y corrigen esas inferencias, cerrando un ciclo de anotación semántica con colaboración persona-máquina. Es un mecanismo de doble seguridad».
Pregunta desde la sala: «En el ERP y en el CRM, los campos y las denominaciones que definen al “cliente” son distintos. Tras la depuración, ¿cómo se determina que son el mismo objeto?»
Qi Xiaoxi, experta de producto de AHS: «Con reglas de unificación semántica y un mecanismo de agrupación de fuentes. El sistema descubre automáticamente la correspondencia entre nomenclaturas distintas —client_code y customer_id, por ejemplo— y la valida mediante análisis de linaje de datos. En esencia, Agentrix está construyendo una capa cognitiva unificada de objetos de negocio, situada por encima de la nomenclatura de cualquier sistema concreto».
2. Motor de reglas: cuando surge una excepción que la normativa interna no contemplaba, ¿cómo la identifica la IA y mejora las reglas existentes?
Pregunta desde la sala: «Tenemos muchos contratos de arrendamiento de locales en los que el cálculo de la renta está redactado en prosa. ¿Hay que introducir las reglas a mano, una a una, o el sistema puede leer el texto del contrato y extraer automáticamente reglas de cálculo estructuradas? Una cláusula como “tratamiento de importes superiores a cinco millones”, ¿puede convertirse en una regla estructurada ejecutable por la IA?»
Qi Xiaoxi, experta de producto de AHS: «Nuestro sistema puede analizar documentos no estructurados —Word, PDF, escaneos, Excel— y extraer automáticamente reglas de negocio estructuradas. De un contrato de arrendamiento, por ejemplo, identifica la lógica de “renta fija más porcentaje sobre la facturación”. También admite la definición y el mantenimiento manuales. Además, puede detectar patrones implícitos en el histórico de operaciones: si cierto tipo de solicitud de gasto excede siempre el presupuesto y aun así siempre se aprueba, el sistema aprende esa “regla tácita” y propone explicitarla».
Pregunta desde la sala: «La normativa interna no puede enumerar todos los imprevistos. Los viajes tienen una tarifa estándar, pero la urgencia de un proyecto puede dejar solo un billete a precio completo. ¿Cómo responden las reglas a este tipo de excepción?»
Guo Lin, director de tecnología de AHS: «El motor de reglas de nuestro DataOS emplea un mecanismo de razonamiento híbrido en tres capas. Primera: las reglas de restricción OWL tratan por inferencia lógica los requisitos normativos deterministas y explícitos. Segunda: los algoritmos de aprendizaje automático identifican en el histórico de aprobaciones las “reglas tácitas” —esos patrones nunca escritos pero sistemáticamente aprobados en la práctica— y proponen formalizarlas. Tercera: el gran modelo aporta adaptación flexible a las excepciones que la normativa no puede enumerar, como una solicitud de gastos de viaje por encima del estándar surgida de un proyecto urgente».
Jackson Chen, vicepresidente de AHS: «Una capacidad clave de la ontología es la autoevolución. A partir del histórico de operaciones, el sistema aprende de forma continua y puede proponer nuevas reglas o mejorar las existentes, de modo que el cuerpo normativo de la empresa evolucione dinámicamente al ritmo del negocio».
3. Razonamiento decisorio: en los procesos críticos del negocio, ¿cómo lograr que el razonamiento de la IA sea tan riguroso y legible como una demostración matemática?
Pregunta desde la sala: «Nuestro comité de licitación tiene siete miembros y nos preocupa constantemente que, si el juicio de la mayoría se ve perturbado, baje la fiabilidad del resultado. ¿Puede la IA tomar la decisión final? Y de ahí la duda siguiente: ¿cómo asegurarnos de que su juicio no es una “suposición al aire”?»
Qi Xiaoxi, experta de producto de AHS: «La IA puede asumir tareas de evaluación y auditoría, pero momentos críticos como la negociación comercial siguen requiriendo a las personas. El valor esencial de la asistencia de la IA no está en dar una respuesta de caja negra, sino en aportar una cadena de evidencias completa y trazable. En la evaluación de un proveedor, por ejemplo, el sistema no solo señala que un precio puede estar inflado: indica si se basa en la comparación con contratos anteriores, en la desviación respecto a los referentes del sector o en qué comprobaciones de reglas se activaron. Cada paso del juicio se apoya en datos o reglas y es trazable de principio a fin. Mientras una persona pueda definir con claridad “por esto, por tanto este juicio”, la IA puede aprender esa cadena decisoria y reutilizarla».
