Un agente con datos perfectos puede bloquear una factura válida
Un agente de IA puede tener acceso completo y actualizado a los datos de tu ERP y, aun así, tomar la decisión equivocada. Le pasa a empresas grandes todos los días: el agente bloquea el pago de una factura legítima porque el registro no revela que ese proveedor pertenece a un grupo empresarial con el que ya existe un acuerdo de crédito.
Ese es el argumento central que plantea Yaad Oren, Global Head of Research and Innovation y Managing Director de SAP Labs U.S.: la precisión del dato no es el problema. El problema es que el agente no entiende la estructura del negocio detrás del dato.
Para un founder que está evaluando meter agentes en finanzas, compras o supply chain, la diferencia es la que separa un piloto que funciona de un incidente con un proveedor real.
Leíste lo que hace la IA. ¿Y en tu negocio?
En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.
👥 Probar 7 días¿Por qué un agente con datos correctos toma una decisión equivocada?
Porque un dato aislado no significa nada. Oren lo explica con un ejemplo concreto: recuperar la información de un cliente con su nombre y el monto total de su compra no alcanza.
«Necesitas todas las conexiones alrededor de ese cliente: cuántas órdenes de venta tiene, su tasa de satisfacción, cuántos envíos se retrasaron y de qué planta de manufactura salen esos pedidos», dice Oren. «Los agentes necesitan un grafo de conocimiento que mapee esas relaciones antes de poder razonar bien».
Traducido a una startup: si tu agente de cobranzas no sabe que un cliente tiene tres facturas vencidas y un reclamo abierto, va a mandar el recordatorio equivocado con el tono equivocado. El dato estaba bien. La decisión, no.
Las tres capas de conocimiento que un modelo general no tiene
Oren identifica tres tipos de conocimiento empresarial que los modelos de lenguaje de propósito general simplemente no traen de fábrica:
- Cómo se relacionan las entidades del negocio. Clientes, proveedores, productos, activos y registros financieros, y los vínculos entre ellos.
- El proceso de negocio detrás de cada tarea. Todo trabajo empresarial —un pago, un pedido, un envío, el onboarding de un empleado— pertenece a un proceso. El contexto de proceso le dice al agente en qué paso está, qué pasó antes y qué viene después.
- Las excepciones. Las reglas no se cumplen al pie de la letra en el mundo real. Hay personas que aprueban, retrasan y desvían trabajo con criterio humano, fuera de los sistemas.
El tercer punto es el que más se subestima. Oren menciona el caso del «parked document» que usa SAP: después de un evento corporativo, un controller tiene que distribuir facturas de catering entre varios presupuestos antes de que avancen. Si esa persona está de vacaciones o con licencia parental, un agente sin contexto lee las facturas detenidas como un retraso grave. Con contexto, entiende que es una excepción y no una falla del proceso.
Grafo de conocimiento y ontología: por qué uno sin el otro no alcanza
Un grafo de conocimiento puede enlazar cada factura de la empresa y aun así dejar al agente con señales contradictorias. La razón: distintas áreas llaman «factura» a cosas distintas. Para un departamento es un pago de cliente; para otro, un reembolso de gastos de viaje; para un tercero, la cuenta de un proveedor.
La ontología resuelve esa ambigüedad dándole a cada término un significado de negocio consistente y llevándolo a través de sistemas y fuentes de datos.
«En corporaciones globales con cientos de miles de personas, esos registros necesitan conectarse entre sí y además hablar el mismo idioma», dice Oren. «La ontología te da una sola verdad, una sola voz para todos los datos que tienes».
SAP Business AI Platform (BAIP) es la apuesta de la compañía por llevar datos y contexto de negocio a un entorno gobernado. Su grafo de conocimiento captura relaciones entre clientes, proveedores, activos, productos, estructuras organizacionales y procesos, y ese contexto se reutiliza entre agentes: un agente de finanzas y uno de supply chain no tienen que reconstruir cada uno qué significa un cliente o una transacción.
El cuello de botella que casi nadie mira: los datos son tabulares, no lenguaje natural
Hay un problema más abajo en la pila tecnológica. Buena parte de los datos dentro de las empresas es relacional y transaccional: vive en tablas, no en lenguaje natural. Los modelos de lenguaje de propósito general no fueron diseñados para esa estructura.
SAP ataca ese hueco con modelos fundacionales tabulares, entre ellos RPT-1.6 (Relational Pre-trained Transformer) y TabPFN-3.5 Plus de Prior Labs, su laboratorio de IA de frontera. Están pensados para trabajar directamente con datos estructurados, incluyendo valores faltantes, tipos de datos mezclados y campos de alta cardinalidad. Según TechTarget, SAP presentó en su conferencia Sapphire una versión 1.5 de su modelo RPT junto con una capacidad de «retrieval augmented prediction» (RAP), que permite ingerir tablas de datos de cualquier tamaño para generar predicciones.
