La base faltante de la IA empresarial: por qué la gobernanza del contenido puede importar más que el próximo avance en IA

      TL;DRRob Hanna de Precision Content dice que la IA empresarial no rinde lo suficiente porque las organizaciones tratan el lenguaje como datos estructurados. El verdadero cuello de botella es la documentación no gobernada, y los equipos de publicaciones técnicas ya tienen las habilidades para solucionarlo.

      Rob Hanna observa que muchas iniciativas de IA empresarial pueden estar perdiendo impulso porque las organizaciones continúan tratando el lenguaje como datos estructurados mientras pasan por alto los sistemas que hacen que el conocimiento sea confiable. El cofundador y CEO de Precision Content, una consultoría de comunicaciones técnicas, dice: “Los equipos de publicaciones técnicas de larga data ya poseen muchas de las capacidades necesarias para establecer una cadena de suministro de contenido escalable que apoye la IA, aunque esos equipos no siempre están incluidos en las discusiones estratégicas sobre IA.”

      Las conversaciones sobre IA empresarial a menudo se centran en modelos cada vez más sofisticados, infraestructura en expansión y nuevas capacidades de plataforma. Hanna observa un patrón diferente que emerge dentro de las organizaciones. “He visto copilotos de IA producir respuestas inconsistentes, programas de búsqueda empresarial luchar por cumplir con las expectativas y asistentes de servicio al cliente ofrecer experiencias que dejan a los usuarios deseando mayor confianza en la información que reciben”, comparte. Desde su perspectiva, estos resultados invitan a una discusión más amplia sobre la calidad del conocimiento que apoya la IA en lugar de centrarse exclusivamente en la tecnología en sí.

      Esa perspectiva se puede ver junto a un ciclo tecnológico anterior. Durante el auge de los chatbots que Hanna presenció entre 2016 y 2018, las expectativas se expandieron rápidamente. En 2018, se proyectó que el 25% de las operaciones de servicio al cliente integrarían asistentes virtuales para 2020, reflejando una confianza generalizada en las tecnologías conversacionales.

      “La tecnología en sí mostró una considerable promesa, pero muchas organizaciones descubrieron que la documentación existente no podía apoyar de manera consistente interacciones significativas con los clientes”, afirma Hanna. Cree que el panorama actual de la IA empresarial refleja muchas de esas lecciones anteriores porque el entorno de conocimiento subyacente a menudo ha cambiado mucho más lentamente que la tecnología diseñada para utilizarlo.

      Varios estudios refuerzan este patrón más amplio. Un documento de 2019 señaló que, aunque se desarrollaron cientos de miles de chatbots enfocados en tareas, las implementaciones exitosas más allá de escenarios relativamente simples resultaron ser considerablemente más desafiantes de lo que muchos anticiparon. Un estudio de 2021 que examinó 103 chatbots del mundo real también identificó el conocimiento desactualizado, incompleto y mal mantenido como contribuyentes recurrentes a las dificultades de implementación.

      Según Hanna, estos hallazgos sugieren que las tecnologías conversacionales a menudo dependen tanto de material de fuente confiable como de avances en software. Cree que esta historia también destaca una distinción importante entre simplemente poseer documentación y poseer conocimiento utilizable.

      Hanna señala que muchas organizaciones mantienen extensas colecciones de manuales, políticas, bases de conocimiento, materiales de capacitación y recursos de soporte. Sin embargo, esos activos pueden existir en sistemas desconectados, seguir estándares inconsistentes o contener versiones superpuestas de la misma información. Por lo tanto, los sistemas de IA que se alimentan de esos entornos pueden heredar la incertidumbre que ya existía dentro del ecosistema de contenido de la organización. “Las alucinaciones rara vez comienzan dentro del modelo”, explica Hanna. “A menudo comienzan mucho antes, cuando nadie ha establecido qué información representa la fuente de verdad confiable.”

