Ilko García · 20 de agosto de 2026 · 12 min de lectura
La IA no solo responde: también cambia cómo aprende tu empresa
Qué ocurre cuando humanos y agentes empiezan a combinar conocimiento, detectar lo que falta y aprender unos de otros.
Una IA empresarial puede aportar más valor cuando descubre que no debería responder todavía.
Puede detectar que falta información, que dos áreas de la empresa utilizan criterios incompatibles o que aquello que todos daban por cierto ya no está suficientemente respaldado. Y, a partir de ahí, buscar, contrastar, preguntar o involucrar a otros agentes antes de llegar a una conclusión.
Imaginemos que un cliente solicita una excepción. El agente comercial encuentra precedentes que la permiten. Finanzas encuentra criterios que la desaconsejan. Operaciones aporta proyectos anteriores donde esa misma excepción terminó generando desviaciones. Los tres tienen información relevante. Ninguno tiene la respuesta completa.
Aquí la IA deja de ser simplemente un sistema que recupera lo que la empresa ya sabe. Puede empezar a combinar conocimiento distribuido, contrastar interpretaciones y hacer visible aquello que la organización todavía no sabe resolver.
Eso cambia bastante la conversación sobre IA empresarial: si varios agentes especializados pueden relacionar conocimiento que estaba separado, producir nuevas inferencias y detectar cuándo falta algo para poder confiar en ellas, la pregunta deja de ser únicamente qué sabe responder la IA.
La pregunta pasa a ser cómo cambia la forma en que una organización crea nuevo conocimiento y aprende. Ese es el núcleo del aprendizaje organizacional: convertir información, experiencia y nuevas inferencias en conocimiento que la empresa pueda utilizar para mejorar sus decisiones, adaptarse y construir ventaja competitiva.
Porque almacenar conocimiento no es lo mismo que crearlo, y generar una respuesta tampoco.
Las empresas ya creaban conocimiento antes de tener IA
Las empresas llevan décadas intentando resolver el mismo problema: cómo conseguir que lo que aprende una persona termine formando parte de lo que sabe la organización.
La dificultad es que no todo ese conocimiento adopta la misma forma. Una parte puede escribirse en un procedimiento, una base de datos o un manual. Otra vive en la experiencia, el criterio, las habilidades y la forma en que las personas interpretan situaciones concretas. Es el conocimiento tácito que analizábamos en el artículo anterior: aquello que una organización utiliza aunque no siempre haya conseguido expresarlo o documentarlo por completo.
Y tampoco es lo mismo acumular información que generar conocimiento. Podemos almacenar miles de documentos, conversaciones y datos sin que nadie haya relacionado todavía las piezas necesarias para comprender mejor una situación o tomar una decisión diferente.
Esto importa especialmente ahora que la IA permite producir y recuperar información a una escala enorme. Producir más información no significa necesariamente producir más conocimiento.
En los años noventa, el investigador japonés Ikujiro Nonaka propuso uno de los modelos más influyentes para explicar cómo el conocimiento se mueve y se transforma dentro de una organización. Su modelo SECI describe, simplificando, cuatro movimientos:
- Socialización: aprender de la experiencia de otros.
- Externalización: convertir parte de esa experiencia en algo que pueda expresarse y compartirse.
- Combinación: relacionar conocimiento que ya está expresado para producir nuevas conexiones.
- Internalización: incorporar lo aprendido hasta convertirlo en parte de nuestra propia experiencia.
Para lo que nos interesa aquí hay dos movimientos especialmente importantes.
El primero es la socialización. Pensemos en alguien que empieza a trabajar junto a un profesional con veinte años de experiencia. Aprende observando cómo actúa, qué señales considera importantes, cuándo desconfía de un resultado o qué excepciones reconoce. Parte de ese aprendizaje ocurre sin que el profesional haya tenido que convertir previamente todo su criterio en un manual.
El segundo es la combinación, y su relación con la IA resulta mucho más directa. Una empresa puede tener contratos, datos de ventas, incidencias, procedimientos, conversaciones con clientes y resultados históricos. Cada pieza puede ser correcta por separado y, sin embargo, nadie haberlas relacionado todavía.
Combinar conocimiento significa precisamente clasificar, cruzar, reinterpretar y conectar piezas que estaban separadas hasta obtener una relación o conclusión que antes no estaba explícitamente formulada.
