Los agentes de IA funcionan en la demo, pero los datos los hunden en producción
Arango sostiene que el fallo no está en el modelo ni en el RAG, sino en un contexto de negocio fragmentado que el agente reconstruye en cada tarea. Lo plantea en un webinar, sin datos ni producto nuevo.
Los agentes de IA que lucen en una demo se caen en producción, y el motivo casi nunca es el modelo. Ese es el argumento que pone Arango: el problema está en los datos que rodean al agente, repartidos entre sistemas que no se hablan, con permisos mal resueltos y con un contexto de negocio que nadie ha unificado. La compañía lo desarrolla en un webinar el 14 de octubre, no en un informe técnico ni con un producto nuevo sobre la mesa.
La tesis de partida es que no basta con que la búsqueda vectorial o el RAG funcionen. Un agente puede recuperar fragmentos semánticamente relevantes y aun así no tener con qué decidir: el mismo cliente aparece con identificadores distintos en cada sistema, el dato recuperado es correcto pero ya no está vigente, o no hay forma de reconstruir por qué el agente tomó una decisión concreta. Y construir ese contexto una vez es solo la mitad del trabajo; la otra es mantenerlo al día mientras el negocio cambia bajo los pies del sistema.
El bucle amplifica el desastre
El ciclo agrava el asunto. El agente recupera, decide, ejecuta y reutiliza el resultado en el paso siguiente, así que un dato caducado contamina todo lo que viene después. Si la lógica de negocio está repartida entre varias fuentes, el agente tiene que recorrerlas y rearmar el contexto en cada tarea. De ahí salen respuestas inconsistentes, más latencia, más coste y más trabajo manual para el equipo que intenta cuadrar lo que el sistema devuelve. Con el contexto fragmentado, además, la gobernanza del dato se vuelve difícil de sostener.
La propuesta de Arango es invertir el enfoque: en lugar de que el agente reconstruya el contexto en cada llamada, darle una capa de datos contextual persistente y unificada sobre la que apoyarse. La idea es razonable y bastante difícil de discutir en abstracto. Lo que no acompaña es la evidencia.
El material disponible es la descripción de una sesión: se anuncia que el 14 de octubre Ravi Marwaha, director de operaciones y de producto y tecnología de la compañía, detallará seis requisitos de datos para pasar de la demo a producción, con patrones reales de servicios financieros e investigación clínica y un marco para evaluar si un sistema agéntico está listo para desplegarse. No hay cifras de rendimiento, ni arquitectura de referencia publicada, ni un caso con nombre propio que se pueda revisar antes. Todo eso se verá en la sesión, que es exactamente lo que la fuente vende.
Para quien despliega agentes, el recordatorio sigue siendo útil aunque venga de un vendedor: que el modelo y el recuperador se comporten en un entorno controlado no dice nada sobre si la capa de datos aguanta. Queda por ver si el marco de evaluación prometido aporta algo más que una lista de comprobaciones.
