Para generar los resultados esperados, la IA necesita algo más que datos. También necesita significado, contexto, relaciones, reglas de negocio y conocimiento confiable.
Esto está impulsando el interés por las ontologías, los grafos de conocimiento y las capas semánticas. Es un buen punto de partida, pero estas tecnologías funcionan mejor cuando se sustentan en una comprensión clara de lo que el negocio realmente necesita saber. Para crear una ontología, primero hay que entender qué conocimiento es más relevante. Y un grafo de conocimiento aporta más valor cuando se sabe qué conceptos, decisiones, reglas y excepciones debe representar.
En otras palabras, primero hay que sentar bien las bases. Para identificar, capturar, priorizar y gobernar el conocimiento de manera consistente y repetible, se necesita un modelo operativo para la gestión del conocimiento.
Proporciona a la IA el conocimiento adecuado, no todo el conocimiento
El conocimiento empresarial está disperso en bases de datos, sistemas operativos, aplicaciones, dashboards, documentos, políticas, procedimientos, videos, notas de reuniones, canales de colaboración y, sobre todo, en el conocimiento práctico de los empleados. Puede ser preciso y valioso, pero también puede estar desactualizado o presentar contradicciones.
Para que la IA pueda interpretar todo ese conocimiento, no basta con recopilar documentos, entrevistar a expertos, conectar sistemas y cargarlo todo en un repositorio. La IA necesita saber en qué fuentes puede confiar, qué reglas son aplicables y cómo se relacionan los distintos conceptos.
Un enfoque más útil consiste en crear un modelo de criticidad del conocimiento que evalúe cada fuente en función de su valor, costo de acceso, riesgo y volatilidad. Por ejemplo, un documento de políticas que define requisitos de cumplimiento normativo probablemente sea más crítico que una descripción genérica de un proceso. Del mismo modo, una métrica de un dashboard solo resulta útil si su definición y linaje están claros.
Empieza por determinar qué es lo más importante:
- ¿En qué dominio de negocio o caso de uso conviene enfocarse?
- ¿Qué decisiones, flujos de trabajo o resultados se busca mejorar?
- ¿Qué fuentes de conocimiento son más importantes para esos resultados? ¿Son confiables, accesibles y cuentan con una gobernanza adecuada?
El objetivo es identificar el conocimiento más relevante, confiable y reutilizable para alcanzar un resultado de negocio específico. A partir de ahí, se puede aprender con rapidez y diseñar pensando en la escalabilidad.
• LEE TAMBIÉN → 8 formas de mejorar la estrategia de conocimiento empresarial para la IA
Conecta flujos de trabajo, datos y decisiones
Muchas iniciativas de IA parten del supuesto de que el flujo de trabajo subyacente ya se comprende. En la práctica, esto no siempre es así. Es posible que los procesos estén documentados solo parcialmente y que conocimientos críticos existan únicamente en la experiencia de los empleados. Incluso puede ocurrir que distintos equipos utilicen nombres diferentes para un mismo concepto de negocio.
Para que el conocimiento pueda reutilizarse y gobernarse, es necesario conectar tres perspectivas complementarias:
- La perspectiva de flujos de trabajo, datos y sistemas: abarca las actividades, los roles, los sistemas, los activos de datos, los documentos, los informes, los traspasos y las dependencias que muestran cómo se realiza realmente el trabajo. Permite responder preguntas como: ¿Qué trabajo se realiza? ¿Quién lo realiza? ¿Qué sistemas se utilizan? ¿Qué datos se consumen y se generan? ¿Dónde se producen los traspasos?
- La perspectiva del conocimiento operativo: comprende las reglas, las decisiones, el conocimiento tácito, las excepciones, las soluciones alternativas, los controles de calidad y los casos de referencia que explican cómo las personas aplican su criterio en la práctica. Permite responder preguntas como: ¿Cómo saben las personas qué deben hacer? ¿Qué reglas se aplican? ¿Dónde se producen excepciones? ¿Qué tipo de criterio se requiere? ¿Qué conocimientos distinguen a una persona experimentada de alguien que recién comienza?
