Sin embargo, aunque muchos han podido utilizar la investigación avanzada a título individual —para buscar y sintetizar información en internet—, pocos se han beneficiado de ella en el ámbito empresarial. No se debe a que no resulte útil —todo lo contrario—, sino a preocupaciones más amplias sobre la fiabilidad, la dispersión de las fuentes de datos o la capacidad de un modelo para procesar grandes cantidades de contexto, como un enorme volumen de archivos de distintos tipos.
Nuestra experiencia al crear herramientas empresariales de investigación avanzada durante los últimos 12 meses demuestra que una ingeniería bien planteada permite mitigar cada vez más esas preocupaciones. En este artículo analizamos los principales obstáculos para crear aplicaciones empresariales eficaces de investigación avanzada, cómo los superaríamos y cómo creemos que evolucionará este ámbito durante 2026.
El techo de ejecución ha aumentado drásticamente. La llegada de gpt-5 en agosto de 2025 marcó un punto de inflexión para la IA empresarial. En nuestros sistemas de producción, incluida una plataforma de descubrimiento de dianas terapéuticas para una de las mayores farmacéuticas del mundo, vimos cómo la alucinación de fuentes bajó del 3-4 % a prácticamente cero. Después, en diciembre, gpt-5.2 amplió aún más la longitud de contexto efectiva. El resultado práctico: ahora podemos pasar de cientos a miles de fuentes por ejecución de investigación sin sacrificar la fiabilidad. El cuello de botella ha vuelto a estar donde corresponde: en tus datos, tus evaluaciones y el diseño de tu programa, no en la capacidad del modelo.
Estrategia de datos: que sean accesibles supera a unificarlos. Es comprensible el impulso de tratar la IA empresarial como un problema de integración de datos, pero suele ser contraproducente. La unificación completa es lenta y política, y obliga a comprometerse prematuramente antes de saber qué preguntas importan de verdad. La opción pragmática en 2026 es una conectividad dispersa. Haz que los datos sean accesibles mediante puntos de anclaje con mucha señal —especificaciones, políticas, SKU o cláusulas contractuales— en vez de esperar años para unificarlo todo. Los modelos de vanguardia ya pueden realizar «uniones flexibles» entre sistemas durante la inferencia y enlazar términos relacionados sin correspondencias formales. Así mantienes la rapidez de despliegue y la flexibilidad para añadir fuentes más adelante.
La navegación evita que el sistema se pierda. Los datos empresariales no son la web. Son dispersos, están llenos de convenciones locales y, a menudo, solo hay una fuente correcta para un dato concreto. Sin orientación, los modelos tienden a encadenar consultas interminables para encontrar una fuente más, consumiendo tiempo y agotando la paciencia del usuario. Una capa semántica ligera —mapas hash, búsquedas de entidades y grafos de relaciones sencillos— ofrece al sistema vías rápidas y económicas para llegar al contexto adecuado. Es como el consejo que un compañero veterano da a alguien que acaba de incorporarse: «guarda estos sitios en favoritos; si tienes problemas con AWS, habla con Ross». No tiene que ser complicado. Solo tiene que ayudar al sistema a encontrar rápidamente lo que necesita.
Mecánica (en cada consulta): calidad de las citas, uso correcto de las herramientas, latencia y coste. Son tus mecanismos de protección: rutinarios, pero esenciales.
Analítica (periódica): ¿elige el sistema las herramientas adecuadas, sigue líneas de investigación sensatas, selecciona fuentes autorizadas y sabe cuándo detenerse? Normalmente se puntúa mediante un LLM como juez y ejemplos etiquetados.
De usuario (continua): tasas de finalización de tareas, comentarios cualitativos de usuarios avanzados y analítica de uso. La prueba definitiva. ¿Hemos creado algo que la gente considera útil?