Nonaka ya contemplaba que los sistemas informáticos podían facilitar ese proceso. Lo que su modelo no contemplaba era que la propia máquina pudiera analizar esas piezas, confrontarlas, producir inferencias e intercambiar resultados con otras máquinas antes de devolver nada a una persona.
En el modelo original, la tecnología ayudaba a gestionar el conocimiento. El que aprendía seguía siendo el humano.
Treinta años después, esa frontera empieza a ser bastante menos clara.
DOS FORMAS DE APRENDER
Socialización
Aprender de la experiencia de otros mediante observación, práctica y contexto compartido.
Combinación
Relacionar conocimiento que ya está expresado para descubrir conexiones o conclusiones que antes no eran evidentes.
IDEA CLAVE
Tener más información no significa saber más.
La IA ya no solo consulta el conocimiento
Durante mucho tiempo el papel de la tecnología en gestión del conocimiento era relativamente fácil de entender: almacenar, ordenar, buscar y distribuir lo que las personas ya sabían.
La inteligencia artificial empieza a complicar ese reparto.
Una persona puede aportar documentos, contexto, decisiones anteriores, correcciones o criterios. La IA puede relacionarlos, encontrar conexiones, contrastar fuentes, producir nuevas inferencias y devolverlas para que una persona las confirme, corrija o utilice. Después, el proceso puede volver a empezar.
Eso ha llevado a algunos investigadores a plantear que la máquina ya no debería considerarse únicamente una herramienta. El modelo GRAI, propuesto por Karsten Böhm y Susanne Durst, introduce explícitamente a humanos y máquinas como participantes diferentes dentro de los flujos de creación y utilización de conocimiento.
Otros enfoques prefieren mantener una frontera más clara. Naoshi Uchihira, en su propuesta GenAI-SECI, mantiene a la IA como un medio auxiliar dentro del proceso, en lugar de convertirla en un nuevo actor.
No necesitamos resolver aquí quién tiene razón. Ambos enfoques parten de una realidad mucho más útil para nuestro problema: la máquina empieza a intervenir en un número creciente de etapas del proceso.
Puede recibir conocimiento, reorganizarlo, relacionar fragmentos que estaban separados y devolver nuevas conclusiones. Además, Uchihira señala algo especialmente relevante: buena parte del conocimiento de una empresa no vive en documentos perfectamente estructurados, sino fragmentado entre conversaciones, fotografías, mensajes, observaciones de campo, transcripciones, datos o decisiones que nunca llegaron a formalizarse por completo.
Su propuesta plantea que la IA puede ayudar a organizar y relacionar también esos fragmentos.
Por eso quizá la discusión más útil no sea decidir si debemos llamar a la IA «herramienta» o «actor», sino observar qué ocurre cuando una parte creciente del trabajo de relacionar y transformar conocimiento empieza a suceder dentro del propio sistema.
Y eso resulta todavía más evidente cuando dejamos de hablar de un único modelo.
DOS FORMAS DE ENTENDER EL PAPEL DE LA IA
GRAI
La máquina empieza a entrar en el círculo de actores que participan en la creación y uso del conocimiento.
GenAI-SECI
La máquina puede transformar radicalmente el proceso sin dejar de ser una herramienta al servicio de las personas.
El debate sigue abierto. La capacidad operativa avanza más deprisa que la discusión sobre cómo llamarla.
Cuando varias máquinas ponen conocimiento en común
Gran parte de nuestra imagen mental de la inteligencia artificial sigue siendo bastante simple:
persona → modelo → respuesta
Una arquitectura de agentes puede funcionar de otra manera. Antes de que una persona reciba nada, varios agentes especializados pueden haber buscado información diferente, contrastado resultados y trabajado sobre lo que otros agentes han descubierto.
Imaginemos un caso sencillo.
Un agente comercial consulta el CRM y encuentra que el cliente solicita una excepción que ya se ha concedido anteriormente. El agente contractual detecta que el contrato actual contiene una condición que aquellos precedentes no tenían. Operaciones recupera tres proyectos anteriores donde esa misma excepción terminó provocando desviaciones importantes. Finanzas calcula que, bajo esas condiciones, la desviación comprometería el margen mínimo aceptable.
Ninguna de esas fuentes decía:
No deberíamos aceptar este proyecto en estas condiciones.
Esa conclusión aparece al relacionar conocimiento que estaba distribuido entre lugares, sistemas y contextos diferentes.