- La perspectiva de gobernanza: comprende la responsabilidad, la validación, la trazabilidad, el control de versiones, los usos permitidos de la IA y los controles necesarios para mantener el conocimiento actualizado y garantizar que pueda utilizarse de forma segura. Permite responder preguntas como: ¿Quién es responsable de este conocimiento? ¿Quién lo validó? ¿Qué evidencia lo respalda? ¿Cuándo debe revisarse? ¿Puede la IA utilizarlo directamente o requiere aprobación con intervención humana (human-in-the-loop)?
Integrar estas tres perspectivas transforma la captura de conocimiento: deja de ser un ejercicio puntual de consultoría y pasa a convertirse en una práctica repetible y escalable.
Define objetos estándar para que el conocimiento sea reutilizable
Si cada equipo documenta el conocimiento de una manera diferente, reutilizarlo se vuelve difícil.
Como su nombre indica, un modelo común de objetos ofrece una forma estandarizada de describir y conectar el conocimiento que la organización necesita reutilizar. El conocimiento asociado a los flujos de trabajo puede estructurarse en torno a objetos reutilizables, como flujos de trabajo, actividades, roles, sistemas, activos de datos, decisiones, reglas, excepciones y controles. A continuación, se definen las relaciones entre estos objetos: un flujo de trabajo contiene actividades; una actividad es realizada por un rol; una decisión depende de una regla; un sistema genera datos; y un control rige un proceso.
Esta estructura facilita la identificación del conocimiento desde el primer día y, al mismo tiempo, crea un puente entre negocio y tecnología. Los equipos de negocio pueden reconocer flujos de trabajo, reglas y decisiones, mientras que los equipos de datos pueden vincular esos objetos con activos de datos, linaje y reglas de calidad. Los equipos de IA pueden utilizarlos para crear paquetes de contexto, patrones de recuperación, instrucciones para agentes y criterios de evaluación.
La clave está en no complicar el modelo en exceso. Basta con crear la estructura necesaria para que el conocimiento capturado en un caso de uso pueda reutilizarse en el siguiente.
Utiliza fichas de conocimiento para reforzar la consistencia y la gobernanza de los flujos de trabajo
Una forma práctica de desarrollar un modelo común de objetos es utilizar fichas de conocimiento de flujos de trabajo. Cada ficha registra una única actividad, decisión, traspaso o excepción en un formato estandarizado.
Una ficha puede incluir el nombre de la actividad, el flujo de trabajo al que pertenece, el rol responsable, las entradas y salidas, los sistemas utilizados, los elementos de datos, los documentos, las reglas de negocio, el conocimiento tácito, las excepciones habituales, los controles, el responsable, los puntos problemáticos, las oportunidades de uso de IA, el estado de validación, la trazabilidad de las fuentes y la fecha de revisión.
Utilizar una estructura estándar aporta consistencia entre los distintos flujos de trabajo y facilita la revisión, validación y gobernanza del conocimiento. También ayuda a establecer prioridades, ya que permite evaluar cada ficha según su valor para el negocio, nivel de riesgo, relevancia para la IA y grado de preparación en materia de gobernanza.
Este enfoque también favorece la reutilización. Por ejemplo, las reglas, decisiones, excepciones y dependencias de datos pueden compartirse entre distintos flujos de trabajo, mientras que la responsabilidad, la validación, la trazabilidad y los ciclos de revisión pasan a formar parte del propio activo de conocimiento.
Utiliza un lenguaje común para convertir la documentación en datos
La documentación tradicional es difícil de comparar porque cada equipo describe su trabajo de una manera diferente. Un vocabulario controlado resuelve este problema al establecer una lista estándar de términos para clasificar los flujos de trabajo, la información y las oportunidades de uso de IA. Por ejemplo:
- Las actividades pueden clasificarse como recopilar, validar, aprobar, conciliar o informar.
- El conocimiento puede clasificarse como regla de negocio, heurística, solución alternativa, política o control de calidad.
- El uso de datos puede clasificarse como entrada, referencia, cálculo o evidencia de auditoría.
- Las excepciones pueden clasificarse como datos faltantes, conflicto, solución manual o problema de cumplimiento normativo.
- Las oportunidades de uso de IA pueden clasificarse como recuperar, resumir, validar, explicar o recomendar.