El ROI procede de los problemas difíciles, no de los seguros. Tras los informes que afirman que la mayoría de los proyectos empresariales de IA no logran ROI, se ha agotado la tolerancia hacia demostraciones impresionantes que nunca se implantan. Los directivos quieren pruebas, y las quieren rápido. Paradójicamente, esa presión puede llevar a los equipos a tomar decisiones equivocadas. La tentación es empezar por tareas de bajo riesgo porque son fáciles de desplegar y es poco probable que generen fricciones. Pero estos casos de uso rara vez producen un impacto suficiente para justificar la inversión continuada. Los sistemas empresariales de investigación avanzada están bien situados para demostrar valor porque se centran en trabajos que ya son costosos: flujos complejos y de alto riesgo donde el coste de mantener la situación actual es visible. Los casos de uso más sólidos que hemos visto se encuentran en ámbitos como la generación de RFP y ofertas, el análisis del panorama científico y la investigación de inversiones, donde el impacto se mide en tasas de éxito, menor tiempo hasta los ensayos y rapidez para llegar a una convicción, no solo en horas ahorradas.
El cambio de UX: de conversar a delegar y de las respuestas a los entregables. Creemos que este será uno de los cambios en la experiencia de usuario que definirá 2026. Al observar los desarrollos con mayor adopción reciente, destacan un par de aspectos. A medida que ha aumentado la fiabilidad de estos sistemas, los usuarios han empezado a tratarlos menos como un chatbot al que consultar y más como un analista en el que delegar. Dos cosas lo hacen posible: permitir que los equipos adapten las plantillas y los criterios de parada a sus flujos de trabajo, y dejarles exportar directamente al formato que realmente necesitan —un informe, una presentación, un resumen, etc.— en vez de pedirles que compilen un entregable final a partir de una conversación. Cuando ambas están presentes, el sistema deja de ser una herramienta de consulta y pasa a ser el medio por el que se realiza el trabajo.
El año pasado escribimos sobre llevar la investigación avanzada a la empresa. Tomamos el paradigma de investigación avanzada centrado en la web que OpenAI popularizó inicialmente y lo ampliamos a las fuentes de datos propias de las empresas sin perder trazabilidad ni control. También señalamos que los sistemas de investigación avanzada no deben considerarse una ruptura con los sistemas RAG más clásicos, sino una evolución de estos.
De cara a 2026, no ha cambiado tanto la idea de la investigación avanzada como el nivel máximo al que puede ejecutarse.
Cuando empezamos a crear estos sistemas a principios de 2025, entre los modelos de vanguardia estaban o1, gpt-4o y claude-3.5-sonnet —realmente hemos avanzado mucho en solo 12 meses—, y modelos como o3 y gemini-2.5-pro supusieron grandes progresos durante los primeros meses del año. Fueron excelentes en su momento y permitían crear aplicaciones sólidas de investigación avanzada, aunque solo hasta cierto punto. Ese punto solía situarse en unos pocos cientos de fuentes. A partir de ahí había que podar el contexto de forma bastante agresiva o sufrir respuestas con pérdida de información, fallos al seguir instrucciones o alucinaciones manifiestas.
Si has creado estos sistemas, reconocerás algunos de estos modos de fallo.
Para ilustrarlo: a mediados de 2025 empezamos a crear una solución empresarial de investigación avanzada con una de las mayores farmacéuticas del mundo. Se trata de un sistema para acelerar el descubrimiento de dianas terapéuticas, un proceso en el que se buscan genes, hormonas u otros elementos del cuerpo humano sobre los que actuar para tratar una enfermedad. En ese momento, el modelo más potente disponible era o3. Aunque ofrecía un gran rendimiento, entre el 3 y el 4 % de las respuestas generadas por este modelo contenían fuentes que no se le habían proporcionado mediante llamadas a herramientas desde las fuentes de datos propias del cliente. Lo mitigamos con comprobaciones de citas posteriores, que señalaban las secciones de las respuestas que el contexto proporcionado no respaldaba. Esto funcionó bien para generar confianza entre las partes interesadas durante la fase inicial de prueba de concepto del proyecto y nos ayudó a avanzar rápidamente. Pero seguimos intentando reducir estos errores, mitigando las limitaciones de los modelos a la vez que atendíamos las peticiones de las partes interesadas para añadir más fuentes al sistema.
La llegada de gpt-5 en agosto marcó un punto de inflexión fundamental para crear soluciones de vanguardia de investigación avanzada y, en general, soluciones basadas en agentes. Al sustituir o3 por gpt-5, nuestras evaluaciones mostraron que la tasa de alucinación de fuentes bajó inmediatamente al 0 %.
