Ilko García · 03 de septiembre de 2026 · 12 min de lectura
El contexto que tu IA no puede comprar
Por qué dos empresas pueden utilizar exactamente el mismo modelo y, aun así, interpretar de forma muy distinta una regla, un precedente o una señal.
Imagina dos empresas de tu sector. Ambas acaban de contratar la misma solución empresarial de IA: ChatGPT Enterprise, Claude Enterprise o Microsoft 365 Copilot.
Mismo proveedor. Misma versión del modelo. Incluso han subido la misma carpeta de documentos corporativos al asistente.
Un comercial de cada empresa abre el chat y formula exactamente la misma pregunta: «¿Podemos aceptar que este nuevo cliente nos pague a 90 días en lugar de los 30 habituales?»
El sistema de la primera empresa localiza la política comercial vigente y responde que no, que la política no contempla esa condición. La respuesta es correcta. Y resulta bastante poco útil, porque el comercial ya sabía que no existía un procedimiento estándar para ese caso. Por eso estaba preguntando.
El segundo sistema recibe la misma pregunta, pero dispone de otra capa de información: la política comercial; dos precedentes comparables de excepciones anteriores; quién tiene autoridad para autorizarlas; el histórico relevante del cliente; las condiciones comerciales actuales; la situación de tesorería; el resultado que tuvo la última vez que la empresa aceptó una excepción parecida; y los cambios recientes en los criterios internos de decisión.
Su respuesta tampoco decide nada por su cuenta. Tiene esta forma: «La política estándar no contempla esta condición. Existen dos precedentes comparables de pagos a 90 días, pero uno pertenece a un criterio que ya fue sustituido. La excepción actual requiere validación de dirección comercial. Antes de decidir conviene revisar el impacto en tesorería, porque la situación ha cambiado desde el último caso comparable.»
Ninguna de las dos organizaciones ha adquirido más inteligencia artificial. Las dos han pagado por la misma capacidad general.
La diferencia está en algo que ningún proveedor de modelos puede entregar ya resuelto: el contexto necesario para interpretar cómo funciona esa empresa en este caso concreto.
Qué regla aplica aquí. Qué precedente sigue siendo válido y cuál quedó obsoleto. Quién puede autorizar una desviación. Qué restricciones están activas ahora mismo. Qué información falta antes de que alguien pueda decidir bien.
TRES IDEAS PARA LLEVARTE
1. El mismo modelo no implica el mismo resultado.
Parte de la diferencia está en el contexto organizacional desde el que la IA interpreta cada situación.
2. Encontrar información no es lo mismo que interpretarla.
Cuanto más automatizamos la detección y conexión de señales, más importante se vuelve decidir qué significan.
3. El contexto también necesita infraestructura.
Procedencia, vigencia, autoridad, excepciones y resultados anteriores importan tanto como el documento recuperado.
Combinar conocimiento no basta para interpretarlo
Reunir conocimiento distribuido resuelve solo una parte del problema.
Cuando un sistema combina reglas, precedentes, excepciones y señales procedentes de distintos rincones de la organización, todavía tiene que resolver algo previo a cualquier conclusión: ¿desde qué contexto interpreta qué significa cada pieza en esta situación concreta?
Disponer de mucha información no responde a esa pregunta. Un archivo lleno de decisiones acumuladas durante quince años puede confundir tanto como iluminar si el sistema no sabe cuáles siguen vigentes, qué criterio sustituyó a cuál, bajo qué condiciones era válida una excepción o quién tenía autoridad para concederla.
Pensemos de nuevo en los pagos a 90 días. Encontrar tres casos anteriores no sirve de demasiado si uno ocurrió durante una política financiera distinta, otro fue autorizado específicamente para un cliente estratégico y el tercero terminó generando un problema de tesorería que hizo cambiar el criterio de la empresa.
Los tres son precedentes reales. No necesariamente significan lo mismo hoy.
