Talento humano versus inteligencia artificial: el futuro del research se prueba a sí mismo
Las decisiones se apoyan cada vez más en datos y la IA garantiza respuestas en segundos. En este contexto, decidimos poner a prueba a la tecnología para que se investigue a sí misma. Dos equipos, uno experto en IA liderado por Xavier Colomer y otro de investigación aplicada, liderado por Sara Alvarellos, colaboraron en paralelo para entender cómo será el futuro del research en organizaciones complejas como la nuestra. Este experimento explora el uso de herramientas de IA para research, como DeepSearch IA, en el contexto de la investigación aumentada.
El experimento: IA vs. metodología humana
El equipo de IA desarrolló una herramienta llamada DeepSearch, que combina tecnologías de código abierto como LangChain, LLMs de Azure OpenAI, SerpAPI, Pydantic, BeautifulSoup y Plotly, junto con un backend en Python. Su objetivo era simular el proceso de investigación automatizada: detectar tendencias emergentes a partir de noticias recientes, agrupar palabras clave, construir mapas visuales y anticipar casos de uso sin intervención humana.
En paralelo, el equipo de research aplicó, para generar análisis estructurados de tendencias, una metodología que parte de un conjunto curado de fuentes de información, seleccionadas y categorizadas según criterios estratégicos internos, con foco en trazabilidad, claridad contextual y valor para la toma de decisiones.
¿Qué encontró la IA?
DeepSearch, en su versión 0, funcionó como una especie de “Google inteligente”:
- Se le introducía una consulta abierta (ej. “Futuro del CISO”).
- Rastreaba noticias recientes indexadas en Google.
- Extraía keywords y casos de uso del contenido mediante LLMs.
- Agrupaba estos elementos en tendencias usando análisis semántico.
- Visualizaba los resultados en radares interactivos por tiempo y relación temática.
Todo este proceso se ejecutaba en menos de tres minutos y permitía generar una primera visión automatizada de señales emergentes.
¿Qué hizo el equipo de research?
El equipo liderado por Sara Alvarellos aplicó un enfoque más analítico y deliberado, en el que cada tendencia es definida con base en una lógica estructural propia y una validación contextual detallada. Los casos de uso se enriquecen con descripciones completas, nombres específicos, objetivos y estimaciones temporales.
Si bien el proceso requiere más tiempo y curación, su profundidad y coherencia lo hacen valioso en proyectos estratégicos. Las habilidades puramente humanas son clave en este camino, ya que es ahí donde las máquinas tienen limitaciones.
Además, el equipo fue clave para evaluar la utilidad real de DeepSearch. Se identificó que su valor no estaba en reemplazar al enfoque tradicional, sino en complementarlo como herramienta de prototipado rápido, exploración de buzzwords y construcción ágil de visualizaciones.
¿Qué dicen los referentes globales?
Nuestra experiencia está alineada con lo que empiezan a explorar organizaciones clave:
- OpenAI, con su proyecto Deep Research, plantea el uso de agentes especializados que colaboran, reflexionan y corrigen su curso en ciclos iterativos.
- Hugging Face ofrece un enfoque abierto llamado Open Deep Research, en el que herramientas y modelos se combinan para responder preguntas complejas desde una arquitectura modular.
- Sakana.ai propone un nuevo rol: el AI Scientist, capaz de formular hipótesis, ejecutar simulaciones y generar nuevo conocimiento de forma autónoma.
Estas iniciativas apuntan a la misma dirección: nuevos modelos de investigación híbrida, con IA como colaborador cognitivo.
La era de la investigación aumentada
¿Puede una IA reemplazar al investigador? Depende de qué entendamos por “investigar”. Si hablamos de recolectar información, identificar patrones y construir mapas visuales de señales emergentes, la respuesta es “sí”. La IA lo hace. Y cada vez mejor.
Pero si nos referimos a construir significado, alinear hallazgos con objetivos estratégicos y formular hipótesis relevantes en contextos complejos, todavía no. La IA necesita dirección y criterio: rasgos profundamente humanos.
En nuestro experimento, lo más poderoso no fue el contraste, sino la convergencia. Al combinar la lógica estructurada del equipo de research con la exploración y visualización automatizada del equipo de IA, aceleramos hipótesis, generamos visuales iterativos y enriquecimos las conversaciones sobre futuro.
El próximo paso no es más inteligencia, sino mejores datos de entrada. En vez de rastrear la web abierta, planteamos construir corpus curados, definidos temáticamente y conectados con los desafíos reales de negocio.
El “investigador del futuro” no será un analista ni una máquina, sino un ecosistema híbrido de personas, datos y agentes inteligentes que co-crean, verifican y priorizan conocimiento útil.
El ejercicio nos dejó una idea clara: el futuro no será humano ni artificial, será aumentado.
Una invitación a los líderes
Este artículo no busca ofrecer respuestas definitivas, sino provocar nuevas preguntas. ¿Cómo rediseñamos nuestras capacidades de research en la era de la inteligencia aumentada? ¿Qué habilidades necesitamos fomentar en nuestros equipos? ¿Qué rol queremos jugar como líderes en esta transición?
En un mundo en el que los datos son infinitos, lo que importa es darles sentido.
¿Quieres saber cómo aplicar inteligencia artificial en tu equipo de investigación y compartir ideas sobre el futuro del research?
Contáctanos para descubrir cómo DeepSearch IA puede ayudarte a transformar tu proceso de análisis de datos o conecta directamente conmigo: Victor Leon Marambio | LinkedIn