Para precisar esta métrica: mide estrictamente si el modelo cita un ID de documento o una URL que no figuraban en el contexto recuperado. En la época de o3 —y antes—, los modelos inventaban en ocasiones nombres de archivo o artículos plausibles para cubrir lagunas de conocimiento. gpt-5 nos permitió eliminar prácticamente esta anomalía concreta.
Cabe señalar que esto es distinto de los errores de fidelidad —citar el documento correcto, pero interpretar mal el texto—, que siguen siendo un reto que gestionamos mediante las comprobaciones posteriores mencionadas antes.
Esto abrió enormes posibilidades. A partir de ahí empezamos a probar el sistema para comprobar hasta dónde podíamos llevarlo con la nueva generación de modelos. Descubrimos que podíamos multiplicar aproximadamente por diez el número de fuentes consideradas en una ejecución de investigación avanzada —hasta unas 3 000-5 000—. El límite final no fue un fallo al seguir instrucciones, sino el rendimiento con contextos largos. La longitud de contexto efectiva de los modelos suele ser muy inferior a la anunciada, especialmente con datos farmacéuticos densos.
Esta limitación se redujo parcialmente con el lanzamiento de gpt-5.2 a mediados de diciembre. Nuestras pruebas internas de contexto largo indicaron una mejora considerable del rendimiento efectivo con contextos largos, lo que nos permitió llevar aún más lejos nuestros sistemas de vanguardia de investigación avanzada. Esto resultó útil porque nos permitió aumentar el número de tokens que se pueden enviar directamente al modelo que genera el resultado para el usuario y, por tanto, ofrecer una respuesta más completa. Aun así, nos gustaría que las longitudes de contexto efectivas de los modelos de vanguardia siguieran aumentando durante 2026.
Dados estos avances en la capacidad bruta de los modelos, los cuellos de botella para crear sistemas eficaces de investigación avanzada han vuelto en muchos sentidos al lugar donde siempre debieron estar: tus datos, tus evaluaciones y cómo estructuras el programa de investigación avanzada en tu empresa. Cada uno de estos pasos exige tomar decisiones pragmáticas sobre qué genera un impacto real al crear un sistema de investigación avanzada.
El resto del artículo explica cómo abordamos esas decisiones.
Puede resultar tentador tratar los proyectos de investigación empresarial como un problema de integración de datos. Unificar las fuentes, normalizar el esquema y dejar que los modelos trabajen sobre esa base.
Y, para ser claros, a veces esa es exactamente la decisión correcta. Si operas en un ámbito donde las entidades principales son estables, las consultas se repiten y el objetivo último es industrializar el flujo de trabajo, la unificación puede aportar grandes beneficios. Algunos casos clásicos son la unión de datos de clientes e ingresos, los datos sobre precios de mercado o cualquier situación que requiera informes fiables entre sistemas.
Sin embargo, en la práctica, los líderes innovadores actuales buscan algo distinto en los sistemas empresariales de investigación avanzada.
Ante el creciente interés por el ROI del gasto en IA, uno de los principales objetivos de quienes toman decisiones es demostrar rápidamente el valor en la compleja realidad del funcionamiento de la empresa. Y unificar por completo las fuentes de datos es una de las formas más lentas de conseguir esa primera prueba. Es una tarea pesada. Genera conflictos políticos. Y a menudo te obliga a comprometerte con una dirección antes de descubrir qué preguntas importan realmente.
Por eso creemos que el punto de partida pragmático para crear sistemas de vanguardia de investigación avanzada en 2026 suele ser este: haz que tus datos sean accesibles antes de embellecerlos.