Por eso, una vez que la IA puede buscar y combinar conocimiento con relativa facilidad, aparece una dificultad diferente: determinar qué parte de ese conocimiento resulta relevante, comparable y válida para la situación presente.
El problema ya no es solo encontrar lo que la empresa sabe. Es saber desde dónde mirarlo.
DE DÓNDE VENIMOS
Artículo 1 — Tu empresa sabe más de lo que tiene escrito.
Una parte importante del conocimiento empresarial vive en la experiencia, el criterio y las decisiones que nunca llegaron a documentarse por completo.
Artículo 2 — La IA no solo responde: también cambia cómo aprende tu empresa.
La IA puede combinar conocimiento distribuido, detectar contradicciones y reconocer cuándo falta evidencia.
El conocimiento necesita un lugar desde el que significar algo
A finales de los años noventa, Ikujiro Nonaka y Noboru Konno utilizaron un concepto que resulta especialmente útil para entender este problema: Ba.
La palabra puede sonar bastante más académica de lo que necesitamos. La idea que contiene es sencilla: el conocimiento adquiere significado dentro de un contexto compartido. Cuando lo separas completamente de las circunstancias, relaciones y experiencias en las que surgió, una parte de ese significado se pierde.
Piensa en la diferencia entre leer el manual de crisis de una empresa y saber a quién llamar exactamente, saltándote tres niveles jerárquicos, cuando un servidor crítico se cae un viernes a las tres de la madrugada.
El procedimiento puede estar perfectamente documentado. Pero alguien con años dentro de la organización sabe además qué síntomas indican que la situación es realmente grave, quién tiene autoridad para tomar determinada decisión, qué proveedor responde más rápido, qué ocurrió la última vez y cuándo conviene saltarse el cauce habitual.
Ese conocimiento no aparece mágicamente al reunir todos los documentos.
Una empresa interpreta cada situación desde lo que ha ocurrido antes, las relaciones entre las personas, la autoridad, los precedentes, las excepciones aceptadas, los criterios vigentes, los objetivos en tensión y la experiencia acumulada de quienes han tenido que resolver problemas parecidos.
Una parte puede estar escrita. Otra vive en las relaciones, la experiencia y la propia situación.
Esto tampoco significa que el contexto sea algo misterioso e imposible de gestionar. Significa que no debemos confundirlo con un repositorio. Además, cambia: los precedentes caducan, los criterios se modifican, la autoridad se reasigna y una decisión correcta hace seis meses puede ser equivocada hoy.
Esa naturaleza dinámica del contexto es precisamente lo que hace que la cuestión resulte tan relevante cuando introducimos IA en una organización.
BA, EN UNA FRASE
El conocimiento necesita un contexto desde el que adquirir significado.
Ese contexto incluye experiencia, relaciones, autoridad, precedentes, situación y propósito.
NO CONFUNDIR
Contexto organizacional ≠ ventana de contexto de un LLM
El primero pertenece a la organización y cambia con ella.
La segunda contiene la información que un modelo tiene disponible durante una inferencia.
Se relacionan, pero no son lo mismo.
La IA ha redescubierto una parte del problema por la vía técnica
Curiosamente, los equipos que construyen sistemas de IA han terminado encontrándose con una versión técnica del mismo problema.
Anthropic utiliza el término context engineering para describir el trabajo de seleccionar y mantener la información adecuada que recibe un modelo durante una tarea. Una de sus recomendaciones resulta especialmente significativa: buscar la menor cantidad de información de alta señal que permita al sistema actuar correctamente, en lugar de acumular todo lo disponible.
La razón empieza a resultar evidente. Tener acceso a cien documentos no garantiza que el modelo identifique correctamente cuál contiene la regla vigente, qué precedente es comparable o qué información debería ignorar.
