La ecuación de la confianza: Generar confianza en los datos en la era de la IA | Alteryx + Golden Analytics + McGarrah Jessee. Ver bajo demanda
Lanzamiento de noviembre: Confianza a la velocidad de la IA - descubre cómo Alteryx valida los datos y la lógica detrás de cada respuesta de IA, dentro de tu chat de IA. Regístrate ahora
Anunciamos el lanzamiento de Alteryx One para el tercer trimestre de 2026: Analítica gobernada en cualquier lugar donde se lleve a cabo el trabajo. Explorar ahora
Alteryx on Tour ya está aquí: Conoce el poder de la analítica agéntica en una ciudad cerca de ti. Encontrar una ciudad
Presentamos Agent Studio: Transforma la lógica de negocio y los datos en insights conversacionales. Más información
Problema de un solo jugador

El problema de un solo jugador con la IA empresarial

Tecnología   |   Andy MacMillan   |   5 de octubre de 2026 TIEMPO DE LECTURA: 6 MIN
TIEMPO DE LECTURA: 6 MIN

El carácter incipiente de la IA significa que el mundo está aprendiendo a operacionalizar y escalar una nueva tecnología en tiempo real.

Es emocionante. Pero también es caro.

Las tareas complejas tienen una cierta tasa de consumo de tokens y, al crear y ejecutar agentes, estos costos pueden volverse inmanejables rápidamente. Los agentes deben razonar sobre una lógica de negocio compleja, hacer suposiciones inteligentes sobre el contexto, leer los resultados y decidir la siguiente mejor acción, a veces varias veces en una sola instancia.

Sin embargo, los altos costos únicos no son la principal barrera para la operacionalización. El problema es lo que sucede al intentar ejecutar el mismo proceso, solo para obtener una respuesta diferente cada vez.

Si bien los costos de tokens se acumulan al reiniciar un proceso o reconfigurar una lógica de negocio importante, la imprevisibilidad no es una opción.

No puedes escalar un negocio basándote en la aleatoriedad.

Los negocios no son una ruleta

Los LLM son probabilísticos. Generan resultados a partir de una distribución de probabilidad, lo que significa que la misma solicitud puede producir diferentes respuestas cada vez.

A algunas tareas empresariales, como la redacción, no les afecta esta variabilidad. Hay muchas maneras de redactar un buen correo electrónico (y, por supuesto, muchas maneras de redactar un mal correo electrónico). Siempre que tengas un correo electrónico eficaz, es probable que la IA te ahorre tiempo.

Sin embargo, otras tareas requieren respuestas muy específicas.

Los cálculos críticos para el negocio, como los que se presentan a auditores y miembros de la junta directiva, deben ser visibles, entendibles, repetibles y auditables, lo que denominamos VERA. Dadas las mismas entradas y reglas de negocio, deben producir el mismo resultado cada vez. Deben sobrevivir al contacto con la realidad, demostrando ser precisos bajo los niveles más altos de escrutinio.

Muchos líderes empresariales con los que hablo están gastando cantidades exorbitantes de tiempo y dinero intentando convertir algo probabilístico en algo determinista o, en otras palabras, convertir algo con altos grados de variación en algo repetible que siempre dé un resultado determinado a partir de la misma entrada.

Esto no es imposible con los LLM. Los modelos de IA pueden escribir código para tareas deterministas. El problema es que, para la mayoría de los usuarios empresariales, el código generado por IA no es accesible. Los líderes de finanzas pueden entender las reglas de reconocimiento de ingresos mejor que nadie, pero a menudo no pueden validar un script de Python.

Los usuarios de negocio entienden los procesos de tu empresa mejor que nadie. Deben ser ellos quienes verifiquen los procesos impulsados por IA. Pero si no pueden entender lo que está pasando, entonces estás intentando poner en funcionamiento una caja negra.

Por qué las soluciones puntuales de IA no escalan

 

Imagina que quieres crear un agente de IA para calcular el reconocimiento de ingresos de tu equipo de finanzas.

