Celonis: la IA empresarial sin contexto operativo falla

Un mismo prompt, dos respuestas opuestas. Cuando Uniper, la energética alemana, preguntó a su agente de IA cuáles eran los cuellos de botella de su proceso de contratación, la versión sin contexto devolvió una lista de lugares comunes: fragmentación de datos, sobrecarga del responsable de contratación, falta de visibilidad de tareas. La versión conectada a la capa de contexto de Celonis señaló algo concreto y accionable: 27 candidatos llevaban más de 14 días en la lista de preseleccionados.

Esa diferencia es el corazón del argumento que Devavrat Shah, científico jefe de IA empresarial en Celonis, despliega en el último episodio de Business Lab, el pódcast de MIT Technology Review producido en colaboración con la compañía. Su tesis es incómoda para quien compra modelos por benchmark: la IA empresarial no se queda corta por falta de potencia, sino por falta de contexto operativo.

¿Por qué la IA empresarial falla sin contexto operativo?

Shah plantea que los agentes pueden respaldar tareas individuales dentro de procesos de decisión más amplios, pero necesitan entender qué papel cumple cada tarea y qué condiciones de negocio la rodean. «No se puede hacer eso en el vacío», resume. El riesgo tiene dos caras.

La primera es el costo computacional. Un modelo sin contexto intenta deducir la situación a base de preguntas y, para resolver una tarea simple, termina consumiendo una cantidad desproporcionada de cómputo. La segunda es el error, y su gravedad es muy variable: recomendar un restaurante equivocado es una molestia; equivocarse en una previsión financiera puede llevar a la ruina a la empresa.

Ese segundo riesgo ya tiene traducción económica en la mesa de los directores financieros. Jorge Ferrer, vicepresidente sénior y responsable de Celonis en Madrid, lo describió en declaraciones a Europa Press como el paso del «tokenmaxxing» —consumo desenfrenado de tokens— al «token taming»: usar los tokens de la forma más eficiente posible. Su argumento es que, sin contexto operativo, los agentes interpretan información generalista, hacen suposiciones y multiplican consultas, lo que dispara la factura. Con contexto, sostiene, pueden resolver con una única llamada determinista en lugar de una sucesión de hipótesis probabilísticas.

¿Cómo funciona una capa de contexto entre los datos y los agentes?

Shah describe una arquitectura de tres niveles. Abajo está el sistema de registro: las herramientas de flujo de trabajo que la empresa ya usa y los registros de eventos que generan. Arriba, los usuarios expertos de negocio y los agentes que operan sobre ellos. En el medio, la capa de contexto.

El Context Model de Celonis está diseñado para hacer tres cosas a la vez: abstraer correctamente la capa inferior para que las piezas relevantes del proceso puedan «agentificarse»; incorporar agentes asignados a cada pieza de forma estructurada y con salvaguardas; y operar con un enfoque «agent-first», para que otras infraestructuras agénticas puedan interactuar de forma natural y devolver resultados que las personas revisen y aprueben.

La compañía no llega a este terreno desde cero. Su ADN es la inteligencia de procesos: digitalizar cómo trabaja una organización, detectar dónde están los problemas y rediseñar el flujo. Según la información publicada por Europa Press, el Context Model se presentó en la keynote de Celonis en Madrid, en el marco del Process Intelligence Day del 28 de mayo, y llegó acompañado de la adquisición de la tecnológica Ikigai —de la que Shah era responsable científico— y del hecho de que el propio MIT ya forma parte del accionariado de la compañía.

A esto se suma una pieza de distribución relevante: Diginomica reportó que Celonis y Microsoft firmaron un acuerdo para que la inteligencia de procesos de Celonis esté disponible como carga de trabajo dentro de Microsoft Fabric, de modo que los clientes puedan acceder a sus datos de proceso sin moverlos de su entorno actual.

¿Qué dice la evidencia? El caso de Uniper

Uniper, energética escindida de E.ON en 2016, puso en producción un agente construido con Microsoft Copilot Studio y alimentado con el contexto operativo de Celonis para su proceso de selección y contratación. El equipo ejecutó las mismas instrucciones dos veces, con y sin esa capa de contexto, y los resultados quedaron documentados.

• El tiempo medio hasta la firma de los candidatos se redujo en 27 días.
• La fase de selección mejoró en 13 días.
• Los responsables de contratación pasaron de recibir respuestas genéricas a información específica sobre sus propias vacantes.

«Con Celonis como nuestra capa de contexto, estamos creando soluciones de inteligencia artificial que no son solo herramientas con las que experimentamos, sino asistentes en los que confiamos», afirma Robert Daamen, director del Centro de Excelencia de Inteligencia de Procesos de Uniper. El límite también está explícito: los agentes no evalúan candidatos ni toman decisiones que los afecten. Se ocupan de tareas administrativas, avisos y coordinación.