El context engineering y el contexto organizacional del que hablábamos antes no son equivalentes. El primero se ocupa fundamentalmente de qué información ponemos a disposición del sistema en un momento determinado. El segundo incluye también relaciones, experiencia, autoridad, propósito y conocimiento situacional.
Pero ambos convergen en un problema operativo muy concreto: la información solo resulta útil cuando el sistema dispone también de aquello que necesita para interpretarla correctamente.
Volvamos a nuestras dos empresas. El segundo sistema no es mejor porque haya recibido una montaña de documentos superior. Es mejor porque consigue aproximar a la decisión correcta la información que realmente importa: la regla aplicable, el precedente todavía válido, la autoridad competente, las restricciones actuales y aquello que aún falta por comprobar.
Eso cambia bastante la forma de pensar una arquitectura de IA empresarial.
La pregunta deja de ser únicamente ¿a cuántos documentos puede acceder? y empieza a ser ¿somos capaces de proporcionarle el contexto correcto para esta decisión?.
DOS CONTEXTOS DIFERENTES
Context engineering
Selecciona qué información necesita el modelo para realizar una tarea.
Contexto organizacional
Aporta las reglas, experiencia, relaciones, precedentes, autoridad y circunstancias necesarias para interpretar esa información.
Uno intenta alimentar correctamente una inferencia. El otro existe antes de que la IA llegue a la empresa.
EVIDENCIA TÉCNICA
Más contexto no siempre significa mejor respuesta.
En Lost in the Middle, Liu y colaboradores observaron que, en determinadas tareas con documentos largos, el rendimiento de los modelos podía variar significativamente según la posición de la información relevante.
El estudio no analiza organizaciones, pero sí demuestra algo útil para este problema: disponer de más información no garantiza utilizarla correctamente.
Cuando encontrar señales deja de ser el problema
Hasta aquí podría parecer que estamos describiendo un problema relativamente estático: organizar mejor lo que la empresa ya sabe.
No lo es, porque el contexto cambia constantemente.
En Tiempo de futuros, David Alayón distingue entre dos trabajos que ayudan a entender bien el problema. Por un lado está el escaneo de señales: encontrar cambios, anomalías, tendencias y conexiones que podrían ser relevantes. Por otro, la creación de sentido —sensemaking—: interpretar qué significan esas señales y por qué deberían importarnos.
La IA está haciendo cada vez más automatizable el primero. Un sistema puede analizar enormes cantidades de información y detectar que una variable está cambiando, que un comportamiento aparece con más frecuencia, que determinadas situaciones se parecen o que una nueva señal coincide con patrones anteriores.
Pero detectar una conexión no equivale a comprender sus consecuencias. Cuando el escaneo de señales se automatiza, la creación de sentido se convierte en el verdadero cuello de botella.
Imagina que la IA detecta que las solicitudes de pago a 90 días han crecido durante tres meses consecutivos. El patrón puede ser objetivo. Lo difícil empieza después.
¿Es una anomalía temporal o está cambiando el mercado? ¿Afecta a todos los clientes o solo a un segmento? ¿Puede la empresa asumirlo financieramente? ¿Existe una política que debería revisarse? ¿Los competidores están haciendo lo mismo? ¿Qué riesgo estamos aceptando y quién puede tomar esa decisión?
Para responder bien ya no basta con encontrar otra señal. Hace falta interpretar lo observado desde la realidad concreta de la empresa.
De la señal al significado, del significado al criterio y del criterio a la acción existe un recorrido que no se resuelve simplemente construyendo un radar más potente.
Por eso podemos plantear una hipótesis estratégica bastante razonable: cuanto más fácil resulte localizar y relacionar señales mediante IA, mayor valor tendrá la capacidad de una organización para interpretar qué significan en su propio contexto.
Y esa capacidad depende precisamente de aquello que el modelo no conoce por defecto.
DOS TRABAJOS DISTINTOS
Escanear
Encontrar cambios, anomalías, patrones, tendencias y conexiones.