Ahí hay una diferencia importante. Recuperar conocimiento consiste en encontrar algo que ya estaba expresado. Combinarlo puede producir una inferencia que no estaba escrita explícitamente en ninguna de las fuentes originales.
Esto empieza a parecerse mucho más a la combinación de la que hablábamos antes que a una simple búsqueda mejorada.
Y no es únicamente una posibilidad teórica. En ReConcile, varios modelos diferentes razonan sobre un mismo problema, conocen las propuestas de los demás y pueden revisar posteriormente su propia respuesta. La interacción no garantiza que lleguen a la conclusión correcta, pero muestra que el intercambio puede modificar el razonamiento posterior y producir resultados diferentes de las propuestas iniciales.
Experiential Co-Learning introduce además una capacidad especialmente relevante: experiencias obtenidas en ejecuciones anteriores pueden conservarse y reutilizarse en ejecuciones posteriores por los agentes del sistema.
Nada de esto significa que por poner varios modelos a conversar hayamos creado automáticamente conocimiento organizacional. Significa algo más concreto y, para una empresa, suficientemente importante: parte del trabajo de buscar, combinar, contrastar y producir nuevas inferencias puede ocurrir entre máquinas antes de que intervenga una persona.
Hasta ahora pensábamos en la IA principalmente como una interfaz hacia el conocimiento de la empresa. Los sistemas de agentes empiezan a permitir que participe también en el proceso que relaciona y transforma ese conocimiento.
DE RECUPERAR A COMBINAR
Recuperar
Encontrar una respuesta, dato o documento que ya existe.
Combinar
Relacionar piezas de conocimiento distribuidas hasta obtener una conexión o conclusión que no estaba explícitamente formulada.
La diferencia cambia el papel que puede desempeñar la IA dentro de una organización.
¿Pueden las máquinas aprender unas de otras?
La combinación resulta relativamente fácil de trasladar a sistemas computacionales. La socialización, en el sentido original de Nonaka, es bastante más problemática porque no consiste simplemente en intercambiar información: implica experiencia compartida, observación y práctica.
Por eso dos agentes enviándose mensajes no están necesariamente socializando conocimiento. Un mensaje sigue siendo una representación explícita.
Pero las arquitecturas actuales empiezan a introducir algo diferente: agentes con memoria que conservan experiencias anteriores, observan resultados, recuperan cómo se resolvieron problemas y utilizan después esas experiencias en nuevas decisiones.
Generative Agents, por ejemplo, exploró agentes dotados de memoria, reflexión y planificación. Experiential Co-Learning muestra cómo experiencias acumuladas en episodios anteriores pueden reutilizarse y compartirse entre agentes.
No estamos hablando de experiencia humana y sería excesivo presentar esto como equivalente a la socialización descrita por Nonaka. Pero tampoco estamos ya ante programas completamente amnésicos que reciben una entrada, producen una salida y empiezan de cero en la siguiente interacción.
Para una empresa, la cuestión práctica es más sencilla: empieza a ser posible que lo aprendido durante la actividad de un agente influya en cómo actúan otros posteriormente.
Si eso merece llamarse socialización máquina-máquina continúa siendo discutible. La capacidad operativa, en cambio, ya merece atención.
UNA DISTINCIÓN IMPORTANTE
Compartir información no es lo mismo que compartir experiencia.
El intercambio de mensajes sigue siendo conocimiento explícito. La frontera empieza a moverse cuando aparecen memoria, resultados observados, repetición y reutilización de experiencias anteriores.
Aprender también significa descubrir lo que la empresa no sabe
Hasta ahora hemos hablado principalmente de conocimiento que existe y puede recuperarse, relacionarse o combinarse. Pero hay otra capacidad que puede resultar todavía más valiosa: detectar cuándo el conocimiento necesario no existe, es insuficiente o no merece todavía confianza.
En una organización esto puede adoptar formas muy diferentes:
- No sabemos: falta información imprescindible.
- Sabemos demasiado poco: existe alguna evidencia, pero es parcial o insuficiente.
- Sabemos cosas incompatibles: dos fuentes aparentemente válidas sostienen afirmaciones contradictorias.
- Lo sabíamos, pero puede haber dejado de ser cierto: la información ha quedado obsoleta.
- No está claro qué necesitamos saber: la pregunta admite varias interpretaciones y responder obliga a asumir algo que nadie ha confirmado.
Estos no son simplemente problemas de búsqueda. Son límites del conocimiento que utiliza la propia organización.
