El resultado más duradero de su primer agente puede ser datos más limpios. Planifíquelo y presupuestelo.

Hay un momento familiar en los pilotos de agentes. Alguien muestra una respuesta incorrecta en la pantalla, la sala empieza a discutir sobre el modelo, y entonces una persona que conoce el proceso rastrea la respuesta hasta un registro que nadie había completado durante dos años. El modelo hizo exactamente lo que se le pidió. Los datos le dijeron algo falso.

Ese momento suele terminar con una solución provisional: una regla en el prompt, una excepción en la recuperación, una nota para “limpiar eso más tarde”. Nuestra opinión es que debería terminar de otra manera. El defecto que encontró el agente es una de las cosas más valiosas que produjo el piloto.

Los agentes leen lo que la gente omite

Las personas que trabajan con un sistema durante años aprenden qué campos ignorar, qué estados nunca se actualizan y qué cliente tiene tres registros. Los agentes no. Leen los registros literalmente, a escala, cada vez. Así encuentran, rápidamente y en público, la deuda de datos que la gente había sorteado en silencio.

Cuatro señales de un solo día de publicaciones hacen que el patrón sea difícil de ignorar:

• El equipo de ingeniería de infraestructura de Microsoft descubrió que su informe de liderazgo generado por IA era inexacto hasta que construyó un segundo agente para corregir los datos de planificación en la fuente. “La IA solo puede ser tan precisa como los datos que tiene delante.”
• La guía interna de Microsoft para elegir entre Agent Builder, Copilot Studio y Foundry lo afirma como una lección: la preparación de los datos determina la calidad del agente, porque un agente refleja el contenido al que puede acceder.
• El agente de soporte de Microsoft perdió usuarios cuando ignoró lo que ya habían probado. Su solución fue en parte sobre el tono, y en parte sobre llevar el contexto, que son datos que no se habían capturado ni transmitido.
• Tanto Google como Databricks acercaron las definiciones de negocio a los agentes, y las definiciones en conflicto son lo primero que expone dicha capa.

Dos resultados, y la mayoría de los programas conserva uno

Todo agente en sus primeros meses produce dos cosas: respuestas, y una lista de razones por las que algunas respuestas fueron incorrectas. La mayoría de los programas conserva la primera y tira la segunda en soluciones provisionales. Creemos que la segunda lista merece ser tratada como un entregable por derecho propio.

Registre cada respuesta incorrecta por causa raíz. Modelo, recuperación, datos, definición o proceso. Sin esa división, cada defecto parece un problema del modelo y recibe una solución de prompt. Argumentamos que la recuperación necesita su propia medición; los datos y las definiciones también.

Enrute los defectos de datos al propietario del sistema, no al equipo de IA. El agente de higiene de Microsoft hace exactamente esto: le dice al propietario del registro qué falta y cómo corregirlo en el sistema de registro. El equipo de IA no puede corregir un maestro de proveedores, y no debería intentarlo.

No deje que el agente tape los vacíos. Un agente que rellena un campo faltante con texto plausible oculta el defecto y empeora la siguiente respuesta. Prefiera agentes que digan “este campo está vacío” a agentes que adivinan bien.

Mida la reparación. Tasas de completitud y consistencia para los registros de los que depende el agente, seguidas en el tiempo. Esos números sobreviven al agente, y ayudan a cada futura herramienta, modelo y proveedor que lea los mismos datos.

Presupuestarlo en ambos lados

La reparación de datos es trabajo real de personas que ya tienen empleos, así que pertenece al business case como un costo. También pertenece allí como valor, porque un registro más limpio sirve a cada proceso que lo lee, no solo al agente. Ese es el tipo de valor que argumentamos que las horas ahorradas no pueden capturar: necesita un propietario y una métrica, decididos antes de la puesta en producción.

En industrias reguladas, esto es menos nuevo de lo que parece. Las compañías de ciencias de la vida ya inspeccionan la integridad de los datos como una disciplina, y los bancos ya concilian. Un agente que expone registros incompletos está produciendo hallazgos que esos equipos saben cómo procesar. El riesgo está solo en ignorarlos.

Nuestra expectativa, y es una opinión más que un hecho: las organizaciones que más obtengan de sus primeros agentes no serán las que tengan las mejores primeras respuestas. Serán las que trataron las respuestas incorrectas como una auditoría de sus datos, y corrigieron lo que encontró.