Dar sentido
Interpretar qué significan para esta organización y decidir qué merece hacerse con ellas.
IDEA CLAVE
La IA puede hacer cada vez más barato encontrar una señal. Eso no hace automáticamente más fácil saber qué significa.
Lo que el proveedor del modelo no puede conocer
Queda entonces la pregunta económica de fondo: ¿dónde está el límite de lo que puede comprarse?
Conviene evitar una exageración fácil. Los modelos no son todos iguales. Continúan mejorando y existen diferencias reales en capacidades, coste, fiabilidad y rendimiento por dominio. El AI Index de Stanford muestra, sin embargo, una competencia cada vez mayor entre modelos de primer nivel.
Eso tiene una consecuencia empresarial sencilla: para un número creciente de necesidades resulta posible encontrar varios modelos suficientemente buenos.
Mientras esa capacidad general se vuelve más accesible, una parte mayor de la diferenciación puede desplazarse hacia aquello que la organización añade alrededor del modelo.
La estrategia empresarial lleva décadas señalando que muchas capacidades difíciles de copiar proceden precisamente de cómo una empresa integra y recombina el conocimiento acumulado por sus personas, procesos y experiencia.
Aplicado a la IA, eso conduce a una idea importante: la capacidad de contextualizar correctamente un modelo puede convertirse, ella misma, en una capacidad organizacional.
Un proveedor puede darte un modelo extraordinario. Puede ofrecerte búsquedas, agentes, memoria, conectores y herramientas. Pero no llega con la historia de tu empresa ya incorporada.
No conoce por qué determinada excepción funcionó hace siete meses. No sabe que un cliente aparentemente corriente se ha convertido en estratégico. No sabe que Finanzas modificó hace dos semanas un criterio que todavía aparece en tres documentos antiguos. Tampoco sabe qué persona puede autorizar una desviación o qué señal hace que alguien con veinte años de experiencia sospeche que este caso no se parece realmente a los demás.
Ese contexto se acumula dentro de la organización. Su ausencia no produce necesariamente una alucinación evidente. Puede producir algo bastante más peligroso: una respuesta basada en información real, perfectamente redactada y equivocada para la situación actual.
Volvamos una última vez al pago a 90 días. El sistema encuentra un documento auténtico donde esa excepción estaba permitida. No inventa nada. El problema es que desconoce que el criterio fue sustituido, bajo qué circunstancias se había aplicado y quién tenía autoridad para aprobarlo.
El dato puede ser verdadero y la decisión seguir siendo incorrecta. Por eso gobernar el contexto también es gobernar riesgo. No basta con recuperar información: necesitamos conocer su vigencia, su procedencia, su autoridad, las excepciones relacionadas y las condiciones bajo las que debería utilizarse.
Ahí empieza a aparecer una fuente de ventaja que resulta bastante más difícil de adquirir que una licencia de software.
LO QUE NO VIENE CON EL MODELO
Qué excepciones funcionaron y por qué.
Qué precedentes siguen vigentes.
Quién puede desviarse de una regla.
Qué criterios han cambiado.
Qué señales hacen sospechar a tus expertos.
Qué información falta antes de decidir.
Eso no se descarga. Se acumula.
UN DATO RECIENTE
9B con conocimiento procedural: 47,4 %
27B sin él: 39,4 %
En el preprint WikiSkill, de Google Research, un Qwen-3.5-9B equipado con skills desarrolladas a partir de experiencia alcanzó un 47,4 % de rendimiento medio en los cinco benchmarks evaluados. Un Qwen-3.6-27B sin esas skills obtuvo 39,4 %.
El resultado no demuestra que el contexto organizacional sustituya a un buen modelo. Sí muestra que aumentar el tamaño del modelo no es la única forma de aumentar la capacidad de un sistema.
Tang et al., Google Research, agosto de 2026. Preprint.
El dato y la comparación están expresamente reportados por los autores.