Si existe una posibilidad realista de añadir más fuentes con el tiempo —como ocurre en la mayoría de las empresas—, se infravaloran las conectividades más dispersas. Puedes exponer decenas de fuentes mediante una interfaz de recuperación coherente. El sistema podrá seguir trabajando y, lo que es fundamental, conservarás la capacidad de entregar con rapidez. Cuando llegue el momento de añadir más fuentes, no tendrás que ponerlo todo patas arriba. Basta con conectar un nuevo conector, explicar al sistema central qué es y cómo usarlo, y dejar que los modelos se ocupen del resto. Esto funciona porque los modelos de vanguardia actuales pueden realizar uniones flexibles de dos o más fuentes durante la inferencia, enlazando «ID de cliente» en un sistema con «Referencia del cliente» en otro, sin que nadie tenga que definir una correspondencia formal. No somos el único equipo que piensa así. No somos el único equipo que piensa así: el agente de datos interno de OpenAI está diseñado para que los modelos razonen sobre 70 000 conjuntos de datos heterogéneos, haciendo accesibles el contexto y las conexiones al consultar, en vez de imponer una unificación completa de antemano.
Conviene aclarar un matiz: una integración dispersa no tiene por qué ser superficial.
La integración dispersa funciona mejor cuando las conexiones que estableces son significativas y se expresan de una forma que el sistema pueda aprovechar fácilmente. Una buena forma de plantearlo es tratar determinados datos como puntos de anclaje: especificaciones, políticas, definiciones de productos, SKU, cláusulas contractuales y elementos similares. No tienes que unificar todos los conjuntos de datos para que estos puntos de anclaje sean eficaces; solo necesitas un identificador estable con unas pocas conexiones de mucha señal.
Por ejemplo, imagina que un modelo —o un usuario— consulta una especificación. En un sistema ingenuo, la interacción terminaría ahí. Recuperas la especificación, la resumes y quizá la citas. Sin embargo, al crear estructuras de datos útiles, queremos convertir esa consulta en el inicio de una ampliación controlada. Por ejemplo, podríamos vincular opcionalmente el registro de esa especificación con entregables históricos relevantes. «Relevante» puede significar varias cosas, pero normalmente dependería de la tarea que realiza el sistema y podría incluir RFP que mencionaban la especificación, respuestas anteriores que ganaron ofertas relacionadas con ella, cambios en los que el equipo jurídico planteó objeciones y otros elementos similares. Este enfoque puede mejorar enormemente la calidad y la latencia de las respuestas al mostrar rápidamente al sistema de investigación avanzada los hallazgos más importantes durante la consulta.
Esto plantea la siguiente pregunta: una vez que tienes un mundo de fuentes de datos conectadas de forma dispersa mediante unas pocas relaciones de mucha señal, ¿cómo evitas que el sistema de investigación avanzada deambule como un niño por una tienda de golosinas y consigues que navegue como un analista experimentado?
Las fuentes de datos empresariales no se comportan como la web. Son dispersas, están llenas de convenciones locales y, a menudo, solo tienen una fuente «correcta» para un dato concreto, si consigues encontrarla. Además, los modelos actuales tienden a intentar maximizar siempre la exhaustividad en las búsquedas, encadenando consultas para encontrar una fuente más mientras consumen tiempo y agotan la paciencia del usuario. Una ingeniería de instrucciones cuidadosa puede mitigarlo en cierta medida.
La solución más eficaz es una herramienta ligera que ayude al modelo a orientarse en el desordenado panorama de datos empresariales. Algunos equipos lo llaman ontología. Otros lo llaman capa semántica, servicio de consulta, grafo o repositorio de conceptos. El nombre no importa demasiado.
Lo importante es que ofrezca al sistema vías rápidas y económicas para que el modelo salte eficazmente entre los fragmentos de contexto adecuados, en vez de dar tumbos durante lo que parece una eternidad.
Una metáfora sencilla sería la de alguien que acaba de incorporarse a una empresa o proyecto y cuyos nuevos compañeros le dicen: «Debes guardar estos sitios en favoritos; los usarás continuamente» o «cuando tengas un problema con AWS, habla con Ross; él te dará la información que necesitas», y así sucesivamente. Del mismo modo, aquí solo intentamos ayudar al sistema de investigación avanzada a encontrar rápidamente lo que necesita.
En la práctica, este sistema no tiene que ser complicado ni requerir mantenimiento manual. Las mejores implementaciones que hemos encontrado las generan los LLM durante el proceso de ingesta —extraen entidades para rellenar automáticamente el grafo— o son simples pasarelas hacia sistemas de registro existentes, como una consulta a la API de Salesforce. Estos son algunos ejemplos habituales:
Consultas en mapas hash, por ejemplo: introducir el nombre del producto y devolver su descripción.
