La implementación de la inteligencia artificial en los procesos empresariales se topa cada vez más con la misma barrera: los datos "secos" extraídos de documentos e instrucciones no logran transmitir toda la profundidad de la experiencia experta. Se trata del llamado conocimiento tácito: esas habilidades prácticas y decisiones intuitivas que los especialistas experimentados acumulan durante años, pero rara vez plasman por escrito. Precisamente este recurso, como muestran las investigaciones recientes, se está convirtiendo en el principal motor para crear modelos de IA corporativa verdaderamente eficaces.

Los modelos lingüísticos universales demuestran resultados impresionantes en áreas con grandes volúmenes de datos abiertos. Sin embargo, en tareas que requieren comprensión del contexto interno de la empresa y juicio experto, su eficacia cae drásticamente. Como señaló acertadamente el filósofo Michael Polanyi, "sabemos más de lo que podemos expresar con palabras". Esta frase describe perfectamente el dilema actual de la IA corporativa.

Bridgewater: "Inteligencia diferenciada" frente a modelos universales

Un ejemplo claro es la investigación conjunta de Bridgewater AIA Labs y Thinking Machines Lab. Los equipos probaron los principales modelos (Claude Opus, Gemini, GPT) en seis tareas financieras, incluyendo el análisis de noticias y documentos de bancos centrales. Con instrucciones simples, la precisión osciló entre el 45,6% y el 50,1%. Sin embargo, después de que los expertos de Bridgewater prepararan indicaciones especializadas, el indicador se disparó al 74,3–78,2%. Es notable que la optimización automática de las instrucciones no proporcionó un incremento adicional.

El avance clave ocurrió en la siguiente etapa. Los investigadores ajustaron el modelo Qwen3-235B con datos etiquetados directamente por los especialistas de Bridgewater. El resultado superó todas las expectativas: la precisión media alcanzó el 84,7% y el número de errores se redujo en un 29,8% en comparación con el mejor modelo universal. Además, el costo de procesamiento de las tareas resultó ser 13,8 veces menor. Este enfoque, denominado "inteligencia diferenciada", implica la configuración de modelos individuales para los procesos y requisitos únicos de una organización concreta. En esencia, no se trata solo de un ajuste fino, sino de la transferencia de la experiencia colectiva de la empresa a un formato digital.

Ford: La caza de la experiencia de los veteranos

Una tendencia similar se observa en la industria. Ford Motor ha contratado, ascendido o reincorporado a unos 350 técnicos especializados con experiencia en los últimos tres años. Su tarea es revisar diseños, identificar posibles fallos, formar a ingenieros jóvenes y, lo más importante, participar en la mejora de las herramientas automatizadas de control de calidad.

El vicepresidente de desarrollo de hardware de Ford, Charles Poon, declaró directamente: "La inteligencia artificial es una gran herramienta, pero es tan buena como la información utilizada para entrenarla". Reconoció que la empresa no había conservado sistemáticamente el conocimiento de los ingenieros experimentados, y que algunos de ellos abandonaron Ford antes de que su experiencia pudiera transferirse por completo a los procesos internos.

Mi análisis: Estamos presenciando un cambio fundamental en la estrategia de la IA corporativa. La carrera por los datos brutos y la potencia computacional está dando paso a la carrera por el "saber hacer" cualitativo, etiquetado por expertos. Las empresas que logren extraer, estructurar y transferir eficazmente el conocimiento tácito de sus mejores empleados a los modelos obtendrán una ventaja competitiva colosal. Aquellas que sigan dependiendo exclusivamente de modelos universales y datos públicos corren el riesgo de quedarse atrás en la era de la "inteligencia diferenciada".