El primer paso hacia un Company Brain
Si el problema es conservar y hacer disponible el contexto relevante, con su procedencia, vigencia, autoridad y relación con decisiones anteriores, entonces empieza a tener sentido hablar de una infraestructura diseñada específicamente para ello.
Aquí encaja la idea de un Company Brain.
No como un chatbot conectado a todos los documentos de la empresa, sino como una capa capaz de conservar qué sabemos, de dónde procede, bajo qué condiciones aplica, qué excepciones existen, qué ha sido sustituido y qué ocurrió cuando utilizamos ese conocimiento anteriormente.
La expresión todavía no describe una arquitectura estándar y diferentes productos la están interpretando de maneras muy distintas. Eso es precisamente lo interesante.
Un ejemplo cercano es GuruSup Brain, desarrollado por la startup valenciana GuruSup. Según describe la propia compañía, su propuesta no se limita a indexar información: cuando detecta un hueco intenta identificar quién puede resolverlo, preguntárselo mediante canales como WhatsApp, correo o teléfono y convertir después esa respuesta en conocimiento reutilizable por otros agentes.
Conviene tratarlo como lo que es: la propuesta de un proveedor, no la demostración de que exista una única forma correcta de construir un Company Brain. Pero hace tangible una idea bastante poderosa: un sistema empresarial útil no solo debería recuperar aquello que conoce. También debería reconocer cuándo le falta contexto antes de intentar responder.
El verdadero problema aparece entonces fuera de la tecnología.
Para que una IA conozca por qué se autorizó una excepción, alguien o algo debe haber capturado ese razonamiento. Si nadie registra que la excepción a 90 días era válida únicamente durante tres meses, por qué se aprobó y qué ocurrió después, ese conocimiento terminará enterrado en un correo, en una reunión o en la memoria de quienes participaron.
Este ha sido siempre uno de los grandes problemas de la gestión del conocimiento: documentar exige tiempo precisamente a las personas cuyo criterio resulta más valioso.
La IA puede reducir parte de esa fricción. Puede detectar una decisión, relacionarla con sus fuentes, preguntar por la justificación que falta o recordar que todavía no conocemos su resultado. Pero ninguna infraestructura puede recuperar una explicación que nunca llegó a hacerse visible.
Por eso construir un Company Brain probablemente tenga menos que ver con recopilar todos los documentos de una empresa y más con desarrollar nuevos hábitos: capturar el porqué de las decisiones, conservar las excepciones, revisar cuándo dejan de ser válidas y transformar la experiencia en contexto que personas y agentes puedan reutilizar.
PRUEBA RÁPIDA DE CONTEXTO
1. REGLA
Si mañana cambia una política comercial, ¿puedes saber qué documentos, sistemas y asistentes siguen utilizando la versión anterior?
2. EXCEPCIÓN
Cuando alguien autoriza una desviación del procedimiento, ¿queda registrado por qué se tomó, durante cuánto tiempo era válida y qué ocurrió después?
3. VACÍO
Cuando una IA no dispone de suficiente contexto, ¿puede reconocerlo y preguntar en lugar de completar la respuesta con algo plausible?
Si alguna respuesta es «no», probablemente el problema no esté en el modelo
Conclusión
Durante años intentamos convertir conocimiento en información para poder almacenarlo. Con la IA aparece también el problema inverso: conseguir que la información almacenada vuelva a disponer de suficiente contexto para poder interpretarse correctamente.
Por eso la siguiente infraestructura empresarial importante quizá no sea simplemente una base de conocimiento más grande.
Puede ser una infraestructura capaz de responder, para cada situación, qué regla manda, qué precedente sigue siendo válido, quién tiene autoridad, qué información falta y qué aprendimos la última vez que nos enfrentamos a algo parecido.
