Ya se ha escrito bastante sobre qué necesita un agente que un chatbot nunca necesitó: límites de autorización explícitos, un rastro de auditoría diseñado para reconstruir decisiones, responsabilidad clara cuando varios agentes interactúan entre sí. Todo eso responde a una pregunta: ¿qué puede hacer el sistema, y quién se entera si lo hace mal? Es la mitad del problema, y es la mitad que se lleva casi toda la atención porque es la que más asusta.
La otra mitad es más silenciosa y aparece antes: ¿tiene el agente los datos y las definiciones correctas para actuar sin adivinar? Un agente perfectamente supervisado, con permisos bien acotados y una auditoría impecable, puede seguir tomando decisiones equivocadas si los datos que consulta no tienen una capa de contexto consistente detrás. La diferencia es que ahora se sabrá exactamente qué hizo mal — pero seguirá haciéndolo mal.
Por qué un agente sin contexto "adivina", no razona
Cuando una persona consulta un informe y encuentra que "cliente activo" se define de una forma en Ventas y de otra en Finanzas, hace algo que un agente no hace por defecto: se para, pregunta, o al menos duda. Un agente que consulta las mismas fuentes no tiene ese reflejo. Si encuentra tres definiciones distintas repartidas entre documentos, dashboards y sistemas, no las señala como un conflicto — elige una, normalmente la que aparece con más frecuencia en lo que ha leído, y sigue adelante con la misma seguridad aparente que si hubiera una única respuesta correcta.
Ese es el riesgo real: no es que el agente cometa errores nuevos, es que repite errores de interpretación que ya existían entre equipos humanos — la eterna discusión de qué cuenta como "ingreso reconocido" o "cliente activo" — pero ahora a la velocidad y escala de una máquina, y con la apariencia de autoridad de una respuesta generada por IA. Nadie cuestiona una cifra que sonaba tan segura al salir.
Las 4 piezas de la capa de contexto que necesita un agente
No es una lista exhaustiva de todo lo que ayudaría a un agente a entender mejor tus datos — es el mínimo sin el cual seguirá adivinando.
| Pieza | Por qué el agente la necesita |
|---|---|
| Glosario de negocio conectado a los sistemas | Para que "cliente activo" o "ingreso reconocido" tengan una única definición accesible, no tres definiciones distintas en tres departamentos entre las que el agente tiene que elegir por su cuenta. |
| Metadata estructurada y legible por máquina | Documentación en un wiki que solo un humano puede leer e interpretar no sirve de nada a un agente. Necesita tags, esquemas y un catálogo consultable por API — metadata en un formato que pueda consultar programáticamente, no solo prosa. |
| Trazabilidad de origen (linaje) | El agente, y quien audite su decisión después, necesita saber de qué sistema viene un dato y qué transformaciones sufrió, para poder confiar en él o descartarlo antes de usarlo en una decisión. |
| Propiedad clara del dato | Si el agente actúa sobre un dato incorrecto, tiene que poder trazarse a un responsable humano identificable que pueda corregirlo — no a "el sistema", que no puede responder preguntas ni asumir la corrección. |
Por dónde empezar
Construir esta capa de contexto no es un proyecto de meses antes de poder desplegar nada. Es un punto de partida deliberadamente pequeño:
- Audita qué términos de negocio usa el caso de uso del agente, antes de desplegarlo, no después — qué métricas consulta, qué definiciones asume, dónde viven hoy esas definiciones.
- Empieza con un glosario pequeño de 15-20 términos críticos para ese caso de uso concreto, no con el intento de documentar toda la organización de golpe — eso nunca termina, y el agente ya está en producción mientras tanto.
- Revisa qué tan machine-readable es realmente tu metadata actual — si la única "documentación" que existe es un documento que un humano tiene que abrir y leer, el agente no puede consultarla de forma fiable, por mucho que exista.
Si todavía no sabes qué datos existen ni dónde están antes de plantearte quién los define, el Catálogo de Datos es el paso anterior — no se puede construir un glosario fiable sobre un inventario que nadie ha hecho.