A pesar de todos los datos que los sistemas de IA continuamente acumulan y analizan, los agentes de IA empresarial a menudo sufren una curiosa deficiencia: falta de conocimiento. Más que datos, el conocimiento es la comprensión de lo que significan los datos en el contexto de organizaciones individuales. Los agentes de IA necesitan esta comprensión para razonar sobre situaciones, tomar decisiones y, en última instancia, realizar acciones. Sin suficiente conocimiento, los agentes son propensos a tomar decisiones defectuosas y poco fiables. La falta de conocimiento, según nuestra investigación, es una razón importante por la que los casos de uso de IA agentiva nunca llegan a producción.
La presión competitiva hace urgente abordar esto. Las organizaciones necesitan implementar y escalar más de sus proyectos agentivos para capturar las ganancias de eficiencia que promete la IA. Quedarse corto corre el riesgo de desperdiciar la inversión ya realizada en estos proyectos y cede terreno a rivales que ya están poniendo sus agentes a trabajar de manera más efectiva.
Basado en una encuesta de 300 ejecutivos de datos, IA y otras tecnologías, el informe encuentra que las debilidades de datos y conocimiento obstaculizan constantemente el progreso de los agentes de IA. En promedio, solo alrededor de un tercio (34%) de los proyectos de IA agentiva de las organizaciones llegan a producción. Un pequeño grupo de líderes de producción (donde en promedio 61% de los proyectos agentivos avanzan más allá del piloto) tienen capacidades de conocimiento más fuertes, especialmente en lo que respecta a la semántica.
La fragmentación de datos fue citada con mayor frecuencia como un desafío principal para expandir el acceso de los agentes al conocimiento (citada por 55%). La mayoría de las empresas buscan fortalecer el vínculo entre datos y agentes, y los expertos ven una capa de conocimiento como una forma principal de lograrlo. Las prioridades de inversión incluyen tecnologías de recuperación como tuberías de ingesta, API listas para IA y generación aumentada por recuperación (RAG); agentes de evaluación de IA; y grafos de conocimiento.
Fuente: MIT Technology Review AI · Resumido por HeadlinesBriefing