Una consulta ligera de relaciones «comunes», por ejemplo: en nuestro grafo de relaciones causales de genes, este gen suele estar relacionado con estas enfermedades.
Modelos de reconocimiento de entidades con nombre, especialmente útiles en ámbitos con problemas complejos de desambiguación de entidades, como el farmacéutico.
Para las relaciones de datos más complejas, los grafos RDF ligeros pueden ofrecer la solución más ampliable para una ontología.
… y más.
Una vez implantado, el sistema puede desplazarse eficazmente por tus fuentes de datos. La siguiente pregunta es sencilla: ¿cómo sabes si hace lo correcto sistemáticamente en condiciones de uso reales?
Ahora que tus datos son accesibles y la capa de navegación proporciona el mapa, el sistema tiene capacidad para realizar el trabajo. Pero, en el ámbito empresarial, la capacidad no sirve de nada sin fiabilidad.
Aquí se encuentra el mayor cementerio de proyectos de IA. Muchos equipos han caído en la trampa de las evaluaciones «basadas en sensaciones». Ejecutaban una consulta, leían el resultado, asentían satisfechos y lo implantaban. Este enfoque no funciona al crear un sistema de investigación avanzada que podría recorrer de forma autónoma 5 000 documentos para formular una recomendación sobre una decisión de varios millones de dólares relativa a la cadena de suministro.
El cambio importante es que ya no evalúas un modelo, sino un sistema. La interpretación de preguntas, la planificación, las llamadas a herramientas, la interpretación, la poda del contexto, la reclasificación e incluso detalles aparentemente aburridos de los conectores, como las marcas de tiempo, repercuten en la experiencia de usuario.
Las evaluaciones estructuradas y repetibles nos ayudan a resolver estos problemas.
Al crear evaluaciones, podemos clasificarlas a grandes rasgos en tres categorías, desde las mecánicas hasta las subjetivas.
Esta es la parte más parecida a las pruebas unitarias y donde los equipos suelen avanzar más rápido al principio. También suelen ser las más estables con el tiempo: una vez configuradas, siguen aportando valor durante toda la vida del proyecto.
Las «evaluaciones mecánicas» suelen ser comprobaciones que pueden ejecutarse en cada consulta sin intervención humana. Nos ayudan a confiar en que el sistema se comportará de forma predecible y segura con cargas de usuarios reales.
Estos son algunos ejemplos:
Calidad de las citas: ¿apuntan todas las citas a fragmentos que realmente se recuperaron? ¿Hay afirmaciones sin citar? ¿Hay afirmaciones que el material de origen no respalda? ¿Son las citas demasiado genéricas, por ejemplo, se cita un documento entero para respaldar una sola afirmación?
Uso correcto de las herramientas: ¿utilizó el sistema todas las herramientas que afirmó haber usado? ¿Utilizó correctamente las herramientas de navegación? ¿Aplicó un formato incorrecto a alguna solicitud de herramientas? ¿Reintentó las operaciones de forma sensata cuando se produjeron errores?
Presupuestos de latencia y coste: ¿se mantuvo dentro del tiempo objetivo hasta el primer token? ¿Superó el número previsto de llamadas a herramientas o el presupuesto? ¿Consumió mucha latencia y capacidad de cómputo para lograr una mejora marginal?
Puede sonar rutinario, pero estas son precisamente las pruebas que evitan el deterioro de un sistema empresarial.
Como ejemplo real, en el proyecto de investigación avanzada para descubrir dianas terapéuticas utilizamos dos niveles de comprobaciones de citas que se ejecutan en cada consulta. En primer lugar, al generar una respuesta, indicamos al modelo que incluya citas frecuentes en el texto. La capacidad de los LLM para hacerlo de forma fiable también es relativamente reciente y llegó durante el primer semestre de 2025. Quien intentara hacerlo antes con volúmenes de datos considerables comprenderá el reto que suponía. Así podemos realizar comprobaciones sencillas con expresiones regulares para detectar, por ejemplo, si se menciona el enlace de un artículo que no figuraba entre las fuentes proporcionadas.