Si le pides a Gemini o Claude que analice los datos de tus sistemas empresariales, puede extraer métricas de alto nivel en minutos. Incluso puede escribir código para ayudarte a realizar la analítica determinista adecuada. Pero si le muestras a tu líder de finanzas lo que creaste, mirará todo el código en tu laptop y te preguntará cómo funciona.

Puedes guiarlos a través de tus prompts, pero si no pueden analizar Python y no pueden entender los pasos lógicos clave, es imposible que confíen en esta nueva función que creaste, y mucho menos ponerla en funcionamiento.

Una opción es crear un repositorio de Git; colocar todo lo relacionado con el nuevo flujo de trabajo en un solo lugar y compartirlo con el equipo financiero para que pueda verificar el código e iterar sobre él. Sin embargo, es poco probable que el equipo financiero de repente comience a trabajar en repositorios de Git e implemente control de versiones y revisiones basados en Git para verificar los scripts de Python generados por IA.

Este es el problema del jugador individual en la IA empresarial: los modelos de IA pueden ayudarte a hacer cosas increíbles, pero si no puedes compartir esos resultados con expertos de negocio que puedan verificar la lógica de negocio e iterar sobre un flujo de trabajo generado por IA, la utilidad de lo que creaste se convierte en un artefacto aislado que es difícil de gobernar o escalar para la empresa.

Resolver el problema de un solo jugador

Aunque no sea realista que el equipo de finanzas comience a trabajar con repositorios de Git, aún puedes compartir soluciones de IA en un lugar central para que los expertos de negocio las revisen e iteren sobre ellas.

Pídele a tu modelo de IA que cree esa solución como un flujo de trabajo de Alteryx en lugar de código. Los usuarios empresariales pueden inspeccionar el flujo de trabajo resultante y ver lo que sucede en cada paso: qué datos se usaron, la lógica que se aplicó y los cálculos realizados, algo que nadie puede hacer con un script de Python.

Entonces, cada flujo de trabajo se convierte en un artefacto compartible y verificable. Los usuarios de negocio pueden revisar y ver lo que está pasando. Incluso pueden hacer que la IA les ayude a hacer ajustes en el flujo de trabajo si se necesitan cambios.

Además, cada flujo de trabajo de Alteryx puede convertirse en una fuente de lógica de negocio confiable y una herramienta ejecutable para la IA.

Si tienes un flujo de trabajo de Alteryx llamado “Reconocimiento de ingresos”, tienes un registro formalizado y legible por máquina de cómo tu empresa reconoce los ingresos. Todas las fórmulas relevantes y la lógica de negocio interna ya están incorporadas.

Tus agentes de IA pueden acceder a estos flujos de trabajo para comprender y usar la lógica de negocio que define cómo opera tu empresa. No necesitas quemar tokens pidiéndole a la IA que vuelva a calcular tu lógica de negocio cada vez que quieras calcular algo.

En segundo lugar, tus flujos de trabajo se convierten en “herramientas” para tus modelos de IA, funciones ejecutables a las que tus modelos de IA pueden llamar para realizar acciones específicas. Cuando necesites calcular el reconocimiento de ingresos, simplemente puedes pedirle a tu LLM que acceda a ese flujo de trabajo de Alteryx mediante MCP, directamente desde tu interfaz de LLM.

Construir una base de confianza

Algunas tareas son perfectas para los modelos de IA probabilísticos. Otras, como ejecutar cálculos y analítica importantes, deben hacerse de la misma manera, cada vez. Cada empresa tiene reglas, lógica, métricas y cálculos estandarizados. Sin ellos, no puedes escalar.

Al usar flujos de trabajo de Alteryx para estos cálculos, ya no es necesario que los modelos de IA reinventen los cálculos y la lógica de negocio cada vez. Las reglas de negocio validadas están en el flujo de trabajo, donde se pueden inspeccionar, probar, gobernar y reutilizar. Cada flujo de trabajo de Alteryx se convierte en un activo de negocio reutilizable que impulsa los procesos de IA con lógica confiable.

De repente, la caja negra es mucho más clara.

Etiquetas
  • Inteligencia artificial
  • Inteligencia de negocios/Analítica/Data science
  • Análisis de datos
  • TI
  • Líder de analítica
  • Líder comercial
  • Líder de TI