Cómo estamos convirtiendo décadas de conocimiento técnico en respuestas en segundos (y por qué empezamos por los datos, no por la IA)
Acompañamos a una multinacional de ingeniería a poner la inteligencia artificial al servicio de su conocimiento. Es un proyecto en ejecución, y la primera gran lección ya está clara: lo decisivo no es el modelo de IA, sino la gobernanza del dato.
Toda firma de ingeniería madura comparte un problema silencioso: acumula más conocimiento del que es capaz de aprovechar. Estudios geotécnicos, memorias de cálculo, informes, estándares internos, lecciones aprendidas. Décadas de capital intelectual repartido en carpetas, servidores y correos. Y el resultado es siempre el mismo: profesionales senior que pierden horas buscando un dato que ya existe, y un know-how crítico que vive en la cabeza de unas pocas personas.
Actualmente estamos acompañando a una importante empresa multinacional de consultoría en ingeniería geotécnica y minera a resolver exactamente esto. El proyecto está en marcha y queremos compartir el enfoque, porque es aplicable a cualquier organización intensiva en conocimiento técnico.
El punto de partida no es la inteligencia artificial
Cuando una organización decide "usar IA", el instinto es empezar por el modelo. Es el error más común y más caro.
Una inteligencia artificial es tan buena, segura y confiable como los datos que la alimentan. Si la conectas a información duplicada, desactualizada, sin dueño y con niveles de confidencialidad mezclados, no obtienes un asistente confiable: obtienes una máquina que amplifica el desorden a gran velocidad y con apariencia de autoridad.
Por eso, en este proyecto, lo primero no es la IA. Es la gobernanza del dato.
El cimiento: gobernanza del dato y un data lakehouse
El primer paso es integrar la información dispersa en un data lakehouse: un repositorio único que combina datos estructurados (bases, registros) y no estructurados (informes, documentos), y se convierte en la única fuente confiable sobre la que opera todo el sistema.
Sobre esa base aplicamos un marco de gobernanza que responde preguntas que toda organización debería tener resueltas:
- ¿Quién es el dueño de cada conjunto de información? (data ownership)
- ¿Qué nivel de confidencialidad tiene y quién puede acceder? (clasificación y control de accesos)
- ¿Cómo aseguramos su calidad y vigencia? (curación)
- ¿Podemos rastrear de dónde sale cada dato y cada respuesta? (trazabilidad)
Recién sobre ese cimiento se construye el asistente.
De buscar documentos a hacer preguntas
La solución es un asistente de IA corporativo con arquitectura RAG (Retrieval-Augmented Generation). En lugar de navegar carpetas, el profesional pregunta en lenguaje natural —"¿qué criterio de drenaje usamos en el proyecto de la presa?"— y recibe una respuesta precisa, construida solo con el conocimiento de la propia empresa y citando la fuente interna de respaldo.
Nada de datos inventados ni traídos de internet. Cada respuesta es trazable, verificable y respeta los permisos de quien pregunta.
Tres condiciones que se apoyan sobre el cimiento
Con la gobernanza resuelta, el asistente aporta valor sostenible si cumple tres condiciones, definidas desde el diseño:
- Seguridad y control del dato. La arquitectura mantiene la información sensible bajo dominio del cliente —por ejemplo, alojando los modelos de embeddings de forma controlada— en lugar de enviarla a terceros sin gobierno.
- Precisión y trazabilidad. En ingeniería, una respuesta sin fuente no sirve. El sistema siempre muestra de dónde sale cada afirmación.
- Costos bajo control (FinOps). Elegir el modelo adecuado para cada tarea, aprovechar componentes self-hosted y dimensionar bien la infraestructura mantiene el costo operativo bajo y predecible. La IA debe ahorrar dinero, no convertirse en un nuevo gasto.
Un plan a 3 años, no un piloto suelto
No se trata de digitalizar toda la organización de golpe. Lo planteamos como un plan maestro a 3 años, del que en 2026 estamos ejecutando la primera etapa: el cimiento de datos y el asistente sobre un dominio acotado y de alto valor. Esta lógica por fases reduce el riesgo, genera resultados tempranos y construye las bases —tecnológicas y de gobierno del dato— para escalar con seguridad en los años siguientes.
Lo que buscamos: conocimiento institucional, no individual
El objetivo de fondo no es "buscar más rápido". Es que el conocimiento deje de depender de personas concretas y se vuelva institucional: disponible para cualquier equipo, en cualquier oficina, de forma consistente y trazable. Que la experiencia ganada en un proyecto se reutilice en el siguiente, y que los profesionales senior liberen tiempo para lo que de verdad aporta valor: pensar, diseñar y decidir.
La inteligencia artificial no es magia. Es un amplificador. Y amplifica lo que encuentra: el orden o el desorden. Por eso empezamos por ordenar la casa.