Organizaciones con miles de empleados enfrentan un problema estructural conocido: la información crítica rara vez llega a quienes toman decisiones estratégicas. Un fracaso en ventas, una encuesta de clima laboral con resultados negativos o una propuesta rechazada por un cliente suelen filtrarse, suavizarse o simplemente no escalar. Los agentes de inteligencia artificial con acceso a datos internos están comenzando a cerrar esa brecha.
Databricks actualizó su agente de IA Genie para ejecutar tareas complejas de forma autónoma durante períodos prolongados, sin requerir supervisión constante. La mejora clave es una ontología diseñada para que el agente comprenda el contexto específico de los datos que cada empresa almacena en la plataforma. Esto le permite analizar encuestas internas, evaluar propuestas ejecutivas, resumir presentaciones de ventas fallidas y preparar materiales para reuniones, todo con acceso directo a la información real de la organización, no a versiones editadas.
El problema del número de Dunbar aplicado a las empresas
El antropólogo Robin Dunbar propuso que los humanos pueden mantener relaciones estables con un máximo de 150 personas. En una startup de ese tamaño, quien dirige la empresa puede recibir retroalimentación directa y sin filtros. En una organización de 12,000 empleados, esa dinámica desaparece: ningún vendedor reportará espontáneamente un cierre fallido a la dirección general, y ningún gerente medio compartirá los resultados más incómodos de una encuesta de satisfacción.
Esta asimetría de información no es un problema de cultura organizacional, sino una consecuencia matemática del tamaño. Los agentes de IA con acceso a datos estructurados e históricos operan fuera de esa jerarquía social: no filtran, no suavizan y no tienen incentivos para proteger narrativas internas. Eso los convierte en una fuente de diagnóstico organizacional cualitativamente distinta a los reportes tradicionales.
Implicaciones para la toma de decisiones basada en datos
El uso de agentes autónomos para tareas como la revisión de encuestas de clima, el análisis de objeciones en procesos de venta o la preparación de contexto para reuniones estratégicas representa un cambio en cómo las organizaciones procesan su propia información. En lugar de depender de síntesis humanas —siempre sujetas a sesgos de selección—, es posible consultar directamente el dato en su estado original.
La gestión del consumo computacional asociado a estos agentes es un factor operativo relevante. Plataformas como Databricks permiten establecer límites de uso y seleccionar modelos de menor costo según el tipo de tarea, lo que hace viable escalar el uso sin comprometer el control presupuestario. Para organizaciones que evalúan la adopción de IA agentica, la capacidad de gobernar el gasto desde la misma infraestructura de datos es un criterio de arquitectura tan importante como la precisión del modelo.
