La próxima frontera de la inteligencia artificial empresarial es la empresa optimizable
Durante los dos últimos años, las empresas han intentado añadir inteligencia artificial a sus procesos. Al principio sonaba razonable. Workflows existentes, sistemas existentes, datos existentes, cuadros de mando existentes… ahora con inteligencia añadida. Añadir un copilot aquí, un agente allá, unos cuantos pasos automatizados, un modelo conectado a algunas herramientas, y esperar a que aumente la productividad.
Pero este enfoque empieza a mostrar sus límites: el problema no es que la inteligencia artificial no pueda actuar. Cada vez puede hacerlo mejor. El problema es que la mayoría de las empresas no tiene una representación formal de lo que significan sus acciones.
Una empresa no es un montón de aplicaciones. No es un CRM, un ERP, un data lake, un espacio de Slack, un conjunto de hojas de cálculo y una colección de cuadros de mando. Una empresa es un sistema causal: clientes, productos, contratos, precios, proveedores, empleados, aprobaciones, incentivos, restricciones, riesgos, procesos y resultados, todo influyéndose mutuamente a lo largo del tiempo.
Si la inteligencia artificial va a optimizar la empresa, primero necesita saber de qué va la empresa. Por eso la próxima frontera de la inteligencia artificial empresarial no es el agente. Es la ontología.
De los datos a la ontología
La palabra “ontología” puede sonar innecesariamente filosófica, pero la idea es sencilla: es un modelo formal de lo que existe en un dominio y de cómo esas cosas se relacionan entre sí.
En términos empresariales, eso significa representar la compañía no como filas desconectadas en bases de datos o documentos en repositorios, sino como una estructura viva de objetos, relaciones, permisos, workflows y acciones. Un cliente tiene contratos. Un contrato tiene términos. Un producto tiene dependencias. Un pedido modifica inventario. Un retraso afecta a la satisfacción. Un descuento afecta al margen. Una interacción de soporte afecta a la retención.
Esa estructura importa porque los sistemas de inteligencia artificial no pueden gobernar ni optimizar aquello que no pueden representar.
Esta es una de las razones por las que la conocida Ontology de Palantir se ha convertido en una referencia tan importante en inteligencia artificial empresarial. Palantir describe su Ontology, así, con mayúscula, como si de algún modo hubieran inventado ellos la palabra, como un sistema que va más allá de la catalogación de datos o el diseño de esquemas, proporcionando una base para workflows con metadatos, seguridad y gobernanza. Su material arquitectónico describe la Ontology como «el núcleo dinámico y acumulativo de la empresa cibernética”, conectando datos, lógica y acción en un modelo operativo compartido para humanos y agentes habilitados por inteligencia artificial.
Es un cambio significativo. Aleja la inteligencia artificial empresarial del “chatea con tus datos” y la acerca a algo mucho más serio: inteligencia artificial actuando dentro de un modelo formal del negocio.
Pero una vez que una empresa tiene una ontología, aparece una pregunta más profunda: ¿para qué sirve la ontología?
Una ontología estática no basta
Una ontología estática le dice al sistema qué existe. Eso es útil: crea legibilidad, permite que software y humanos se refieran a los mismos objetos, hace que los workflows dependan menos de integraciones improvisadas, da a los agentes algo más estructurado que un prompt y algo más fiable que un montón de documentos recuperados.
Pero las empresas no son estáticas. Una empresa cambia cada minuto. Un cliente pasa de prospecto a cuenta activa y luego a riesgo de no renovación. El inventario cambia. La exposición crediticia cambia. Un proveedor deja de ser fiable. Un proceso comercial funciona en un segmento y fracasa en otro. Una política de soporte mejora las métricas de coste y deteriora silenciosamente la confianza. Una regla de precios aumenta el margen y reduce la retención a largo plazo.
La empresa real no es el sustantivo. Es el verbo. Por eso importa la distinción entre ontología estática y dinámica. La propia documentación de Palantir distingue entre los elementos semánticos de la ontología (objetos, propiedades y enlaces) y lo que denomina la “cinética de la organización”, definida mediante tipos de acciones y funciones que permiten el cambio cumpliendo controles y gobernanza. Eso ya se acerca mucho más a lo que necesita la inteligencia artificial empresarial.
