Tu IA no ha pisado tu empresa en su vida

Abro un chat y le pregunto por una situación concreta de una de mis empresas. Y antes de leer la respuesta, conviene recordar una cosa: de esa empresa, la máquina no sabe nada. Nada de nada.

Es el asunto que dejé pendiente la última vez: el problema nunca fue lo lista que es la IA, sino lo poco que sabe de lo nuestro.

El modelo es de todos. El contexto es de cada uno. Y casi nadie se molesta en dárselo.

Esto, que parece de cajón, tiene nombre técnico y un paper detrás: RAG —retrieval-augmented generation, «generación aumentada por recuperación»—, que bautizaron Patrick Lewis y unos cuantos más en Facebook AI Research, en 2020. Traducida del informático al castellano, la idea es de una sencillez que casi ofende: antes de que la máquina conteste, le pones delante lo que viene al caso. No responde de memoria; responde mirando los papeles que tiene encima de la mesa.

En AWS lo cuentan con una imagen que me quedo: una IA sin esto es el becario entusiasta que contesta a todo con una seguridad pasmosa… sin tener ni idea del negocio. El RAG es darle la carpeta del expediente antes de que abra la boca.

Y sin esa carpeta hace justo las tres cosas que llevo meses contando:

• a. Se inventa lo que no sabe —la alucinación de siempre—.
• b. Trabaja con lo que aprendió hace año y medio: de la tesorería de este mes, ni una coma.
• c. Y no sabe decir de dónde sacó lo que dijo.

Tres agujeros —los enumera bien IBM— y los tres se tapan con la misma tirita: contexto. Dale lo concreto y no tendrá que adivinar.

Que es lo contrario de lo que pasó con la dichosa palabra pereza. Conté que la máquina, ante un hueco, no se calla: rellena, y rellena hacia donde cree que agrada. La inferencia. Pues la inferencia es la enfermedad, y el contexto, la cura. Tápale el hueco y no le queda nada que inventar.

Lo aprendí por las malas, además. Al principio de meterme en esto di por bueno un análisis tan redondo que colaba; una cifra encajaba demasiado bien. La pillé de pura suerte, repasando otra cosa: se la había inventado —plausible y falsa— porque yo no le había dado el dato, y la máquina detesta los huecos. Me pudo costar caro delante de un cliente. Desde entonces no le pido nada sin pensar antes qué le falta saber.

Y aquí toca ser honesto, que vender humo traicionaría la serie entera. El RAG de los manuales es un montaje técnico considerable: trocear documentos, convertirlos en vectores, meterlos en una base de datos que busca por significado. Yo no monto nada de eso. Y no por vago: esa maquinaria es opaca y pierde matices por el camino, y yo lo quiero al revés —legible y sin perder nada—. Lo mío es más viejo: orden, archivos gobernados y criterio para decidir qué le paso cada vez, a mano. El principio del RAG no necesita la fontanería; necesita que alguien con cabeza decida qué es lo relevante. Y para eso —saber qué número importa en una due diligence y cuál es ruido— llevo formándome toda la vida. La máquina pone la potencia; el criterio lo pongo yo.

La otra vía existe y se llama fine-tuning: reentrenar el modelo con tus datos. Eso es mandar al empleado a un máster de dos años para que se aprenda la empresa: caro, lento, y cuando vuelve, la realidad ya cambió. Yo no mando a nadie al máster. Le paso la carpeta del caso cinco minutos antes de la reunión. Y la carpeta la elijo yo.

Por eso me sonrío cuando la conversación deriva en qué modelo es mejor. Importa, no lo niego. Pero el modelo es una mercancía: lo tiene la competencia, lo tiene el becario, lo tiene cualquiera por veinte euros al mes. Lo que nadie más tiene es lo que uno sabe de su empresa, de su sector, de sus clientes de hace quince años. Esa es la ventaja, y no se compra: se cultiva.

Así que la próxima vez que la IA deslumbre con una respuesta de manual, conviene recordar de qué va esto: no de tener el modelo más potente, sino de que ese modelo, tan listo para todo, no ha pisado tu empresa en su vida. El contexto que le falta es lo único que no se compra. El resto lo tiene cualquiera.