La mayoría de los programas de calidad de datos de las empresas no se diseñaron teniendo en cuenta los agentes de IA. Se crearon para generar informes precisos y datos fiables destinados a los responsables humanos de la toma de decisiones.
Los agentes de IA toman sus propias decisiones.
Y el nivel de calidad de los datos que exigen es, sin lugar a dudas, superior al que se tenía previsto que cumpliera tu infraestructura de generación de informes.
Es similar a las zonas de entrenamiento de los deportistas. El esfuerzo de entrenamiento para una competición local no te llevará a los Juegos Olímpicos. A mayor riesgo, mayores exigencias. Con los datos ocurre lo mismo.
Entonces, ¿qué necesitas para competir? Estos son los cinco estándares que deben cumplir tus datos.
1. Datos coherentes en todos los sistemas de los que depende un agente
Cuando un analista humano detecta una inconsistencia entre sistemas, se genera un diálogo. Alguien investiga y se toma una decisión discrecional. Hay una persona en el proceso que puede absorber esa fricción.
Un agente de IA no dispone de ese margen de maniobra.
Actúa en función de lo que encuentra. Si lo que encuentra en un sistema contradice lo que hay en otro, podría simplemente seguir adelante. La decisión que toma posteriormente refleja esa inconsistencia, y no hay garantía de que nadie se dé cuenta antes de que el error se propague aún más.
Es posible que tus datos sean totalmente precisos dentro de cada sistema individual. Pero también deben mantener la coherencia entre todos ellos en el momento en que un agente los necesite y en:
- Tus registros de productos
- Tus datos de clientes
- Tu información de proveedores
- Tus datos de ubicación
Todo ello, al mismo tiempo.
2. Relaciones entre dominios estructuradas para que los agentes puedan seguirlas
Las herramientas de generación de informes están diseñadas para funcionar dentro de unos límites.
- Un panel de control de ventas se basa en los datos de los clientes
- Un informe de la cadena de suministro se basa en los registros de los proveedores
Cada uno está diseñado para su ámbito específico. Y funciona porque es una persona la que establece las conexiones entre ellos.
Los agentes no funcionan así. El flujo de trabajo de un solo agente puede pasar de un registro de cliente a un producto relacionado, luego al proveedor que lo suministra y, a continuación, a una norma de cumplimiento que rige la transacción.
Esa cadena solo se mantiene si las relaciones entre los ámbitos son explícitas, están reguladas y se pueden recorrer sin que el agente se encuentre con un callejón sin salida. O, lo que es peor aún: sin que tenga que llenar el vacío con una suposición.
La mayoría de los entornos de datos empresariales no se diseñaron para ese tipo de recorrido. Los dominios existen, pero a menudo no existen las relaciones. Al menos no de una forma que un agente pueda seguir sin intervención humana.
3. Contexto semántico que los agentes puedan interpretar sin intervención humana
Recuperar datos y comprenderlos no es lo mismo. Una herramienta de generación de informes extrae un valor y lo presenta; es la persona que lo interpreta quien decide qué significa.
Un agente tiene que tomar esa decisión por sí mismo, en el momento.
Los datos empresariales rara vez son tan inequívocos como parecen. Por ejemplo, un producto clasificado de forma diferente en dos mercados distintos, o un registro de cliente en el que el nombre de la cuenta no coincide con la entidad jurídica. Un analista humano se detendría a analizar cualquiera de estos casos.
Un agente no tiene motivos para hacerlo. Seguirá adelante con cualquier interpretación que los datos permitan, a menos que algo en su diseño le haya indicado que se detenga.
El contexto semántico es lo que cambia eso.
- Metadatos
- Relaciones
- Definiciones
Estos se encuentran integrados en los propios datos, lo que proporciona al agente información con la que trabajar más allá del valor bruto de un campo.
4. Un linaje de principio a fin que permite rastrear cada decisión tomada por un agente
Cuando una persona toma una decisión, suele quedar un rastro. Un correo electrónico, una reunión o un documento que explique el razonamiento.
Es el mismo principio que siguen los deportistas de élite al registrar sus entrenamientos. Cada sesión, cada variable, cada resultado se supervisa y se almacena. Solo así pueden mejorar con certeza y pleno control.
La toma de decisiones de los agentes funciona de la misma manera. Cuando un agente actúa, ese rastro solo existe si la infraestructura de datos se ha diseñado para crearlo.
Los agentes operan a una velocidad y a una escala que hacen imposible la supervisión manual. Un único flujo de trabajo automatizado puede desencadenar cientos de acciones posteriores antes de que nadie haya revisado la primera.
Eso no supone ningún problema si todas las decisiones son trazables. Pero se convierte en un problema grave cuando algo sale mal y tu equipo necesita entender por qué, y la ruta de datos que subyace a la decisión simplemente no existe.
El linaje debe ser estructural, integrado desde el principio en la forma en que se gestionan tus datos. Cada entrada sobre la que ha actuado un agente y cada salida que ha generado. Todo ello es reconstruible, sin que tengas que ir buscando pruebas a posteriori.