El entusiasmo, sin embargo, no debe tapar la brecha de adopción. Forrester encuestó a 15 proveedores de inteligencia de procesos y encontró que la demanda de usar estas plataformas como paso previo a la IA promediaba el 52%, mientras que la adopción real entre clientes existentes era del 34%, según recoge Computer Weekly. El analista Bernhard Schaffrik describe el estado actual como «técnicamente viable, operativamente incipiente».

Hay además una advertencia que conviene leer dos veces. Gartner encontró que alrededor del 80% de las grandes organizaciones que están pilotando o desplegando agentes de IA ya redujeron plantilla, pero sin correlación clara con mejores retornos. Y Jason Strambi, de BearingPoint, lo resume con una frase que debería pegarse en la pared: «Una cadena de aprobación de 12 pasos diseñada para un mundo en papel sigue siendo un mal proceso después de recortar 40 segundos a cada paso».

¿Qué significa esto para tu startup?

La buena noticia es que este enfoque no exige un data lake perfecto ni un equipo de investigación. Shah es explícito: la capa inferior no necesita estar completa ni impecable, solo conectada. Para un equipo pequeño, eso significa empezar por lo que ya tienes.

• Elige una sola decisión y desármala. No arranques con «vamos a usar IA». Toma una decisión concreta de negocio, mapea el proceso que la rodea, identifica el paso más difícil y prueba si un agente puede mejorarlo. Mide velocidad y valor antes de escalar a otra cosa.
• Define la gobernanza antes de desplegar. Si el agente tiene un rol acotado, puedes decir con claridad qué puede y qué no puede hacer. Decide qué decisiones toma solo, cuáles requieren confirmación humana y cuáles están fuera de límites. Hacerlo después del incidente es mucho más caro.
• Forma a quien queda en el bucle. Automatizar lo repetitivo solo libera capacidad si las personas entienden los resultados de la IA y sus implicaciones. Sin esa formación, el equipo delega en lugar de decidir.
• Vigila el costo por tarea, no solo el resultado. Con contexto, los pasos simples pueden ir a modelos baratos y el razonamiento caro reservarse para lo que realmente lo necesita.

¿Dónde están los casos de uso con más retorno?

Shah agrupa las oportunidades en tres categorías. La primera son las tareas manuales y repetitivas que consumen mucha mano de obra. La segunda son las tareas de coordinación: buena parte del trabajo de un profesional del conocimiento se va en correos, hojas de cálculo y seguimiento entre equipos. La tercera es el refuerzo a quien decide, en áreas como finanzas, gestión de personal, marketing y ventas.

Es en esa tercera donde suena más ambicioso. Los procesos de planificación empresarial —financiera, de plantilla, de producto— suelen consumir un ciclo anual completo. Con el contexto adecuado, sostiene Shah, ese ciclo podría acortarse y las decisiones llegar a tiempo, sin pagar el costo de oportunidad de decidir tarde.

Conclusión

El debate sobre la IA empresarial se está desplazando del modelo al contexto. Los modelos de frontera seguirán mejorando, pero un agente que no entiende cómo funciona tu negocio seguirá siendo un sistema brillante resolviendo el problema equivocado, y cobrándote cada intento. La ventaja competitiva no está en acceder al modelo más potente, sino en estructurar el conocimiento de tu operación para que ese modelo sepa qué hacer con él.

Para un founder en LATAM o España, con equipos pequeños y presupuesto ajustado, eso es casi una buena noticia: el trabajo pesado no es comprar tecnología, es entender y documentar tus propios procesos. Eso lo puedes empezar esta semana, con una decisión y un diagrama.

Fuentes

• Por qué apostar por una IA consciente del contexto – MIT Technology Review en español (fuente original)
• Making the case for context-aware AI – MIT Technology Review
• Undercover agent: Can process mining police AI automation? – Computer Weekly
• Uniper feeds Celonis context into Microsoft Copilot to energize HR AI agents – Diginomica
• Ranz (Celonis): los agentes de IA ayudan a ser más eficientes – Europa Press / Bolsamania
• Ferrer (Celonis), ante el riesgo de sobrecostes de la IA empresarial – Europa Press
• Uniper se apoya en Celonis y Microsoft Copilot para la gestión de sus recursos humanos – Diario de Sevilla

Artículos relacionados:

Celonis y Uniper: agentes de IA que recortan 27 días la contratación Celonis genera $11.300M en valor con IA para empresas globales en 2026 Celosphere 2025: La clave de la inteligencia de procesos en la IA empresarial PIL optimiza su logística global en 90 países con Celonis IA agente en empresas: la capa de procesos que falta