Un vocabulario controlado también permite analizar el conocimiento en toda la organización. Así, es posible identificar dónde se concentran las decisiones manuales, dónde se repiten las excepciones, dónde existen problemas de calidad de datos, dónde los controles son insuficientes y dónde la IA puede aportar valor de forma segura.
De esta manera, la documentación se convierte en conocimiento estructurado, medible y reutilizable.
Realiza una due diligence del conocimiento
No todas las fuentes de conocimiento están preparadas para la IA. Primero, cada fuente debe someterse a un proceso de due diligence del conocimiento para evaluar su calidad, responsabilidad, vigencia, integridad, consistencia, su condición como fuente de referencia y su nivel de riesgo:
- Las fuentes de datos deben evaluarse en términos de responsabilidad, gestión, linaje, reglas de calidad y mapeo semántico.
- Los documentos deben evaluarse según su estructura, control de versiones, estado de aprobación y alineación con las prácticas actuales.
- El conocimiento tácito debe ser validado por varios expertos y vinculado con ejemplos del mundo real.
- Las reglas y decisiones deben evaluarse en función de su alineación con las políticas, la gestión de excepciones y su capacidad de auditoría.
Este ejercicio permite determinar qué fuentes pueden utilizarse y qué problemas deben resolverse antes. Por ejemplo, algunas fuentes pueden ser valiosas, pero requerir una asignación más clara de responsabilidades, documentación actualizada, definiciones más precisas o controles de calidad más sólidos antes de poder utilizarse de forma segura con IA.
Incorpora la gobernanza del conocimiento desde el diseño
Si primero se captura el conocimiento y la gobernanza se deja para después, mantenerlo confiable y actualizado se vuelve mucho más difícil. La gobernanza debe incorporarse a cada activo de conocimiento desde el principio.
Cada activo debe contar con un responsable claramente identificado, un estado de validación, trazabilidad de las fuentes, fechas de revisión, historial de versiones y permisos de uso definidos. También debe especificar si la IA puede utilizar ese conocimiento directamente para recuperar información, generar recomendaciones u otros fines, y cuándo se requiere revisión humana.
La gobernanza también debe incluir controles continuos, como verificaciones de vigencia e integridad, detección de contradicciones, mapeo de fuentes de referencia, monitoreo de deriva y flujos de aprobación.
Es aquí donde la gobernanza del conocimiento complementa a la gobernanza de datos, aunque no son lo mismo. La gobernanza de datos se centra en los activos de datos, la responsabilidad, la calidad, el linaje y los controles. La gobernanza del conocimiento amplía esos principios al significado de negocio, las reglas, los procesos y el contexto necesario para la IA. Una organización impulsada por IA necesita ambas.
Comienza con un caso de uso para construir una arquitectura de conocimiento escalable
Una forma práctica de comenzar consiste en elegir un dominio de negocio de alta prioridad y un caso de uso. A partir de ellos, se puede definir la arquitectura de conocimiento y el modelo de gobernanza.
Como el resultado incorpora estructuras y componentes reutilizables, el siguiente caso de uso no tendrá que comenzar desde cero. Será posible aprovechar activos de conocimiento que ya cuentan con gobernanza, reutilizar entidades y reglas de negocio comunes, ampliar los mapeos existentes, adaptar los paquetes de contexto e incorporar únicamente aquello que sea nuevo.
Así es como escalan las iniciativas de conocimiento: no intentando capturarlo todo de una vez, sino construyendo progresivamente activos de conocimiento reutilizables.
El futuro está en la producción de conocimiento con gobernanza
Las nuevas tecnologías pueden ayudar a extraer conceptos, recomendar ontologías, clasificar documentos, evaluar la calidad, detectar contradicciones y automatizar tareas de administración y mantenimiento del conocimiento. Son capacidades valiosas, pero no sustituyen la necesidad de contar con un modelo operativo riguroso.
Cuando se estandariza la forma de identificar, validar, gobernar, reutilizar y aplicar el conocimiento, es posible dejar atrás los experimentos aislados con IA y avanzar hacia sistemas de IA que comprendan mejor el negocio y sigan mejorando con el tiempo.