5. Gobernanza integrada que los agentes llevan consigo a todas partes
La gobernanza aplicada después de que un agente haya actuado no es realmente gobernanza. En ese caso, se trata de control de daños.
La mayoría de los marcos de gobernanza empresarial se diseñaron en torno a los flujos de trabajo humanos. En ese contexto, se puede formar, recordar o detener a una persona antes de que se tome una decisión.
Los agentes se mueven rápidamente por los sistemas y los dominios. Siguen necesitando puntos de control, pero la gobernanza diseñada para la forma de trabajar de las personas no es válida para la forma de trabajar de los agentes. Debe construirse en torno al agente, y no al revés.
Para que la gobernanza sea eficaz en un entorno de agentes, debe estar integrada en los propios datos. Debe aplicarse a través de la estructura de gestión de los datos, en lugar de mediante un proceso independiente que se ejecute en paralelo a los flujos de trabajo de los agentes.
Cuando la gobernanza es estructural, los agentes la llevan consigo mientras trabajan. Las normas viajan con los datos, en lugar de con la persona que los supervisa.
¿En qué punto de la escala de preparación se encuentran los datos de su empresa?
No todos los datos de la empresa están preparados para la misma carga de trabajo. Al igual que un deportista que ha alcanzado el nivel de forma física suficiente para completar una carrera, pero no para competir en ella, la mayoría de los datos de la empresa se han acondicionado para un nivel específico de demanda.
Y ese nivel rara vez es el que necesitan los agentes de IA para tener éxito.
Existen tres zonas diferenciadas:
Zona 1: Mantenimiento de registros
Datos de transacciones. Lo suficientemente precisos como para registrar lo que ha ocurrido, sin estar estructurados para nada más allá de eso.
Zona 2: Elaboración de informes
El estándar al que han llegado la mayoría de las empresas. Adecuado para paneles de control y BI, lo suficientemente fiable como para que los analistas humanos puedan extraer conclusiones. La mayoría de las iniciativas de IA se ponen en marcha partiendo de la base de que la Zona 2 es suficiente.
Zona 3: Toma de decisiones autónoma
El estándar que requieren los agentes. Coherente en todos los sistemas, rico en semántica, totalmente trazable y regulado de forma predeterminada.
La brecha entre la Zona 2 y la Zona 3 es donde la mayoría de las implementaciones de agentes encuentran dificultades. Ahí es donde los cinco estándares anteriores se convierten en la herramienta de diagnóstico.
Cómo obtener datos de nivel de agente con Stibo Systems
Alcanzar la Zona 3 es un proceso gradual, y la secuencia en la que se lleva a cabo es tan importante como lo que se construye.
En Stibo Systems, estructuramos esa progresión a través de STEP, nuestra plataforma de inteligencia de confianza. Como plataforma MDM multidominio, está diseñada para que los cuatro dominios de datos alcancen el nivel exigido por los agentes:
- Producto
- Cliente / Socio comercial
- Proveedor
- Ubicación
Cuando los datos están centralizados en todos los ámbitos, los agentes cuentan con la base de gobernanza que necesitan integrada de por sí. Una única versión de la verdad, no un conjunto de normas superpuestas a posteriori.
El contexto semántico, las relaciones entre dominios y el linaje completo están integrados en la propia arquitectura.
Se obtienen datos sobre los que los agentes pueden actuar de forma independiente, con la trazabilidad y los límites de seguridad que exige la toma de decisiones autónoma.
Preguntas frecuentes
¿Cuál es la diferencia entre datos limpios y datos de nivel agente?
Los datos limpios suelen ser precisos dentro de un solo sistema o para un informe específico. Los datos de nivel agente deben mantenerse consistentes en todos los sistemas simultáneamente, llevar suficiente contexto para que un agente los interprete sin ayuda y ser completamente rastreables.
Los datos pueden estar limpios y aún así no alcanzar el nivel de calidad de un agente.
¿Por qué los agentes de IA necesitan estándares de datos diferentes a las herramientas de informes?
Las herramientas de informes apoyan a los tomadores de decisiones humanos que pueden investigar inconsistencias y aplicar juicio. Los agentes de IA actúan de manera autónoma, a menudo con rapidez y a gran escala.
Los errores pueden propagarse río abajo antes de que un humano tenga la oportunidad de detectarlos o corregirlos.
¿Cómo sabes si tus datos están listos para los agentes de IA?
Evalúalo según cinco estándares: consistencia entre sistemas, relaciones transversales entre dominios, contexto semántico, linaje completo y auditabilidad, y gobernanza integrada directamente en los datos.
Las brechas en cualquiera de estos indican que los datos son de calidad de informe en lugar de calidad de agente.
¿Cuál es el papel de la gestión de datos maestros en la preparación de datos para agentes de IA?
MDM proporciona la estructura que hace posible los datos de nivel agente. Gobierna y conecta datos en dominios como producto, cliente, proveedor y socio comercial, proporcionando a los agentes de IA una base consistente, rastreable y gobernada sobre la cual actuar.