Pero incluso una ontología dinámica puede no ser el paso final. Una ontología dinámica puede decirle al sistema cómo opera la empresa. El siguiente paso es una ontología capaz de mejorar cómo opera la empresa. En otras palabras: una ontología optimizable.
La ontología no debería limitarse a describir la empresa
Aquí está el punto de inflexión, la parte verdaderamente importante: si una ontología representa la estructura de la empresa, y si los sistemas de inteligencia artificial actúan a través de esa estructura, entonces la ontología deja de ser simplemente un mapa, y se convierte en parte de la maquinaria de la propia empresa.
Eso significa que la ontología no debería limitarse a describir operaciones: debería permitir optimizarlas. Aquí es donde la mayoría de las conversaciones sobre inteligencia artificial empresarial siguen quedándose cortas. Tratan la ontología como una capa semántica: una forma de conectar datos, definir entidades, aclarar relaciones y ofrecer a los agentes un entorno más seguro en el que actuar. Todo eso es necesario… pero no es suficiente.
La verdadera oportunidad es convertir la ontología en un sustrato de optimización. Cada workflow representado en la ontología debería estar conectado con resultados. Cada acción debería dejar una traza. Cada traza debería poder utilizarse como retroalimentación. Cada proceso debería tener un objetivo explícito. Cada objetivo debería ser medible. Cada resultado medible debería permitir al sistema aprender qué acciones, configuraciones y secuencias mejoran los resultados.
En ese punto, la empresa ya no está simplemente usando inteligencia artificial: la empresa se está volviendo optimizable.
De workflows a estructura causal
La mayoría de los procesos de negocio siguen tratándose como diagramas: cajas, flechas, aprobaciones, traspasos y excepciones. Así es como los humanos entienden el trabajo. Pero no es así como los sistemas adaptativos lo optimizan.
Un sistema de inteligencia artificial necesita algo más que un diagrama. Necesita estructura causal. Necesita entender que reducir el tiempo en un paso puede aumentar el re-trabajo en otro. Que acortar una llamada de soporte puede aumentar el churn. Que aplicar descuentos puede ganar un cliente pero reducir la calidad de los ingresos. Que automatizar una aprobación puede aumentar la velocidad pero reducir la rendición de cuentas. Que optimizar el KPI de un departamento puede dañar el objetivo global de la empresa.
No es una distinción cosmética. Un artículo reciente en Nature Computational Science sostiene que la toma de decisiones algorítmica fiable necesita razonamiento causal, porque las decisiones implican necesariamente relaciones de causa y efecto y deben alinear los métodos computacionales con objetivos del mundo real.
Ese es exactamente el problema empresarial: una ontología corporativa no puede detenerse en la representación. Tiene que codificar consecuencias. Los sistemas de inteligencia artificial empresarial más interesantes no se limitarán a saber que existe una oportunidad comercial, que un contrato está pendiente o que un cliente ha abierto tres tickets. Entenderán cómo las acciones sobre esos objetos modifican la probabilidad de resultados que importan a la empresa: conversión, retención, margen, riesgo, satisfacción, tiempo de ciclo, resiliencia.
Esa es la diferencia entre una ontología semántica y una ontología causal: una ontología semántica dice al sistema qué significan las cosas; una ontología causal le dice qué hacen las acciones. Y una ontología optimizable va más allá: aprende qué acciones funcionan.
Los KPI se convierten en señales de recompensa
Las empresas ya tienen algo parecido a una función objetivo: los KPI. Métricas importantes como ingresos, margen, churn, conversión, satisfacción del cliente, tiempo de resolución, rotación de inventario, precisión de previsiones, pérdidas por fraude, incidentes de cumplimiento, retención de empleados, tiempo de salida al mercado…
El problema es que, en la mayoría de las empresas, los KPI son mediciones a posteriori. Dicen a los directivos qué ocurrió después de los hechos. Se reportan, se discuten, se explican, a veces se manipulan, y luego se revisan de nuevo en el siguiente trimestre.