Jackson Chen, vicepresidente de AHS: «En el fondo es la diferencia entre determinismo lógico y ajuste probabilístico. Un gran modelo funciona con probabilidades: acierta hoy y falla mañana. El razonamiento ontológico, en cambio, calcula sobre reglas lógicas definidas y datos; si las reglas y los datos son correctos, el resultado es determinista y repetible. La ontología permite que el proceso de pensamiento de la IA sea tan claro como una demostración matemática».
Pregunta desde la sala: «Quisiera entrenar a la IA con los contratos de proveedores de los últimos diez años, de modo que al recibir la oferta de un proveedor nuevo señale automáticamente qué precios están inflados. ¿Es viable?»
Guo Lin, director de tecnología de AHS: «Analizar precios con el histórico del propio dominio es sencillo. Pero un precio contractual no se lee solo con datos internos: también influyen el entorno de mercado y los ciclos económicos, así que el análisis multifuente resulta clave. Si el responsable de compras puede explicitar el fundamento de su decisión —“como el precio del acero ha subido un 15 % últimamente, acepto esta oferta”—, la IA retiene esa lógica causal y la aplica automáticamente ante condiciones de mercado similares. El núcleo del asunto sigue siendo si la cadena de evidencias está completa».
Pregunta desde la sala: «En agua y energía hay muchas reglas de negocio complejas, como la dosificación de oxígeno del tanque de aireación en el tratamiento de aguas residuales. ¿Hace falta entrenar modelos predictivos específicos?»
Guo Lin, director de tecnología de AHS: «Hay que distinguir escenarios. Una comparación sencilla de ofertas o una verificación de cumplimiento se reduce a una cadena de evidencias explícita: la persona juzga una vez y la IA ejecuta después. En cambio, el control de procesos complejos en producción, con modelos de experiencia experta y datos de sensores en tiempo real, sí exige entrenar modelos predictivos dedicados. Nuestro sistema ontológico puede encapsular e invocar esos modelos especializados, cerrando el ciclo completo desde la regla de negocio hasta la estrategia de control».
4. Arquitectura PaaS: sin depender de los grandes modelos, el razonamiento de Agentrix sobre la ontología es una ejecución lógica determinista
Pregunta desde la sala: «Los grandes modelos difieren en capacidad general. Si invertimos mucho esfuerzo en construir una ontología excelente pero el “cerebro” que conectamos no es lo bastante inteligente, ¿qué hacemos?»
Guo Lin, director de tecnología de AHS: «Adoptamos una arquitectura PaaS agnóstica al modelo. La lógica de decisión estratégica del sistema recae por completo en la capa ontológica, que define “en qué condiciones se ejecuta qué acción”; el gran modelo actúa sobre todo como interfaz eficiente de lenguaje natural y ejecutor de tareas. Por eso el sistema funciona de forma estable incluso con un modelo de menor tamaño. Más importante aún: la empresa que depende por completo de la capacidad de un modelo externo no ha construido foso alguno. La competitividad real e irreplicable está en sus propios datos de negocio, en unas reglas afinadas con el uso y en la red de causalidades arraigada en el saber hacer del sector. Estructurados a través de la ontología, esos elementos son la verdadera barrera de la inteligencia empresarial».
Riesgos de una vía muy dependiente de los grandes modelos: la capacidad del modelo se convierte en techo y los resultados quedan limitados por sus aptitudes generales; no hay barrera propia, pues los competidores pueden usar el mismo modelo, con una homogeneización severa; el coste y el riesgo son difíciles de controlar, ya que el gasto en llamadas a la API fluctúa con la tarificación y persiste el riesgo de cadena de suministro; y la lógica de negocio se vuelve una caja negra, lo que dificulta auditar y explicar las decisiones complejas.