«Los datos dentro de un negocio son fundamentalmente relacionales y transaccionales», dice Oren. «Necesitas modelos que entiendan esa estructura de forma nativa».
¿Qué significa esto para tu startup?
No necesitas un grafo de conocimiento empresarial ni una ontología formal para empezar. Necesitas evitar el error de creer que conectar el agente a tu base de datos ya es suficiente.
Acción 1: dibuja el mapa de entidades antes de comprar el agente. Toma una hoja de cálculo y lista tus entidades centrales —clientes, proveedores, pedidos, facturas, empleados— y las relaciones entre ellas. Marca qué campos son ambiguos: ¿»cliente activo» significa que compró en los últimos 90 días o que tiene contrato vigente? Ese ejercicio, que toma una tarde, es la versión mínima de un grafo de conocimiento y te va a ahorrar buena parte de los errores de razonamiento del agente.
Acción 2: escribe tu glosario de términos y tus excepciones. Define por escrito qué significa cada término clave en tu empresa y quién puede romper la regla. Si tu proceso de aprobación de gastos tiene un caso especial para el equipo comercial en viaje, eso tiene que estar documentado en algún lugar que el agente pueda leer. Las excepciones no documentadas son las que producen decisiones absurdas.
Acción 3: empieza por procesos con reglas claras y volumen alto. Facturación recurrente, conciliación de pagos, clasificación de tickets. Deja para una segunda fase los procesos donde la excepción humana es la norma, porque ahí el agente necesita mucho más contexto para no equivocarse.
Acción 4: exige trazabilidad desde el día uno. En BAIP, según la descripción de SAP, los agentes operan con identidades propias, permisos acotados y un registro de auditoría que documenta quién actuó, con qué autorización y qué acciones tomó. Si tu proveedor de agentes no te ofrece eso, es una señal de alerta.
Gobernanza: el costo de equivocarse cambia cuando el agente actúa
Una respuesta mala se revisa o se ignora. Un pago bloqueado por error, un pedido rechazado o una marca de riesgo crediticio mal puesta afectan de inmediato a un proveedor, a un cliente o a un proceso.
«Siempre tienes que desafiar la respuesta», dice Oren. «El entendimiento del negocio le da a la IA más conocimiento, y también le da más límites».
Esa frase resume el cambio de mentalidad que exige la etapa agéntica: el contexto no solo mejora la respuesta, también acota lo que el agente puede hacer. Y esos límites importan cada vez más a medida que las empresas despliegan agentes en múltiples sistemas y funciones.
El mapa competitivo: SAP no corre solo
SAP no es el único que apuesta a que el contexto de negocio es la capa donde se gana la partida. Google Cloud empuja su Knowledge Catalog, y Andi Gutmans, VP y General Manager de Data Cloud de Google Cloud, dijo a Diginomica que «cualquiera que diga ‘tengo un grafo de conocimiento hoy’ está trivializando el problema», porque esos grafos se diseñaron para humanos, no para agentes. Gutmans también señaló que alrededor del 90% del conocimiento empresarial está en formato no estructurado y que nadie lo activó todavía.
En paralelo, Microsoft y Databricks ampliaron su alianza en julio de 2026 para llevar contexto de negocio a la IA empresarial, con Genie Ontology y Unity AI Gateway integrados en el stack de Microsoft.
El mercado se está moviendo rápido. Un informe de IDC citado por SiliconANGLE proyecta que los despliegues de agentes de IA se multipliquen por diez hacia 2027 y lleguen a 40 veces el nivel actual en 2029.
Y hay presión financiera detrás: según The Next Web, SAP presentó en Sapphire 2026 su estrategia de «Autonomous Enterprise» con más de 200 agentes especializados y una alianza con Anthropic para usar Claude como motor de razonamiento principal, en un contexto en el que su acción acumulaba una caída del 41% en seis meses. La tesis de SAP es que el valor no se lo lleva quien construye el modelo, sino quien es dueño del proceso, del dato y de la capa de gobernanza.
Conclusión
La lección para un founder no es «compra un grafo de conocimiento». Es que la calidad del dato es condición necesaria pero no suficiente. Un agente que no entiende cómo se relacionan tus entidades, en qué proceso está trabajando y cuándo está frente a una excepción va a tomar decisiones malas con datos impecables.
Empieza chico: mapea entidades, documenta términos y excepciones, elige procesos con reglas claras y exige trazabilidad. Eso es contexto de negocio en su versión mínima viable, y es lo que marca la diferencia entre un agente que ayuda y uno que te genera un problema con un proveedor.
Fuentes
- VentureBeat (fuente original)
- SiliconANGLE
- TechTarget
- The Next Web
- Diginomica
- Microsoft Source
Leíste lo que hace la IA. ¿Y en tu negocio?
En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.
👥 Probar 7 días