      Un ejemplo de la era anterior de los chatbots ilustra este principio. Hanna señala una marca de alimentos cuyo asistente virtual estacional tuvo éxito al centrarse en un tema definido de manera estrecha respaldado por décadas de experiencia cuidadosamente mantenida. En lugar de intentar responder a cada pregunta concebible, la experiencia se centró en la orientación autorizada para una necesidad específica del cliente. Hanna reflexiona: “Es notablemente irónico que el chatbot de Butterball todavía se considere el estándar de oro para la IA conversacional exitosa, cuando tantas organizaciones más grandes han invertido y no han tenido éxito. Esto demuestra cómo el éxito comienza con un conocimiento cuidadosamente gobernado que refleja una verdadera experiencia dentro de un dominio claramente definido.”

      Esto lleva a Hanna a otra preocupación que argumenta merece mayor atención ejecutiva. Las iniciativas de IA frecuentemente se originan dentro de organizaciones de TI o equipos de ciencia de datos cuya experiencia enfatiza conjuntos de datos estructurados, análisis y modelos computacionales. Si bien esas capacidades siguen siendo esenciales, sugiere que a veces alientan a las organizaciones a tratar el conocimiento escrito como otro ejercicio de gestión de datos. Hanna establece una distinción entre los dos.

      “Los datos se organizan típicamente en campos estructurados para la computación, mientras que el contenido consiste en lenguaje, documentación, procedimientos, políticas e instrucciones diseñadas para comunicar significado”, explica. Dado que los modelos de lenguaje grandes aprenden patrones del lenguaje escrito, enfatiza que funcionan de manera efectiva cuando las organizaciones preparan contenido de maneras que reflejan cómo se crea, gobierna y mantiene el lenguaje.

      Precision Content ha construido su trabajo en torno a esa filosofía ayudando a las organizaciones a convertir la documentación fragmentada en contenido estructurado y reutilizable que sirva tanto a las personas como a los sistemas de IA. A través de la autoría estructurada, metadatos, componentes de contenido reutilizables, marcos de gobernanza y estrategias de gestión de contenido por componentes, la empresa tiene como objetivo ayudar a las empresas a establecer una cadena de suministro de contenido confiable capaz de apoyar iniciativas de IA en evolución.

      Hanna ve esto como una oportunidad para elevar las operaciones de contenido de una función de publicación a un elemento importante de la infraestructura de conocimiento empresarial. “El contenido merece la misma disciplina que las organizaciones ya aplican al desarrollo de software y la gestión de datos”, dice. “El conocimiento debe ser mantenido como infraestructura, para que la IA pueda obtener una base mucho más sólida.”

      Para Hanna, esta conversación también apunta hacia un recurso que muchas organizaciones ya poseen. Los equipos de publicaciones técnicas gestionan rutinariamente el control de versiones, la autoría estructurada, la taxonomía, los metadatos, los componentes reutilizables, los flujos de trabajo de revisión y la gestión del ciclo de vida del contenido. Esas capacidades, señala, se alinean con lo que la IA empresarial requiere cada vez más para recuperar información confiable a gran escala. En lugar de buscar exclusivamente tecnología adicional, Hanna enfatiza que las organizaciones podrían comenzar reconociendo la experiencia ya disponible dentro de sus propios equipos de documentación.

      En última instancia, Hanna anima a los equipos de liderazgo a ampliar las preguntas que guían sus estrategias a medida que la IA empresarial continúa madurando. Dice: “Deberíamos preguntar: ¿Qué contenido es autoritativo? ¿Quién posee el conocimiento empresarial? ¿Dónde reside la verdad organizacional? ¿Puede la documentación ser interpretada de manera consistente tanto por personas como por IA? ¿Y están las publicaciones técnicas participando en conversaciones sobre la estrategia de IA desde el principio?” Desde la perspectiva de Hanna, respuestas reflexivas a esas preguntas pueden contribuir tanto al éxito a largo plazo de la IA como a los avances continuos en los modelos en sí.