Ya existen líneas de investigación orientadas a algunas de estas capacidades. Los trabajos sobre abstención estudian cómo conseguir que un modelo no responda cuando sus capacidades o la evidencia disponible no permiten hacerlo de forma suficientemente fiable. La revisión Know Your Limits muestra también la otra cara del problema: los modelos no identifican de forma automática y fiable cuándo deberían abstenerse.
Otra posibilidad es preguntar antes de responder. En Modeling Future Conversation Turns to Teach LLMs to Ask Clarifying Questions, los investigadores trabajan precisamente sobre la capacidad de solicitar información adicional cuando una petición resulta ambigua.
En una empresa puede ser algo tan sencillo como preguntar si hablamos de margen comercial u operativo, si una política se aplica también a contratos anteriores o si la prioridad es coste, plazo o riesgo.
Pero quizá el caso más interesante sea cuando la información existe y el problema consiste precisamente en que no encaja.
Investigadores de Stanford desarrollaron CLAIRE, un sistema diseñado para localizar inconsistencias entre afirmaciones distribuidas en un corpus grande. En un estudio con editores experimentados de Wikipedia, quienes utilizaron el sistema encontraron un 64,7 % más de inconsistencias en el mismo tiempo, y el 87,5 % declaró mayor confianza durante el proceso.
Al mismo tiempo, el mejor sistema completamente automático alcanzó un rendimiento del 75,1 % AUROC. Es un resultado útil precisamente porque muestra las dos caras del problema: la IA puede aumentar considerablemente la capacidad humana para detectar contradicciones sin que eso signifique que debamos delegarle automáticamente su resolución.
El equivalente empresarial resulta fácil de imaginar. Comercial utiliza una definición de «cliente activo», Finanzas otra y Operaciones una tercera. Las tres pueden haber sido razonables en sus respectivos contextos, pero el problema aparece cuando distintos procesos empiezan a utilizarlas como si significaran exactamente lo mismo.
La IA no tiene por qué decidir automáticamente cuál es la correcta. Puede aportar valor simplemente señalando:
Hay tres definiciones incompatibles utilizadas en procesos que asumían estar hablando de la misma cosa.
Una discrepancia que llevaba años escondida entre documentos, sistemas y prácticas se convierte entonces en un problema explícito que la organización puede investigar y resolver.
Podemos pensar en esta capacidad como una especie de sensor de los límites del conocimiento de la organización. No utilizo «sensor» como una categoría académica, sino como una forma de describir la función: detectar falta de evidencia, contradicciones, obsolescencia o ambigüedad y, en lugar de rellenar el hueco con una respuesta plausible, activar el siguiente paso apropiado.
Buscar, contrastar, preguntar, escalar o abstenerse.
Detectar una laguna no crea conocimiento. Pero puede ser precisamente el momento en que una organización descubre que necesita aprender algo nuevo.
EVIDENCIA EMPÍRICA
En el estudio con CLAIRE:
+64,7 %
más inconsistencias detectadas en el mismo tiempo.
87,5 %
de los participantes declaró mayor confianza.
75,1 % AUROC
para el mejor sistema completamente automático.
La IA mejoró la capacidad humana para detectar contradicciones, pero no convirtió su resolución en un problema completamente automatizado.
IDEA CLAVE
Antes de resolver una contradicción, hay que saber que existe.
De una inferencia a conocimiento organizacional
Llegamos así a una frontera que conviene no perder de vista.
Que ningún documento contenga una determinada conclusión y que varios agentes consigan derivarla no significa automáticamente que la organización haya creado nuevo conocimiento. Puede tratarse de una inferencia correcta, pero también de una conclusión perfectamente coherente y completamente falsa. La novedad no garantiza la verdad, y añadir más agentes tampoco elimina ese problema.
La misma comunicación que permite combinar conocimiento y confrontar perspectivas puede propagar errores. En On the Resilience of LLM-Based Multi-Agent Collaboration with Faulty Agents, investigadores introdujeron agentes defectuosos de manera controlada y observaron que la estructura de comunicación influía en cómo se propagaban sus errores.
Otro trabajo, Why Do Multi-Agent LLM Systems Fail?, publicado en NeurIPS 2025, identifica catorce modos de fallo en sistemas multiagente, entre ellos problemas de coordinación, intercambio insuficiente de información, falta de aclaraciones, errores de ejecución y verificación deficiente.
