El agente de IA no falla por el modelo, falla por el dato: el 57% de las empresas ya lo ha comprobado

Por VentureBeat · 10 de julio de 2026. Una encuesta VB Pulse a 101 empresas de más de 100 empleados, publicada esta semana, pone cifra a un problema que hasta ahora era anecdótico: el 57% ha rastreado en los últimos seis meses una respuesta de un agente de IA que sonaba segura y era incorrecta hasta llegar a un dato de negocio mal definido o un documento que el sistema de recuperación nunca encontró. Un 31% dice que le ha pasado más de una vez. El modelo no se equivocó; el contexto que recibió, sí.

La causa que señala el estudio es casi aburrida de lo previsible que resulta: el 38% de las empresas sigue apoyándose en recuperación sobre documentos (RAG) como método por defecto para dar contexto de negocio a sus agentes, casi el doble que la siguiente opción. Y al elegir ese sistema de recuperación, las empresas priorizan la facilidad de ingestión y la simplicidad operativa por delante de la precisión. El problema de exactitud, lógicamente, no aparece hasta que el sistema ya está en producción y alguien detecta el error aguas abajo.

La respuesta que está tomando forma en el sector es lo que se empieza a llamar capa de contexto agéntico: un modelo compartido y gobernado de qué significan realmente los datos de negocio, construido una vez y consultado por todos los agentes en lugar de reinventado por cada uno. La adopción, según la encuesta, está a medio camino: un 25% ya tiene una en producción, un 34% la está construyendo y un 41% no ha empezado. El dato más revelador es otro: entre quienes ya construyen o gestionan esa capa, el 78% reconoce haber sufrido una respuesta confiada y errónea; entre quienes no tienen plan alguno, solo el 20%. Es decir, la inversión en gobernanza de datos llega después del incidente, no antes. Las empresas están aprendiendo por la vía cara.

El mercado de proveedores, mientras tanto, no se está poniendo de acuerdo en cómo resolverlo, y eso también es un dato. DataHub trata su catálogo de metadatos como una fuente viva que se actualiza con el comportamiento real de los analistas. Microsoft construye con Fabric IQ una ontología de negocio consultable por cualquier agente vía MCP, no solo los suyos. Couchbase apuesta por llevar la memoria del agente a la base de datos operativa. Pinecone, con Nexus, precompila la estructura antes de que el agente la necesite. Snowflake divide el problema en dos capas, una gestionada por el cliente y otra inferida por la plataforma; Oracle hace justo lo contrario y funde vectores, grafos y datos relacionales en un único motor transaccional para no tener nada que sincronizar. Google y AWS, por su parte, extraen contexto automáticamente de los registros de consultas. Varias arquitecturas distintas para el mismo problema son la prueba de que nadie tiene todavía la respuesta canónica.

Los analistas consultados coinciden en el diagnóstico aunque no en la solución. Michael Ni, de Constellation Research, lo resume sin matices: quien controle el contexto en tiempo de ejecución controlará la capa de decisión de la IA empresarial; y advierte de que memoria vectorial no es significado de negocio, significado de negocio no es gobernanza, y gobernanza no es ejecución. Kevin Petrie, de BARC, apunta a un hueco muy concreto: la mayoría de estas plataformas se concentra en tablas estructuradas y deja fuera el contexto más difícil, el que vive en documentos y contenido no estructurado, que es con el que realmente opera una empresa en el día a día. Y Steven Dickens, de HyperFRAME Research, describe la experiencia de los equipos de datos con una frase que resume bien el momento: fatiga de fragmentación, gestionar un almacén vectorial, una base de grafos y un sistema relacional solo para hacer funcionar un agente.

Nuestra lectura es que este es exactamente el mismo patrón que venimos observando en otros frentes de la industria: el cuello de botella de la IA se desplaza, una vez tras otra, del modelo a la infraestructura que lo rodea. Primero fue el cómputo y el coste de inferencia; ahora es el gobierno del dato que alimenta al agente. La guerra por la IA empresarial se está librando en la fontanería —quién controla el contexto, quién define qué significa cada métrica, quién decide qué documento es la verdad— y no en quién tiene el modelo con más parámetros. Es una confirmación más de que la ventaja competitiva en esta fase de la IA agéntica no la da la inteligencia bruta, sino la calidad de los cimientos operativos sobre los que corre.

A corto plazo, esto es un problema incómodo y caro. El 57% de las empresas planea cambiar o añadir un proveedor de contexto o recuperación en los próximos doce meses, y esa intención se concentra brutalmente entre quienes ya se han quemado: un 81% entre las que han sufrido el fallo más de una vez, frente a solo un 32% entre las que nunca lo han visto. Eso significa que buena parte del sector va a tomar decisiones de compra importantes este año sobre una categoría de producto sin arquitectura de referencia, con varios proveedores grandes empujando enfoques incompatibles entre sí. El riesgo de comprar herramientas redundantes, o de quedar atado a un proveedor antes de que el estándar decante, es real, y las empresas que no han sufrido todavía el problema —el 41% que ni siquiera ha empezado— corren el riesgo de descubrirlo del modo más caro posible: en producción, delante de un cliente o un regulador.

A largo plazo, sin embargo, este tipo de fricción es exactamente el paso que hay que dar para que los agentes de IA dejen de ser una demo impresionante y se conviertan en infraestructura operativa de fiar. Un agente que no alucina porque el contexto que consulta está gobernado y es consistente es la condición necesaria para delegarle de verdad tareas de negocio, liberando a las personas de la comprobación manual constante y del trabajo de bajo valor de reconciliar definiciones entre sistemas. No es una capa vistosa ni un anuncio de producto espectacular, es la clase de trabajo aburrido de gobernanza de datos que rara vez genera titulares pero que determina si la próxima generación de agentes es fiable a escala. Si el sector resuelve bien este problema de fontanería, la promesa de una IA que libera tiempo humano para el trabajo que de verdad importa deja de ser aspiracional y empieza a ser, simplemente, ingeniería bien hecha.