Xebia: los agentes de IA fracasan sin una base de datos sólida

Niels Zeilemaker, director técnico global de la consultora Xebia, afirmó en un comentario a AI News que la mayoría de las implantaciones fallidas de agentes de IA en las empresas no se debe a la debilidad de los modelos, sino a la falta de una base de datos preparada. Según él, la IA agéntica escala solo hasta donde lo permite la solidez de los datos en los que se apoyan los agentes: si la organización no ha resuelto este asunto de antemano, el proyecto corre el riesgo de atascarse mucho antes de que los agentes empiecen a acelerar los procesos para los que se desplegaron.

Por qué los datos son el cimiento y no un detalle

A diferencia del software convencional, que ejecuta un guion predefinido, un agente de IA autónomo decide por sí mismo a qué fuentes acudir, qué datos leer y qué acción emprender después. Si la información corporativa está dispersa en sistemas inconexos, sin etiquetar y sin acceso a través de interfaces claras, el agente no encontrará los datos necesarios o los recibirá distorsionados y ejecutará una acción errónea. Zeilemaker subraya que el rendimiento del agente está limitado directamente por la calidad y la accesibilidad de los datos a los que tiene acceso, y que ninguna potencia del modelo lo compensa.

Eso distingue de forma esencial a los sistemas agénticos de los pilotos clásicos de IA generativa, donde un error del modelo rara vez tiene consecuencias reales fuera del chat.

La misma lógica ya se vio en la oleada de proyectos de IA generativa de los últimos años: las empresas lanzaron chatbots sobre datos internos de forma masiva y luego descubrieron que las respuestas eran imprecisas o incompletas, porque el modelo no tenía acceso a las versiones actuales de los documentos o no sabía distinguir una instrucción obsoleta de una vigente. Con los agentes, lo que está en juego es mayor, porque un agente no se limita a generar texto: realiza acciones, como enviar correos, actualizar registros en el CRM o iniciar pagos. En un escenario agéntico, un error causado por datos deficientes no se convierte en una respuesta imprecisa, sino en una acción real y potencialmente costosa.

Qué hay detrás de la postura de Xebia

Xebia es una consultora internacional de TI que ayuda a las corporaciones con la transformación digital, la construcción de plataformas de datos y la incorporación de la IA a los procesos productivos. El mensaje de Zeilemaker se dirige precisamente a quienes son responsables de acelerar los procesos de negocio de la organización con agentes de IA: según él, hay que empezar por la base, haciendo que los datos sean aptos para el consumo de los agentes, y solo después pasar a escalar el despliegue. Esta secuencia suena obvia, pero en la práctica es la que más a menudo se incumple: las empresas compran licencias de plataformas de agentes antes de poner orden en las fuentes de datos que esos agentes deben usar.

Datos clave:

• Niels Zeilemaker es el CTO global de Xebia
• El comentario fue publicado por AI News (artificialintelligence-news.com)
• Tesis central: la IA agéntica escala sobre la solidez de los datos, no solo sobre la potencia del modelo
• Xebia se especializa en consultoría de datos y transformación digital para clientes corporativos

Qué cambia esto para los equipos que implantan agentes de IA

La conclusión práctica de la postura de Xebia es sencilla: antes de escalar una flota de agentes, conviene auditar las fuentes de datos, es decir, entender dónde se almacenan, cuán actualizadas están, quién las gestiona y si se puede dar acceso seguro a un agente a través de una API. Las empresas que se saltan esta etapa y pasan directamente a pilotos con demos vistosas suelen descubrir que el agente funciona en un entorno de pruebas, pero se rompe con datos corporativos reales, incompletos o contradictorios. La inversión en preparar los datos, que incluye catalogar las fuentes, controlar la calidad y delimitar los derechos de acceso, se amortiza en la fase de escalado, no en la del primer prototipo.

Para los responsables técnicos, esto implica revisar las prioridades presupuestarias: parte del dinero que antes se destinaba exclusivamente a suscripciones de modelos y frameworks de agentes debe redistribuirse hacia la ingeniería de datos, es decir, hacia pipelines que den a los agentes acceso en tiempo real a datos actualizados y verificados. Sin ese paso, hasta el modelo más avanzado tomará decisiones a ciegas, y los propios agentes corren el riesgo de convertirse en una costosa demostración de capacidades en lugar de una herramienta de trabajo que de verdad acelere los procesos de la empresa.