En una ontología optimizable, los KPI se convierten en algo mucho más poderoso: señales de recompensa. Esto no significa optimizar ciegamente cada métrica. Sería peligroso. Las métricas pueden entrar en conflicto. Algunas son proxies. Algunas están incompletas. Algunas son políticas. Algunas generan incentivos perversos si se persiguen de forma aislada.
Pero precisamente por eso importa la ontología: un KPI no debería flotar solo en un cuadro de mando. Debería estar vinculado al proceso, los objetos, las restricciones y las decisiones que influyen sobre él. Debería situarse dentro de un modelo de la empresa capaz de entender trade-offs. Debería estar conectado con otros KPI para que la mejora local no produzca daño global.
Aquí es donde el aprendizaje por refuerzo se vuelve relevante para la inteligencia artificial empresarial: no como palabra de moda ni como capa mágica atornillada a chatbots, sino como mecanismo para mejorar la acción dentro de un sistema empresarial formalmente representado.
Un bucle actúa. La ontología registra qué cambió. El KPI mide si el resultado mejoró. El sistema se ajusta. La siguiente acción está mejor informada. Esa es la forma básica de una empresa optimizable.
La escala cambia el significado de la optimización
La mejora tradicional de procesos es lenta porque los humanos tienen que observar, interpretar, rediseñar, implementar y medir. Funciona, pero no escala bien cuando hablamos de miles de procesos, millones de interacciones y condiciones que cambian constantemente.
La inteligencia artificial cambia la velocidad del bucle. Una vez que las acciones empresariales están representadas en una ontología ejecutable, cada interacción se convierte en un experimento. Cada ejecución de proceso produce una traza. Cada traza se convierte en evidencia. Cada evidencia actualiza la comprensión del sistema sobre lo que funciona. Cuanto mayor es la empresa, más interacciones genera. Cuantas más interacciones, más retroalimentación. Cuanta más retroalimentación, más rápida la optimización. Es lo contrario de cómo se comportan la mayoría de los sistemas empresariales actuales.
En el software tradicional, la escala crea complejidad. Más clientes, más workflows, más excepciones, más países, más productos y más regulación hacen que el sistema sea más difícil de cambiar. En una ontología optimizable, la escala también crea combustible para el aprendizaje. La empresa se vuelve más compleja, sí, pero también produce más evidencia sobre cómo se comporta esa complejidad.
Por eso la ontología debe ser ejecutable. Una ontología descriptiva puede ayudar a los humanos a entender el negocio. Una ontología ejecutable permite que la inteligencia artificial actúe dentro del negocio. Una ontología optimizable permite que el negocio mejore mediante la acción. Son tres etapas muy diferentes.
La capa que falta por encima de los agentes
Por eso la obsesión actual con los agentes es incompleta. Los agentes son útiles. Pueden planificar, llamar herramientas, escribir código, buscar documentos, tomar acciones y coordinarse con otros agentes. Además, la conversación ya se está desplazando de los prompts individuales a los bucles: un artículo reciente de Business Insider describe la “ingeniería de bucles” como la práctica de diseñar sistemas recurrentes que guían a los agentes de inteligencia artificial en lugar de exigir que un humano introduzca cada paso manualmente.
Es un cambio significativo. Pero los agentes y los bucles siguen necesitando un mundo en el que actuar. Sin una ontología, cada agente reconstruye la empresa a partir de prompts, fragmentos recuperados, descripciones de herramientas e integraciones frágiles. Por eso los despliegues se vuelven artesanales. Alguien tiene que explicar el negocio una y otra vez: cuáles son los objetos, cuáles son las reglas, qué sistemas importan, quién puede aprobar qué, qué resultados cuentan y dónde viven las restricciones ocultas.
Una arquitectura madura de inteligencia artificial empresarial no debería exigir que cada agente redescubra la empresa. La ontología debería ser el mundo compartido. Y si esa ontología es ejecutable y optimizable, los agentes se convierten en componentes dentro de un sistema adaptativo más amplio, no en actores aislados improvisando dentro de la realidad corporativa.
Esto también explica por qué importa la independencia respecto al modelo. La ontología es el activo duradero. Los modelos cambiarán. Los agentes cambiarán. Las interfaces cambiarán. Pero la representación que la empresa tiene de sí misma, desde sus objetos y procesos hasta sus restricciones, resultados, trazas y estructura causal aprendida, debería persistir. Ahí es donde la inteligencia artificial empresarial se acumula.