El segundo nivel de comprobaciones se aplica después de transmitir la respuesta. Primero, la respuesta se divide en fragmentos. Después, se evalúa cada uno mientras el sistema busca en los datos recuperados fuentes que respalden las afirmaciones realizadas en ese fragmento. Si no se encuentran pruebas que la respalden, se señala como posible alucinación.
Si las evaluaciones mecánicas son tus pruebas unitarias, las analíticas son tu revisión de código.
Aquí entramos en un ámbito en el que intentamos saber si el sistema realiza bien el trabajo. Solemos querer saber si utiliza las herramientas correctas, sigue las líneas de investigación adecuadas, elige las fuentes más autorizadas o sabe cuándo detenerse, entre otras cuestiones.
En la práctica, suelen adoptar la forma de una serie de pares de pregunta y respuesta (P-R) para los que, por ejemplo, se conoce un orden sensato de llamadas a herramientas o la decisión correcta a partir de la investigación obtenida con la primera herramienta. Cabe señalar que los pares P-R no tienen que corresponder exactamente a la entrada y la salida de todo el sistema de investigación avanzada; estos métodos también permiten probar subprocesos. Con estas etiquetas, que puede generar una persona o un modelo de etiquetado potente —«potente» es relativo en este caso—, podemos usar un LLM como juez para puntuar las ejecuciones de investigación y evaluar su rendimiento. Al seguir estas puntuaciones a lo largo del tiempo, podemos saber si nuestros cambios mejoran el sistema en la dirección deseada o si hemos introducido alguna regresión de rendimiento.
Dado el mayor coste económico y temporal de estas ejecuciones, normalmente deben realizarse de forma periódica, según un calendario fijo o antes de actualizar una versión.
Aquí también hay una valiosa ventaja indirecta: este tipo de evaluaciones analíticas puede orientar directamente las mejoras de las conexiones dispersas mencionadas antes. Si observas repetidamente que el modelo realiza el mismo salto de alta calidad —por ejemplo, «especificación → ejemplos de RFP históricamente relevantes»— aunque hoy las personas no vinculen explícitamente esos entregables, se trata de información útil. Puedes convertir ese salto en una conexión o un atajo de primer nivel para que futuras ejecuciones se beneficien de una menor latencia y una mayor coherencia.
Aquí también detectas una de las tendencias más costosas de los sistemas de investigación avanzada: maximizar la exhaustividad de forma predeterminada. Un modelo siempre puede encontrar una fuente más. La cuestión es si debería hacerlo. Podemos ajustar el modelo para reforzar un comportamiento de parada sensato: el sistema reconoce cuándo es improbable que recuperar más información cambie la conclusión y opta por ofrecer una respuesta bien fundamentada que aborda la pregunta del usuario.
Las evaluaciones mecánicas indican que el sistema es seguro. Las evaluaciones analíticas indican que es competente. Las evaluaciones de usuarios indican si es realmente útil.
Este es otro ámbito en el que muchos equipos tropiezan. Crean algo técnicamente impresionante que nadie quiere utilizar dos veces. En el ámbito empresarial, esta es la diferencia entre un despliegue satisfactorio y un costoso proyecto de investigación.
Las evaluaciones de usuarios sirven, ante todo, para determinar si el sistema resuelve el problema adecuado de la manera correcta. Esto implica ir más allá de «¿acertó la respuesta?» y preguntar «¿me proporcionó algo que me permita actuar?»
En la práctica, las evaluaciones de usuarios suelen adoptar varias formas:
Estudios de finalización de tareas: ¿pueden los usuarios realizar su trabajo real más rápido o mejor con el sistema? No se trata de si el modelo podría responder a una pregunta, sino de si un usuario real obtuvo lo que necesitaba dentro de su flujo de trabajo habitual.
Ciclos de comentarios cualitativos: conversaciones estructuradas periódicas con usuarios avanzados. ¿Qué consultas repiten? ¿En qué puntos pierden la confianza? ¿Cuándo se rinden y vuelven al método anterior? Estas sesiones suelen revelar modos de fallo que nunca aparecen en tus conjuntos de pruebas, porque los usuarios formulan preguntas de formas que no habías previsto o aplican criterios de calidad implícitos cuya existencia desconocías.
