José ZegarraTable of Contents
Resumen
Los costos crecientes y las respuestas poco confiables de los asistentes empresariales pueden compartir una causa: información desorganizada, contradictoria o desactualizada. A partir de dos informes anunciados por eGain, el artículo examina cómo la gestión del conocimiento puede contribuir a mejorar la eficiencia y la calidad del servicio.
Cómo gestionar el conocimiento, controlar el consumo y evaluar los errores para que los asistentes empresariales aporten valor sostenible. Los costos crecientes y las respuestas poco confiables de un chatbot pueden compartir una causa: información empresarial mal organizada. eGain propone combinar conocimiento gobernado con automatización basada en reglas. Para las empresas, la tarea consiste en evaluar datos, recuperación, modelos y procesos, midiendo cuánto cuesta resolver correctamente cada necesidad.
Claves de la noticia
- El costo de una solución de IA incluye más que los tokens consumidos.
- La información vigente y verificable ayuda a construir respuestas mejor fundamentadas.
- Las operaciones rutinarias pueden ejecutarse mediante reglas y servicios deterministas.
- Una tasa global de aciertos puede ocultar errores de consecuencias muy diferentes.
- La eficiencia debe medirse junto con la resolución correcta, la seguridad y la experiencia del usuario.
Lima, Perú, 30 de septiembre de 2026.— Una demostración convincente no garantiza que un asistente de IA funcione de manera confiable cuando atiende consultas reales. Al aumentar el uso, aparecen documentos contradictorios, conversaciones extensas, búsquedas repetidas y decisiones para las cuales el sistema carece de información suficiente.
Dos informes anunciados por eGain (NASDAQ: EGAN) relacionan estos problemas con la gestión del conocimiento empresarial. Su propuesta consiste en organizar las fuentes, recuperar información pertinente y reservar el razonamiento generativo para las tareas que realmente lo necesitan.
La tesis ofrece un punto de partida útil, aunque requiere un matiz: el conocimiento desordenado puede contribuir a ambos problemas, pero no explica todos los costos ni todos los errores. También importan el modelo elegido, la arquitectura, las herramientas, los permisos y la evaluación.
Un cliente pregunta si puede devolver un producto. El asistente encuentra una política antigua, una campaña comercial y un procedimiento interno con excepciones. Produce una respuesta fluida, pero equivocada. Después llegan la segunda consulta, la intervención de un trabajador y la corrección. La conversación parecía barata; resolver sus consecuencias puede resultar mucho más costoso.
El desafío que enfrenta la industria
La IA empresarial depende de información que suele estar distribuida entre documentos, aplicaciones y equipos. Un procedimiento puede cambiar mientras su versión anterior continúa disponible; una excepción conocida por un supervisor puede no estar documentada.
Conectar un modelo a esos materiales no resuelve automáticamente sus contradicciones. Tampoco establece quién puede consultar cada contenido ni qué acciones está autorizado a ejecutar el sistema.
El desafío consiste en convertir información dispersa en conocimiento utilizable: identificar fuentes autorizadas, responsables, versiones, relaciones y condiciones de aplicación. Esa base debe mantenerse conforme cambia el negocio.
La tesis de eGain: costos y confianza pueden tener una raíz común
Los informes “Ending Runaway Token Costs in Enterprise AI” y “The Trust Gap in AI Self-Service” abordan, respectivamente, el consumo de recursos y las dificultades para desplegar autoservicio confiable.
Según el comunicado, eGain considera que muchas organizaciones hacen trabajar innecesariamente al modelo porque no han organizado el conocimiento que necesita. También cuestiona delegar al razonamiento generativo tareas que podrían resolverse mediante reglas explícitas.
Ashu Roy, director ejecutivo de eGain, lo expresa así:
Un modelo de IA que se descontrola casi nunca significa que el modelo sea demasiado pequeño. Significa que nadie le ha indicado dónde buscar», afirma Ashu Roy, director ejecutivo de eGain. «Y una vez que un cliente se comunica directamente con la IA, nadie puede detectar un error antes de que se produzca. Garantizar la exactitud de la información subyacente no es una característica más. Es la esencia misma del trabajo».
