Yunzhong, desde Aafeisi
QbitAI | Cuenta oficial de WeChat QbitAI
Una realidad algo contraintuitiva es la siguiente:
La IA ya se está utilizando ampliamente en las empresas, pero la productividad de muchas compañías no ha aumentado de manera evidente por este motivo.
En el informe de 2025 sobre IA generativa empresarial publicado por el NANDA del MIT, hay un conjunto de cifras que suelen analizarse juntas:
Entre las empresas encuestadas, el95%de los pilotos de IA generativa empresarial no generó retornos medibles en pérdidas y ganancias; al mismo tiempo, más del90%de los empleados de las empresas ya están utilizando herramientas de IA personales para trabajar, mientras que solo el 40% de las empresas ha comprado realmente suscripciones empresariales oficiales.
Detrás de estas cifras subyace en realidad el mismo problema:
La IA se está utilizando, pero se queda en el plano individual。
Por lo tanto, lo que hoy enfrentan las empresas ya no es la cuestión de 'conectar o no la IA', sino otro problema más difícil:
Después de conectarla, ¿qué debe acumular realmente la empresa por sí misma para que la IA se convierta verdaderamente en productividad?
Esta mañana, en el foro WTCC de West Bund en Shanghái, la respuesta dada por Fan Ling, fundador de Tezign, fue:
Lo que la empresa finalmente debe complementar no es un modelo más potente, sinodos modelos del mundo。
Primero comprender al cliente, luego comprender a la empresa
La palabra 'modelo del mundo', dicho de forma sencilla, se refiere a si un sistema puede responder a la pregunta:Si hago esto, ¿qué sucederá a continuación?。
Aplicado al ámbito empresarial, esta pregunta tiene al menos dos direcciones:
Una hacia afuera: comprender al cliente.Por qué el cliente prefiere cierta opción, qué puede hacerle cambiar de opinión, qué tipo de expresiones y productos son más fáciles de aceptar. Este nivel es lo que Tezign llamó en el foro 'modelo del mundo del cliente', es decir, lo que más tarde apareció con más frecuencia en los materiales como elmodelo del mundo subjetivo”。
Una hacia adentro: comprender a la empresa.Después de que una decisión entra en el interior de la empresa, qué procesos atraviesa, de qué recursos, reglas y relaciones de colaboración depende, y si finalmente puede materializarse realmente. Esta parte se aproxima más almodelo del mundo empresarial”。
Ambos parecen responder a la pregunta de 'cómo tomar decisiones', pero en esencia no son lo mismo.
El modelo del mundo subjetivo que 'comprende al cliente' trata sobre preferencias, motivaciones y elecciones subjetivas, y se basa en datos externos de usuarios;
el modelo del mundo empresarial que 'comprende a la empresa' trata sobre procesos, activos, reglas y conocimiento tácito, y se basa en el contexto acumulado durante mucho tiempo dentro de la organización.
Sobre el modelo del mundo subjetivo, hace un tiempo QbitAI ya hizo una explicación detallada, así que aquí no lo desarrollaremos.
Y precisamente porque estas dos cosas difieren en fuentes de datos, ritmo de actualización y responsabilidad, es muy difícil fusionarlas a lo bruto en un solo gran modelo.
Al unirlas, a menudo el resultado no es más fuerte, sino que ambos lados se vuelven más torpes; si falta cualquiera de los dos, los problemas se manifestan de inmediato:
- Solo con el modelo mundial empresarial, el agente sabe cómo hacer las cosas, pero no sabe si valen la pena, y al final puede que solocomplete con eficiencia un objetivo equivocado。
- Solo con el modelo mundial del cliente, el agente puede comprender las necesidades, pero no puede concretarlas en una entrega organizativa real, y al final se convierte enentender las necesidades, pero no poder realizarlas。
Por lo tanto, esto no es cuestión de «tener un modelo extra para más seguridad», sino que en la arquitectura de los agentes empresariales ya faltan por naturaleza dos piezas completamente distintas.