Los gemelos digitales fueron el anticipo
Hay una analogía útil con los gemelos digitales. NIST describe un gemelo digital como un modelo informático de un sistema físico que puede apoyar simulación, monitorización, optimización y toma de decisiones. En otra publicación, NIST afirma que los gemelos digitales permiten a los operadores representar dinámicamente, diagnosticar, predecir, optimizar y controlar contrapartes reales como equipos, subsistemas y procesos.
Es una intuición muy cercana a la que ahora necesita la inteligencia artificial empresarial, salvo que el objeto ya no es solo una máquina, una línea de fábrica o un edificio. El objeto es la empresa. Una empresa necesita el equivalente a un gemelo digital operativo: no simplemente una réplica de sus activos físicos, sino una representación de su estructura de negocio, sus procesos, sus restricciones, sus decisiones y sus resultados. Investigaciones recientes sobre gemelos digitales de procesos de negocio apuntan en la misma dirección, describiendo réplicas virtuales de procesos reales que combinan modelos de proceso, datos en tiempo real y capacidades de simulación para guiar la actividad diaria de la organización.
Esa es la dirección del movimiento. Pero la inteligencia artificial empresarial necesita ir un paso más allá. No necesita simplemente un gemelo que muestre qué está ocurriendo. Necesita un modelo a través del cual humanos y sistemas de inteligencia artificial puedan actuar, aprender y mejorar. Eso es la ontología optimizable.
Los modelos del mundo pasan de la física al negocio
La expresión “modelo del mundo” suele asociarse con robótica, conducción autónoma o inteligencia artificial física: sistemas que necesitan una representación interna del entorno para anticipar consecuencias y actuar inteligentemente. Tiene sentido. Un robot que se mueve por el mundo físico necesita saber algo sobre objetos, espacio, causalidad y tiempo.
Pero las empresas también son mundos. No son mundos físicos en el mismo sentido, pero son mundos operativos: parcialmente observables, en cambio constante, llenos de agentes, restricciones, dependencias, incentivos y consecuencias retardadas. Un sistema de inteligencia artificial que actúa dentro de una empresa sin un modelo de ese mundo es como un robot moviéndose por un almacén sin conciencia espacial. Puede ser potente, pero no es seguro.
La idea de los modelos del mundo ha sido central en algunos de los trabajos más importantes en aprendizaje por refuerzo. El artículo «World Models«, de David Ha y Jürgen Schmidhuber, exploraba el entrenamiento de agentes utilizando representaciones comprimidas de sus entornos. MuZero, de Google DeepMind, fue más allá al aprender un modelo del entorno en el que jugaba y utilizarlo para planificar el mejor curso de acción.
La lección no es que las empresas sean juegos: no lo son. La lección es que la inteligencia se vuelve mucho más poderosa cuando las acciones se conectan con resultados mediante un modelo del entorno.
La inteligencia artificial empresarial necesita el mismo principio, pero aplicado a la realidad organizativa. No solo: ¿qué respuesta debería generar el modelo? Sino: ¿qué acción debería tomar la empresa, mediante qué proceso, bajo qué restricciones, hacia qué objetivo y con qué efecto esperado sobre el resto del sistema? Eso requiere un modelo del mundo corporativo.
La empresa necesita saber qué es
La parte más difícil de esta transición puede ser cultural, no técnica. La mayoría de las empresas no tiene realmente un modelo formal de sí misma. Tienen organigramas, diagramas de procesos, configuraciones ERP, registros CRM, documentos de políticas, almacenes de datos, cuadros de mando, canales de Slack, archivos de correo electrónico y miles de hábitos implícitos sostenidos por personas que saben cómo funcionan realmente las cosas. Eso no es un modelo del mundo. Es un yacimiento arqueológico.
Los humanos compensan esta carencia porque llevan el contexto en la cabeza. Un buen directivo sabe qué política importa, qué excepción es segura, qué relación con un cliente es frágil, qué proceso es oficial pero se ignora, qué métrica está siendo manipulada, qué equipo está sobrecargado y qué aparente éxito esconde un daño futuro.