La declaración resume la posición del proveedor. Su referencia a la ausencia de una persona que detecte errores describe el riesgo de la atención sin revisión humana previa; no significa que todo autoservicio carezca de controles automatizados o mecanismos de escalamiento.
La página pública del primer informe presenta una arquitectura basada en conocimiento confiable, recuperación guiada por grafos y separación entre lógica determinista y razonamiento agéntico. El documento completo se ofrece mediante un formulario. Por ello, las afirmaciones aquí examinadas proceden del comunicado y de la información pública disponible, no de una revisión íntegra de ambos informes. eGain Whitepaper
Por qué puede aumentar la factura de IA
Más contexto no siempre significa mejor información
En muchos servicios de modelos de lenguaje, parte del consumo se calcula mediante tokens: unidades en las que se divide el contenido procesado o generado. Enviar material innecesario puede incrementar el trabajo requerido.
Sin embargo, sería incorrecto afirmar que todos los asistentes releen íntegramente los documentos de la empresa ante cada pregunta. Una solución puede utilizar índices, filtros y recuperación selectiva para proporcionar al modelo solo información pertinente.
La documentación de Microsoft sobre RAG describe precisamente arquitecturas que recuperan contenido para fundamentar respuestas, con componentes específicos de búsqueda y preparación de datos. La calidad de esa recuperación importa tanto como la existencia del repositorio. Microsoft Learn
El costo también depende del recorrido
Una consulta puede generar varias llamadas al modelo, búsquedas, uso de herramientas y reintentos. Dos conversaciones de extensión similar pueden tener costos operativos diferentes si una requiere numerosos pasos adicionales.
La ingeniería de agentes de Anthropic recomienda empezar con soluciones sencillas y añadir complejidad cuando exista una mejora demostrable. También distingue los flujos definidos por código de los agentes que deciden dinámicamente su recorrido. anthropic.com
La elección debe responder al trabajo concreto. La autonomía puede ser valiosa cuando el camino no está predeterminado; una secuencia estable puede beneficiarse de un flujo explícito y verificable.
Reutilizar trabajo puede ayudar
Otra posibilidad es reutilizar partes del contexto mediante mecanismos de caché. Anthropic documenta esta técnica para reducir procesamiento repetido en determinadas cargas.
Su utilidad depende de cuánto contenido se repita y de las condiciones del servicio. No corresponde trasladar un porcentaje de ahorro de una prueba o proveedor a cualquier proyecto empresarial. Claude by Anthropic
Qué debe resolver el modelo y qué conviene ejecutar con reglas
Consideremos una devolución comercial. El modelo puede ayudar a interpretar la solicitud y explicar una respuesta. La verificación del pedido, el cálculo del importe y la autorización de la operación requieren controles definidos.
La siguiente distribución es una propuesta editorial de diseño, que debe adaptarse al proceso:
| Tarea | Enfoque adecuado para evaluar | Control necesario |
|---|---|---|
| Comprender una consulta | Modelo de lenguaje | Pedir aclaraciones cuando falten datos |
| Encontrar la política aplicable | Recuperación de conocimiento | Versión vigente, ámbito y permisos |
| Calcular un importe | Código o servicio determinista | Fórmula y datos validados |
| Comprobar requisitos | Reglas explícitas | Excepciones y responsable del procedimiento |
| Ejecutar una devolución | Servicio transaccional autorizado | Identidad, límites y confirmación |
| Explicar el resultado | Generación basada en evidencia | Coherencia con la decisión efectivamente tomada |
Esta separación permite asignar responsabilidades. El asistente puede comunicar una decisión, pero el texto que genera no debería convertirse por sí solo en autorización para modificar una cuenta.
Además, una regla automatizada necesita mantenimiento: ejecutar siempre la misma lógica no garantiza que esa lógica siga siendo correcta.
La gestión del conocimiento (Knowledge Management) comienza antes de instalar un chatbot
Una fuente confiable requiere más que reunir archivos. Para cada procedimiento relevante, la organización debería poder responder:
- ¿Quién es responsable de aprobarlo y actualizarlo?
- ¿Desde cuándo está vigente y a qué situaciones se aplica?
- ¿Qué documento reemplaza y cuáles son sus excepciones?