El conocimiento más valioso de una empresa, a menudo, aún no está escrito
Si el modelo mundial del cliente se acerca más a la percepción externa, entonceslo más difícil del modelo mundial empresarial reside en la identificación, organización y utilización del conocimiento interno。
Porque lo más valioso de una organización, en muchos casos, justamente no está en los documentos.
En el foro, Tezign dividió el conocimiento empresarial en dos tipos:
- uno es elconocimiento explícito, que puede escribirse en manuales, procesos y normas, y que persigue ser más alto, más rápido y más preciso;
- el otro es elconocimiento tácito, como el gusto, el juicio, el sentido de los límites, la experiencia y las relaciones, que no puede expresarse de forma completa y solo puede crecer lentamente en proyectos y colaboraciones concretos.
Esto también explica por qué «dar todos los documentos a la IA» no equivale a «la IA entiende la empresa».
De hecho, ya hay bastantes empresas que están intentando construir sus propios sistemas de contexto basándose en las capacidades de los modelos.
Pero en cuanto a si el contexto está bien construido, en esta capa quizá aún no se ha formado un criterio unificado.
El sistema de contexto que las empresas realmente necesitan debe cumplir al menos varias condiciones:
- no reemplaza los sistemas existentes, sino que conecta los lagos de datos, los sistemas de negocio y los sistemas de activos ya existentes;
- no es conocimiento para que lo lean personas, sino objetos y relaciones estructurados que puedan ser invocados por los agentes inteligentes;
- tampoco es una entrega única, sino que deja, tras cada juicio, una base para la retrospectiva, de modo que problemas similares no tengan que empezar de cero la próxima vez.
En una frase se resume así:lo que invocan los agentes inteligentes no son datos, sino contexto。
El juicio experto se está convirtiendo en datos de entrenamiento
Si el modelo mundial de la empresa resuelve el contexto interno, otro cambio que está ocurriendo es queel juicio experto comienza a entrar en los datos de entrenamiento。
No se trata aquí de un tercer modelo mundial, ni equivale al modelo mundial del cliente.
Es más bien una capa de capacidades compartida bajo ambos modelos mundiales.
Según lo revelado en el foro y en materiales técnicos relacionados, Tezign ya ha incorporado a numerosos expertos de distintos ámbitos para participar en la captura y anotación de procesos de juicio reales, de modo que las señales de entrenamiento ya no dependan solo de datos generales, sino que empiecen a incluir trayectorias de juicio en contexto de negocio (Creative Trajectory). Al mismo tiempo, algunas instituciones colaboradoras también avanzan en una dirección similar, y la acumulación de trayectorias de juicio relacionadas ya alcanza el orden dedecenas de miles。
¿Por qué es importante esto?
Porque el conocimiento más valioso de las empresas, como los criterios de juicio, la lógica de las decisiones y la sensibilidad al riesgo, no está en internet ni tampoco en los modelos generales.
Originalmente solo existía entre personas, proyectos y archivos.
Lo que se hace ahora es, en realidad, convertir esos procesos de juicio que originalmente eran difíciles de conservar en un activo acumulable.
Por ello, el destino final de este camino no es solo «que el modelo entienda mejor el negocio», sino una dirección clara de evolución de la IA empresarial:
pasar de la«inteligencia alquilada»a la«inteligencia soberana»。
Lo verdaderamente difícil de evaluar no es si la respuesta es correcta, sino si «se parece a esta empresa»
Al final queda una pregunta ineludible: ¿cómo se evalúa?
Los benchmarks genéricos miden si el modelo puede acertar la respuesta estándar.
Pero en los escenarios empresariales, la pregunta más importante a menudo no es si «es correcto», sino:si lo hizo bien a la manera de esta empresa。
Los límites de marca de una empresa, la lógica de selección de productos de un equipo, el rango de tolerancia al riesgo de un directivo: nada de eso está en los conjuntos de evaluación públicos, ni en los valores predeterminados de los modelos genéricos.
Por lo tanto, el verdadero valor de un benchmark vertical de negocio no reside en darle una puntuación al modelo, sino en convertir los criterios de juicio de la organización en un conjunto de pruebas que puede someterse a regresión, comparación y corrección de forma continua.