Los modelos seguirán mejorando. Habrá modelos más capaces, más baratos y especializados en tareas que hoy todavía hacemos mal. Pero ninguna actualización descargará automáticamente los años de decisiones, relaciones, excepciones y experiencia que explican cómo funciona realmente tu organización.
Si mañana tuvieras acceso al mejor modelo disponible, ¿qué parte del contexto necesario para tomar una buena decisión seguiría viviendo solamente en la cabeza de tu equipo?
IDEA CLAVE
La capacidad general puede comprarse.
El contexto organizacional tiene que construirse y acumularse.
Y cuanto más capaz sea la IA, más valioso puede resultar disponer del contexto correcto para dirigir esa capacidad.
NOTA METODOLÓGICA
Este artículo conecta varias líneas que conviene distinguir. Ba se utiliza como marco de gestión del conocimiento para explicar la dependencia entre conocimiento y contexto; context engineering describe un problema técnico diferente relacionado con la información disponible durante una inferencia; y sensemaking se utiliza para distinguir la detección de señales de su interpretación organizacional. La relación entre estos conceptos es una síntesis editorial de ClarityOps, no una equivalencia propuesta por sus autores.
Los resultados de WikiSkill se incluyen como evidencia reciente de que el conocimiento procedural externo y acumulado puede modificar sustancialmente el rendimiento de un sistema sin cambiar los parámetros del modelo. Se trata de un preprint experimental sobre agentes y benchmarks, no de evidencia directa sobre organizaciones ni de una demostración de que un modelo pequeño con contexto supere generalmente a modelos mayores.
Company Brain se utiliza como una categoría arquitectónica emergente, no como un estándar académico o técnico consolidado. Los productos comerciales mencionados se presentan únicamente como ejemplos de decisiones de diseño y sus afirmaciones se atribuyen a sus propios proveedores.
REFERENCIAS
Nonaka, I. y Konno, N. (1998). The Concept of «Ba»: Building a Foundation for Knowledge Creation. California Management Review, 40(3), 40–54. Fundamento del concepto de Ba como espacio compartido en el que el conocimiento adquiere significado.
Grant, R. M. (1996). Toward a Knowledge-Based Theory of the Firm. Strategic Management Journal, 17(S2), 109–122. Conceptualización de la empresa como institución que integra conocimiento especializado de sus miembros.
Kogut, B. y Zander, U. (1992). Knowledge of the Firm, Combinative Capabilities, and the Replication of Technology. Organization Science, 3(3), 383–397. Origen organizacional de las capacidades: recombina conocimiento acumulado y formas de cooperación que no se adquieren fácilmente en el mercado.
Anthropic (2025). Effective context engineering for AI agents. Documentación técnica del proveedor sobre selección de información de alta señal y errores habituales de contexto compartido asumido.
Liu, N. F., Lin, K., Hewitt, J., Paranjape, A., Bevilacqua, M., Petroni, F. y Liang, P. (2024). Lost in the Middle: How Language Models Use Long Contexts. Transactions of the Association for Computational Linguistics, 12, 157–173. Evidencia experimental sobre sensibilidad a la posición de la información en contextos largos.
Stanford HAI (2026). AI Index Report 2026. Datos sobre convergencia entre modelos de frontera y desplazamiento de la competencia hacia coste, fiabilidad y rendimiento por dominio.
Alayón, D. (2026). Tiempo de futuros. Roca Editorial. Utilizado para la distinción entre escaneo de señales y creación de sentido.
Tang, L., Rashtchian, C., Ferng, C.-S., Tomkins, A., Juan, D.-C. y Vu, T. (2026). WikiSkill: Compiling Agent Experience into Persistent Knowledge for Skill Evolution. arXiv preprint arXiv:2608.27454. Evidencia experimental sobre acumulación persistente de conocimiento, evolución de skills y transferencia entre modelos.
GuruSup (2026). Company Brain. Página de producto de GuruSup Brain. Fuente del propio proveedor sobre captura de conocimiento, detección de vacíos y consulta a personas.