- ¿Quién puede acceder a esa información?
- ¿Cómo se detecta y corrige una contradicción?
Tampoco es indispensable trasladar todo a una única base física. Una organización puede mantener distintos sistemas y establecer criterios comunes de autoridad, acceso y actualización.
eGain propone grafos de conocimiento para representar relaciones y orientar la recuperación. Es una opción arquitectónica que debe compararse con otras según el problema, la complejidad de mantenimiento y los resultados obtenidos; no una condición universal para desarrollar IA confiable.
Pensemos en una empresa con operaciones en varios países. Una política de devolución puede variar por mercado, canal o contrato. Recuperar el documento correcto implica reconocer esas condiciones, además de encontrar palabras parecidas a la consulta.
Por qué un 95 % de aciertos no cuenta toda la historia
El comunicado utiliza una precisión del 95 % como ejemplo ilustrativo, no como resultado medido de una plataforma.
Si una evaluación hipotética contuviera 1,000 casos y exactamente 950 fueran correctos, quedarían 50 fallos. Esa resta no explica su gravedad: algunos podrían ser respuestas incompletas; otros, instrucciones equivocadas o acciones no autorizadas.
Por eso, además del porcentaje global, conviene examinar:
- Tipo de error: información incorrecta, omisión o ejecución equivocada.
- Consecuencia: molestia menor, perjuicio económico o exposición de información.
- Capacidad de abstención: reconocimiento de que falta evidencia.
- Escalamiento: derivación con contexto a una persona o proceso adecuado.
- Recuperación: detección, corrección y seguimiento del incidente.
Microsoft distingue evaluaciones de recuperación y de generación en sistemas RAG, incluyendo la consistencia de la respuesta con los documentos utilizados. Esa separación ayuda a localizar dónde se produce el fallo. Microsoft Learn
Una respuesta puede coincidir con su fuente y seguir siendo incorrecta si el documento está desactualizado. La evaluación técnica y la revisión del conocimiento deben trabajar juntas.
Medir el costo de resolver, además del costo de responder
Para decisiones de gestión, proponemos observar el costo por caso resuelto correctamente junto con los indicadores técnicos.
Una definición operativa posible es:
Costo por resolución correcta = costos atribuibles al servicio durante un período ÷ casos correctamente resueltos en ese período.
El equipo debe definir previamente qué considera una resolución correcta, cómo la verifica y qué costos incluye. Entre ellos pueden figurar consumo de modelos, búsqueda, infraestructura, mantenimiento del conocimiento, supervisión y retrabajo.
La métrica necesita acompañarse de volumen atendido, satisfacción y distribución de errores. Un servicio que reduce gastos rechazando consultas difíciles puede parecer eficiente sin mejorar la atención.
eGain afirma que utiliza precios vinculados a resultados en muchos contratos. Para evaluar ese esquema, el comprador debe conocer qué resultado se factura, cómo se acredita y qué ocurre con los casos reabiertos. La modalidad comercial no sustituye la comprobación del desempeño.
Una hoja de ruta para pasar de la demostración al servicio
| Etapa | Acción prioritaria | Evidencia que conviene reunir |
|---|---|---|
| Delimitar | Elegir un proceso y sus excepciones | Consultas reales y criterios de éxito |
| Ordenar | Revisar fuentes y asignar responsables | Contenido vigente y trazable |
| Diseñar | Separar lenguaje, reglas y acciones | Permisos y límites documentados |
| Evaluar | Probar situaciones habituales y difíciles | Errores clasificados por consecuencia |
| Desplegar | Ampliar el uso gradualmente | Monitoreo y escalamiento funcional |
| Mantener | Revisar cambios del negocio | Pruebas actualizadas y correcciones |
Esta propuesta puede comenzar con una tarea acotada, como explicar el estado de una solicitud sin modificarla. El alcance puede ampliarse cuando exista evidencia suficiente.
Para los trabajadores de atención, el valor también es práctico: recibir una consulta escalada con sus antecedentes evita pedir al cliente que repita toda la historia.
Lo que la tesis no demuestra
El comunicado no proporciona un porcentaje universal de ahorro, una comparación reproducible entre arquitecturas ni una muestra que permita atribuir todos los fallos al conocimiento desorganizado.