Analítica de uso: ¿qué consultas se vuelven a ejecutar? ¿Qué respuestas se copian y se utilizan en otros lugares? ¿En qué puntos pulsan los usuarios el botón de valoración negativa? Un uso decreciente no siempre implica un fracaso —a veces los usuarios obtienen su respuesta y siguen adelante—, pero los patrones que muestran cuándo y cómo abandonan las consultas revelan mucho sobre los puntos en los que el sistema no cumple sus expectativas.
En conjunto, estas evaluaciones permiten medir la utilidad sin hacer conjeturas y detectar problemas antes de que empiecen a erosionar la confianza de los usuarios.
Sin embargo, incluso un sistema que obtenga una puntuación perfecta en precisión mecánica y entusiasme a sus primeros usuarios puede fracasar en la prueba definitiva: aumentar los ingresos de una empresa. La fiabilidad y la satisfacción de los usuarios son meros requisitos previos. Para salvar la distancia entre un piloto satisfactorio y un activo empresarial transformador, debes mirar más allá de cómo funciona el sistema y centrarte en dónde se aplica.
Hemos explicado cómo hacer que tus datos funcionen para el sistema y, después, cómo conseguir que el sistema funcione para tus usuarios. Ahora debemos hablar de cómo lograr que este sistema funcione para tu empresa.
Últimamente, los líderes empresariales han prestado mucha atención a esta cuestión, y con razón. Tras informes como la afirmación del MIT de que el 95 % de los proyectos empresariales de IA no logra ROI, se ha agotado la tolerancia hacia demostraciones impresionantes que nunca se implantan. Los modelos están preparados. Las arquitecturas están probadas. La pregunta ahora es: ¿puedes implantarlo de una forma que genere valor real para tu empresa?
La buena noticia es que los sistemas de vanguardia de investigación avanzada creados conforme a los principios anteriores están bien situados para superar este listón. No intentan automatizarlo todo ni sustituir funciones profesionales completas. Intentan que tus mejores profesionales sean mucho más eficaces en el trabajo de alto valor que ya realizan.
Pero pasar de «funciona técnicamente» a «genera ROI» exige varios avances adicionales: decisiones organizativas, de experiencia de usuario (UX) y de medición que determinan si se convertirá en una herramienta cotidiana o en una pestaña olvidada.
Según nuestra experiencia, hay dos.
Suele resultar tentador empezar con tareas internas de bajo riesgo, como «resume esta reunión». Aunque son seguras, rara vez demuestran suficiente valor para justificar el coste.
Los sistemas de investigación avanzada funcionan mejor cuando se orientan a tareas grandes y difíciles: problemas costosos en los que mejorar la calidad o la velocidad genera un aumento demostrable de los ingresos o una ventaja estratégica.
Observamos el mayor ROI cuando las empresas eligen puntos de entrada como estos:
Generación de ofertas y RFP complejas: los sistemas de investigación avanzada pueden recuperar automáticamente los éxitos históricos más parecidos —y también los fracasos—, extraer las pocas cláusulas que siempre generan cambios, encontrar las pruebas más sólidas para un requisito determinado y mucho más, para después convertirlo todo en un posicionamiento sólido y coherente para la licitación. La métrica no es el tiempo ahorrado, sino la tasa de éxito, la conservación del margen y la reducción de sorpresas jurídicas o comerciales en las fases finales.
Análisis del panorama científico: en organizaciones con una intensa actividad de I+D —farmacéuticas, biotecnológicas o fabricantes de semiconductores—, el punto de entrada consiste en condensar semanas de bibliografía y conocimiento interno en una línea de investigación útil. Un sistema de investigación avanzada puede leer miles de artículos, patentes, informes internos, notas de laboratorio y revisiones de programas anteriores para identificar lo que se conoce y lo que se cuestiona, y generar un panorama respaldado por pruebas. Así puede ofrecer ciclos de iteración más rápidos, menos apuestas sin salida y, sobre todo, reducir el tiempo hasta el primer ensayo en humanos.