Ventajas de la vía impulsada por la ontología y agnóstica al modelo: la lógica de negocio gana autonomía, con las reglas de juicio esenciales sostenidas por la ontología propia y un alto grado de determinismo; se construye un foso exclusivo, porque la competitividad nace de un grafo de conocimiento de negocio único y difícil de replicar; el coste y la arquitectura se mantienen flexibles, al poder elegir el modelo con mejor relación calidad-precio sin quedar atado a un proveedor; y el proceso es transparente y auditable, pues el razonamiento se apoya en reglas explícitas y cadenas de evidencias trazables de extremo a extremo.
Pregunta desde la sala: «Durante la implantación, ¿cómo se garantiza la precisión del sistema inteligente? ¿Puede “alucinar” como los grandes modelos? Y si cambian las reglas de negocio, ¿hay que rehacer todo el sistema?»
Guo Lin, director de tecnología de AHS: «El razonamiento basado en ontología es una ejecución lógica determinista, esencialmente distinta de la generación probabilística de un gran modelo. Se comporta como un programa escrito: si las entradas y las reglas son correctas, la salida lo será necesariamente. Si un resultado es erróneo, siempre puede rastrearse hasta un fallo en un paso lógico concreto —una regla mal definida, un mapeo de datos incorrecto— y corregirse. Nada que ver con la alucinación, tan difícil de erradicar en los grandes modelos. Cuando cambian las reglas de negocio, basta con que un experto de negocio modifique o añada las definiciones correspondientes en la capa ontológica; no hay que reentrenar un modelo complejo de aprendizaje automático, con lo que el coste y la complejidad de mantenimiento se reducen enormemente».
Pregunta desde la sala: «¿Puede el personal de negocio participar directamente en la construcción de la ontología? Por ejemplo, consultar datos y registrarlos acto seguido como un nuevo indicador o una nueva ontología, para abaratar y ganar velocidad».
Guo Lin, director de tecnología de AHS: «Esa es justamente la dirección de los sistemas de agentes empresariales: la autoiteración. Pero una aplicación de nivel empresarial debe equilibrar flexibilidad y rigor. Defendemos sedimentar el conocimiento en una base de datos, en particular una base de grafos, en vez de meterlo todo en el contexto del modelo. El cambio decisivo es pasar de “volcar toda la experiencia de golpe” a “descubrir las relaciones de forma progresiva y recuperarlas bajo demanda”. Las operaciones frecuentes y de alto valor se consolidan como habilidades (Skills) reutilizables. Hoy su encapsulado aún requiere intervención técnica, pero el objetivo es que el personal de negocio pueda generar y afinar esos módulos de lógica de negocio con una simple descripción en lenguaje natural».
5. Modelo de colaboración: no se trata de entregar una herramienta; con «primero la ontología, después la gobernanza», cada paso queda anclado al valor de negocio
Pregunta desde la sala: «Si implantamos su sistema de IA empresarial, ¿cuál es en concreto el modelo de colaboración? ¿Venta de licencias, suscripción u otra fórmula?»
Guo Lin, director de tecnología de AHS: «Preferimos una colaboración profunda en forma de empresa conjunta: invertir junto al cliente, compartir el riesgo y compartir los resultados, en lugar de vender software estandarizado. Construir una ontología exige comprender el negocio a fondo; nunca se resuelve entregando una herramienta. Nos inspiramos en el concepto del ingeniero desplegado en primera línea (FDE) que practican las empresas de Silicon Valley: destinamos expertos sobre el terreno durante periodos largos, trabajando codo con codo con los equipos de negocio. El compromiso pertenece al ámbito de la transformación digital estratégica. Aconsejamos empezar con un piloto en un escenario concreto y, una vez visibles los resultados, extenderlo gradualmente a los procesos centrales. Esta senda de “primero la ontología, después la gobernanza” asegura que cada inversión apunte directamente al valor de negocio y rompe el círculo vicioso de los proyectos de datos tradicionales, que se estancan nada más entregarse».
El próximo seminario a puerta cerrada sobre ontología empresarial está en preparación. Contacte con AHS para obtener una solución de agentes empresariales a medida o para reservar plaza en la próxima sesión.