Un modelo más capaz podría mejorar determinadas tareas. Del mismo modo, una base documental ordenada no elimina por sí sola los problemas de razonamiento, integración o autorización.
La conclusión útil es metodológica: antes de cambiar el modelo, hay que identificar dónde falla el sistema. En algunos proyectos el problema estará en la recuperación; en otros, en reglas ambiguas, herramientas defectuosas o una evaluación insuficiente.
¿Por qué es importante?
Para un CIO, CTO, CEO y responsables de atención del negocio, esta discusión conecta presupuesto, confianza y continuidad operativa. Evaluar conjuntamente conocimiento, automatización y errores permite decidir dónde invertir primero. El objetivo es construir servicios que resuelvan necesidades reales con costos comprensibles, responsabilidades definidas y una vía efectiva de intervención humana.
Visión Estratégica
La madurez de la IA empresarial dependerá de la capacidad de convertir conocimiento organizacional en procesos verificables. Comprar acceso a un modelo es una parte del trabajo; mantener procedimientos, permisos y criterios de evaluación exige colaboración continua entre tecnología y negocio.
En el Perú, una ruta razonable para empresas con recursos limitados consiste en empezar por procesos frecuentes y bien documentados. Ordenar información para ese primer caso puede mejorar también la atención humana, incluso antes de automatizarla.
En Latinoamérica, las diferencias entre mercados, contratos y formas de expresión obligan a probar los sistemas con situaciones locales. Una demostración preparada para otro contexto no acredita su desempeño regional.
Nuestra lectura editorial es que la gestión del conocimiento debe tratarse como una capacidad permanente. El siguiente salto de productividad requerirá equipos que midan resultados, aprendan de los errores y conserven responsabilidad humana sobre las decisiones de mayor impacto.
Datos citables
- Dos informes técnicos: eGain aborda costos de tokens y confianza en el autoservicio como problemas potencialmente relacionados.
- 95 % de precisión: cifra ilustrativa del comunicado; no corresponde a un benchmark acreditado.
- 950 aciertos y 50 fallos en 1.000 casos: ejemplo aritmético hipotético, no resultado observado.
- Recuperación y generación son componentes evaluables por separado en una solución RAG. Microsoft Learn
- Los flujos predefinidos y los agentes autónomos responden a diseños diferentes, según la guía de ingeniería de Anthropic. anthropic.com
- La caché de contexto permite reutilizar trabajo entre llamadas en servicios compatibles; su ahorro depende de la carga. Claude by Anthropic
Knowledge Layer — Glosario
Token
Unidad en la que un modelo divide el contenido que procesa o genera. No equivale necesariamente a una palabra.
Gestión del conocimiento
Prácticas para crear, organizar, validar, actualizar y compartir información útil dentro de una organización.
RAG
Generación aumentada por recuperación: arquitectura que busca información y la proporciona al modelo para fundamentar sus respuestas.
Grafo de conocimiento
Representación de entidades y relaciones que permite conectar conceptos, documentos, productos o procedimientos.
Lógica determinista
Reglas o código que producen un resultado definido a partir de entradas y condiciones establecidas.
Caché de contexto
Mecanismo que permite reutilizar procesamiento de contenido repetido en llamadas compatibles.
Fundamentación de respuestas
Grado en que una respuesta está respaldada por la evidencia proporcionada al sistema.
Escalamiento humano
Derivación de una consulta o decisión a una persona con contexto suficiente para continuar su atención.
Tu Opinión Nos Importa 🗣️
Me interesa saber qué obstáculo encuentras al llevar la IA a procesos reales: ¿información contradictoria, costos difíciles de explicar o respuestas que todavía necesitan demasiadas correcciones?
¿Tu organización mide cuántas conversaciones atiende el chatbot o cuántos problemas consigue resolver correctamente? Comparte tu experiencia y conversemos sobre una IA empresarial más útil y responsable con nuestros hashtags #ItusersAwards2026 y #superfan.
Apoya al Periodismo Independiente
¿Te sirvió en algo este contenido?, ayúdanos a combatir la Desinformación, dona desde S/ 1.00 a nuestro PLIN 943-438-457