Hay además un riesgo más sencillo de entender: cinco agentes diciendo lo mismo no equivalen a cinco fuentes independientes. Si utilizan modelos similares, las mismas fuentes o instrucciones parecidas, también pueden compartir los mismos errores.
Por eso el objetivo de una arquitectura de este tipo no debería ser conseguir que los agentes estén de acuerdo. Debería ser conseguir que las conclusiones importantes puedan sostenerse frente a evidencia, contradicción y revisión.
Esto nos devuelve al ejemplo del principio.
Comercial encuentra precedentes favorables. Operaciones encuentra resultados que invitan a desconfiar de ellos. Finanzas identifica el riesgo económico. Los agentes relacionan esas piezas y aparece una nueva conclusión: aceptar la excepción en las condiciones actuales puede comprometer el proyecto.
En ese momento tenemos algo valioso, pero todavía provisional. Podemos tratarlo como conocimiento candidato: una nueva comprensión que merece ser contrastada antes de incorporarla a las decisiones futuras de la organización.
Quizá haya que revisar los datos, preguntar a una persona con autoridad, comprobar las condiciones de los proyectos anteriores o aplicar la decisión y observar después sus resultados. Si la conclusión supera ese contraste, además habrá que conservar suficiente contexto para que pueda utilizarse correctamente en el futuro y revisarse cuando cambien las circunstancias.
El proceso se parece más a esto:
inferencia → contraste → validación → persistencia → uso → revisión
La inteligencia artificial puede participar en prácticamente todos esos pasos. Eso no significa que deba decidirlos todos ni que una máquina conozca del mismo modo que una persona.
Significa algo organizativamente más relevante: la arquitectura mediante la que una empresa crea y revisa conocimiento ya no tiene por qué estar compuesta exclusivamente por personas.
Durante años construimos bases documentales, wikis, intranets, CRMs y buscadores para almacenar aquello que una empresa sabía. Después conectamos modelos de lenguaje a esas fuentes para poder preguntar sobre ellas. La siguiente etapa puede ser distinta: sistemas capaces de relacionar conocimiento que estaba separado, confrontar perspectivas, reconocer que falta información, detectar contradicciones y ayudar a decidir qué nuevas conclusiones merecen incorporarse a la memoria de la organización.
Una organización que aprende mejor con IA no es necesariamente la que genera más respuestas. Es la que mejora su capacidad para distinguir qué sabe, qué no sabe, qué sabe mal y qué necesita volver a aprender.
Esa puede ser una de las oportunidades empresariales menos evidentes de la inteligencia artificial: no construir sistemas que parezcan saberlo todo, sino organizaciones capaces de descubrir antes qué preguntas todavía no saben responder y convertir ese descubrimiento en aprendizaje.
CONSENSO NO ES EVIDENCIA
Cinco agentes diciendo lo mismo no equivalen a cinco fuentes independientes.
Si parten de modelos, datos o supuestos similares, también pueden compartir el mismo error.
DE INFERENCIA A CONOCIMIENTO
Inferencia
↓
Contraste
↓
Validación
↓
Persistencia
↓
Uso
↓
Revisión
Una respuesta nueva es solo el comienzo. Para convertirse en conocimiento organizacional debe poder contrastarse, reutilizarse y volver a cuestionarse.
NOTA METODOLÓGICA
Este artículo utiliza SECI como un marco influyente para pensar la creación de conocimiento organizacional, no como una descripción definitiva de todos los procesos de aprendizaje. El modelo ha generado también críticas y revisiones dentro de la propia literatura académica. Las propuestas GRAI y GenAI-SECI son trabajos recientes y fundamentalmente conceptuales. Se utilizan aquí para mostrar cómo empieza a reconsiderarse el papel de la IA dentro de estos procesos, no como evidencia de que exista consenso sobre la máquina como «actor» de conocimiento. Los estudios sobre sistemas multiagente, memoria, abstención, preguntas aclaratorias y detección de contradicciones aportan evidencia sobre capacidades concretas. De ellos no se infiere que una interacción entre agentes constituya por sí misma creación de conocimiento organizacional. Expresiones como «sensor de los límites del conocimiento» y la secuencia de inferencia a conocimiento organizacional son síntesis editoriales construidas a partir de las fuentes citadas.
REFERENCIAS
Qian, Chen, et al. 2024. “Experiential Co-Learning of Software-Developing Agents.” ACL 2024.