Una vez que esto existe, los cambios de capacidad que aportan realmente las actualizaciones del modelo, los ajustes de procesos o los cambios de equipo ya no tienen que juzgarse con la sensación de que «ha mejorado».
Sobre este punto, el equipo de Tezign mencionó un método de calibración muy típico:
En el escenario de Atypica, se hace que personas reales y personas AI (persona) completen los mismos experimentos de comportamiento económico, y luego se usan las diferencias entre ambos para cuantificar y calibrar la calidad de la simulación, retroalimentando así el entrenamiento y la optimización del modelo.
Quantum Bit reportó en el mes 7 de este año en la WAIC un resultado: el modelo de mundo subjetivo alcanzó una precisión del 85% en la simulación de comportamientos.
Por supuesto, este tipo de simulación y benchmark siguen siendo, en esencia, herramientas de calibración: permiten que la investigación y la validación ocurran antes, pero no pueden sustituir la investigación con personas reales.
El inicio de la Agentic Transformation
¿Qué tipo de mecanismos hay que construir para que los agentes realmente funcionen dentro de una empresa?
Una vez que se cuenta con las bases, ¿cómo hacer que los mecanismos se pongan verdaderamente en marcha?
La respuesta dada en el foro fue que, para que los agentes empresariales realmente funcionen, hay que hacer girar un ciclo cerrado completo:Signal, Plan, Create, Evals。
- Signal y Evals dependen más del modelo del mundo del cliente: responden a las preguntas de qué le importa ahora al usuario y si el producto elaborado realmente satisface al cliente.
- Plan y Create dependen más del modelo del mundo empresarial: responden a si esto realmente se puede hacer dentro de la organización y, con los recursos, procesos y restricciones existentes, cómo avanzar.
Detrás de esto se encuentra, en realidad, la diferencia entre los agentes empresariales y la generación anterior de Copilot。
Copilot es más bien una herramienta que se invoca de forma puntual: tú preguntas, él responde; tú inicias una tarea, él te entrega un resultado.
Pero el agente que las empresas realmente necesitan no es así. Es de largo alcance, puede funcionar de manera continua, debe integrarse en el flujo de trabajo y debe conservar objetivos, estados y retroalimentaciones a lo largo del tiempo, en lugar de empezar cada vez desde cero.
Fan Ling dijo en su discurso:
El agente lleva el trabajo hasta 80 puntos, y la persona lo lleva de 80 a 120 puntos.
Lo importante de esta frase no son las cifras de "80 puntos" y "120 puntos", sino que redefine la división del trabajo entre las personas y los agentes.
No se trata de una relación de sustitución, sino de una división del trabajo desfasada: la IA se encarga de impulsar la gran cantidad de trabajo que puede tokenizarse, mientras que el valor real del experto sigue estando en ese tramo final de juicio de alta densidad.
Al poner juntas estas pistas, la IA de nivel empresarial entra en una nueva etapa, y lo que ofrecen los "dos modelos del mundo" es, en esencia, la expresión de estas capacidades dentro de la arquitectura empresarial:
un sistema para comprender lo externo y otro para comprender lo interno, con un agente de largo alcance funcionando en el medio y avanzando de forma continua.
Cabe destacar que Tezign anunció en el foro WTCC, de manera simultánea, elPrograma de co-construcción de Agentic Transformation, que incorpora a universidades, instituciones de investigación, empresas, modelos y socios tecnológicos, así como a profesionales prácticos; la razón es muy simple: este camino aún no está completamente validado, muchas preguntas no tienen respuestas prediseñadas y solo se puede crecer haciendo, en una colaboración abierta.
Más que "cómo utilizar la IA", Tezign intenta responder, mediante un enfoque de co-construcción, a otra pregunta más difícil:
Si una empresa quiere convertir sus propios juicios en un activo acumulable, ¿cuál debería ser el primer paso?
Enlace de referencia: https://game.atypica.ai/
*Este artículo ha sido publicado por QbitAI con autorización; las opiniones pertenecen exclusivamente al autor original.