Los bucles de inteligencia artificial no saben nada de eso a menos que la organización lo haga explícito. Por eso tantos despliegues de inteligencia artificial empresarial siguen necesitando consultores, integradores e ingenieros desplegados en cliente. Alguien tiene que reconstruir la empresa para el sistema de inteligencia artificial: qué importa, qué está conectado, qué está permitido, qué cuenta como éxito y dónde están las restricciones ocultas.
El «State of AI 2025» de McKinsey deja visible el patrón general: el uso de inteligencia artificial está extendido, pero la mayoría de las organizaciones no la han integrado con suficiente profundidad en workflows y procesos como para obtener beneficios materiales a escala empresarial, mientras que quienes obtienen mejores resultados tienen mucha más probabilidad de rediseñar workflows y buscar una transformación más amplia. Esa reconstrucción manual es la señal de que falta una capa de plataforma.
Un modelo del mundo corporativo haría que esa reconstrucción fuera persistente, gobernada y reutilizable. Cada bucle no tendría que redescubrir la empresa. Cada nuevo agente no tendría que recibir instrucciones individuales sobre la realidad organizativa. Cada workflow no tendría que reconstruir contexto desde cero. La empresa se volvería, por fin, legible para sus propios sistemas de inteligencia artificial.
De decisiones gobernadas a estructura auto-mejorable
La investigación reciente ya se mueve en esta dirección. Un artículo de 2026 sobre simulación de grafos gobernada por ontología para inteligencia artificial empresarial sostiene que los sistemas de agentes basados en LLM fallan cuando responden desde un espacio de conocimiento no restringido sin simular cómo los eventos de negocio remodelan el escenario en cuestión. Su pipeline propuesto (evento, simulación, decisión) apunta a un enfoque más estructurado: decisiones empresariales derivadas de una representación gobernada por ontología, no de razonamiento fluido pero desanclado.
Eso importa porque muestra hacia dónde se mueve la frontera. Pero la pregunta más profunda no es solo si la ontología puede hacer más seguras las decisiones. Es si la ontología puede hacer que la propia empresa mejore a sí misma. La verdadera promesa de la inteligencia artificial empresarial no es que cada empleado tenga un asistente mejor. Eso es útil, pero no es transformación. La verdadera promesa es que la empresa se convierta en un sistema capaz de mejorar continuamente sus propias operaciones.
No mediante proyectos ocasionales de transformación. No mediante rediseños anuales de procesos. No mediante consultores reconstruyendo el negocio workflow por workflow. Sino mediante una arquitectura en la que el propio trabajo genera la evidencia necesaria para mejorar el trabajo.
Eso exige tres capas.
- Primero, una ontología formal que represente la empresa.
- Segundo, workflows ejecutables que permitan a la inteligencia artificial y a los humanos actuar a través de esa ontología.
- Tercero, bucles de optimización que conecten acciones con resultados y mejoren la estructura con el tiempo.
Si eliminas la primera capa, la inteligencia artificial no tiene un mundo estable. Si eliminas la segunda, la ontología se queda en documentación. Si eliminas la tercera, el sistema no puede aprender. Ponlas juntas, y la inteligencia artificial empresarial deja de ser una herramienta añadida a la empresa: se convierte en un mecanismo mediante el cual la empresa mejora.
La siguiente pregunta
La última ola de software empresarial ayudó a las empresas a digitalizar lo que eran. La siguiente ola les ayudará a optimizar lo que están llegando a ser. Es un cambio mucho más profundo que los chatbots, los copilots o los agentes. Cambia el papel del software: de sistema de registro a sistema de mejora. Convierte los KPI de artefactos de reporting en señales de retroalimentación. Convierte los workflows de diagramas en estructuras ejecutables y aprendibles. Convierte la ontología (la palabra real y su significado real, no la versión en mayúscula como término comercial) de descripción en acción.
Y plantea una pregunta que toda empresa acabará teniendo que responder: ¿está tu organización simplemente «representada en software«, o es «optimizable mediante software«? Porque la próxima frontera de la inteligencia artificial empresarial no será la empresa que tenga más agentes: será la empresa cuya estructura causal pueda aprender.
(This article was previously published on Fast Company)
Fuente: Artículo original