Información de mercado: para bancos y fondos de cobertura, el valor reside en convertir la investigación interna fragmentada —notas, modelos, transcripciones y comentarios de intermediarios— y las señales externas —documentos regulatorios, resultados, indicadores macroeconómicos y noticias— en apoyo para tomar decisiones de inversión. Un sistema de investigación avanzada puede crear y actualizar continuamente una visión sobre una empresa, un tema o una cuestión macroeconómica, destacar los principales cambios desde la semana anterior, conciliar fuentes contradictorias y elaborar un informe de inversión o un dosier de operación con plena trazabilidad.
El denominador común es que no son conversaciones. Son flujos de trabajo complejos que suelen requerir consultores externos caros o semanas del personal sénior. Cuando orientas un sistema de investigación avanzada a estos problemas, su valor resulta innegable.
Este será uno de los cambios en la experiencia de usuario que definirán 2026.
Si tu sistema de investigación avanzada es solo un chatbot al que los usuarios consultan para encontrar información, su uso puede volverse esporádico rápidamente. Sigue siendo una herramienta de consulta y los usuarios terminan teniendo que compilar sus resultados para obtener el entregable final que desean. Sin embargo, si parece un analista siempre disponible al que puedes asignar trabajo, puede transformar por completo el modelo operativo del equipo.
Estamos pasando de «conversar» —intercambios breves— a delegar —definir un alcance, una plantilla y un objetivo, y dejar que el sistema trabaje—.
Tres cambios concretos lo hacen posible:
Resultados como entregables: el trabajo de alto valor rara vez reside en una ventana de chat; se plasma en documentos, informes y presentaciones. Los sistemas modernos de investigación avanzada deberían saltarse la fase de conversación y generar directamente el entregable empresarial final. Cuando un usuario puede pedir «un informe de inversión de tres páginas con nuestro formato corporativo» y recibir un archivo descargable en vez de un flujo de texto, el tiempo necesario para obtener valor se reduce drásticamente. También suele ampliarse a generaciones programadas: los usuarios pueden solicitar que se generen automáticamente correos o informes con nuevos hallazgos y que se distribuyan a las partes pertinentes conforme surjan datos nuevos.
Optimización local mediante plantillas personalizadas: los modelos son ya lo bastante robustos como para permitir que las unidades de negocio o incluso cada usuario adapten sus propias instrucciones y comportamientos sin romper el sistema. Un informe de riesgos tiene un aspecto distinto en Londres y en Nueva York. Si permites que los equipos carguen o diseñen sus propias plantillas estructurales y definan sus criterios de parada —por ejemplo, «comprueba siempre estas tres bases de datos internas»— o su formato de salida, los usuarios obtendrán mucho más valor del sistema y crearán algo que querrán utilizar cada vez más.
La confianza como interfaz: cuando un usuario delega una tarea que tarda más de 20 minutos en ejecutarse, la confianza se convierte en una prioridad. No puedes presentar una caja negra. La interfaz debe mostrar el razonamiento y las decisiones del sistema, indicar al usuario qué herramientas se están utilizando, generar citas y mucho más. A menudo comprobamos que la mejor experiencia de UX para estos sistemas muestra de forma predeterminada información general sobre el progreso de la investigación y permite al usuario profundizar ampliando la información en una barra lateral o un elemento similar.
Imaginamos un futuro en el que toda empresa líder disponga de un sistema de investigación avanzada a medida detrás de sus flujos de trabajo más importantes. Adoptará la forma de una serie de analistas siempre disponibles, capaces de recorrer de forma fiable miles de entregables internos y producir decisiones y resultados que permitan actuar. A medida que los modelos de vanguardia elevan el techo de ejecución, la diferenciación pasa a depender de los fundamentos: hacer accesibles tus datos, proporcionar un mapa al sistema y convertir la fiabilidad en una práctica operativa mediante evaluaciones.
Las mejoras de capacidad de los modelos que hemos visto durante el último año son la señal más clara de hacia dónde se dirige este ámbito. La oportunidad para los líderes en 2026 consiste en adelantarse. Elige un punto de entrada cuyo valor sea evidente, genera confianza mediante la trazabilidad y los mecanismos de protección, y convierte tu solución empresarial de investigación avanzada, inicialmente piloto, en una capacidad que acumule valor y que la empresa utilice a diario.