Por qué tener el modelo de IA más potente no garantiza resultados — y qué sí lo hace

Hace cuatro meses publicamos en este blog un artículo titulado RAG Empresarial: la revolución de la IA que está transformando cómo las empresas acceden a su conocimiento. Defendíamos entonces que el Retrieval Augmented Generation era la arquitectura que iba a permitir a las empresas sacar valor real de la IA generativa. Lo era. Lo sigue siendo. Pero el debate del sector ha madurado en estos meses y la conclusión es incómoda para los que venden tecnología y reconfortante para los que llevamos décadas integrando sistemas: el éxito de un proyecto de IA depende menos del modelo que de la mano que lo dirige.

Cada semana hablamos con responsables de tecnología, directores de operaciones y consejos de dirección que se hacen la misma pregunta: «¿qué modelo de IA tenemos que usar?». Es la pregunta equivocada. La pregunta correcta es otra: «¿qué contexto tenemos para darle?».

Este artículo es la respuesta a esa pregunta, y a por qué tantas empresas que han invertido bien — en licencias, en consultoría, en infraestructura — siguen sin obtener el retorno que esperaban.

El espejismo del modelo más potente

El modelo es la pieza más visible de un proyecto de IA. Casi nunca es la que decide el resultado.

En los últimos doce meses, los grandes proveedores de IA han lanzado modelos cada vez más potentes: Claude Opus 4.7 con un millón de tokens de contexto, GPT-5, Gemini Ultra. Cualquier empresa puede acceder a ellos pagando una suscripción. Y eso es exactamente el problema.

Cuando todos los competidores de tu sector pueden acceder al mismo modelo, ese modelo deja de ser una ventaja. Es una commodity. Lo que tienes tú y nadie más tiene es tu información, tu historia, tus procesos, tus clientes y la manera específica en que tu empresa toma decisiones. Eso es el contexto. Y el contexto no se compra: se construye.

Lo decía recientemente el propio equipo de ingeniería de Anthropic, los creadores de Claude: «el mejor modelo gana las demos; el mejor contexto gana la producción a escala». Es una frase que merece estar en la pared de cualquier comité de dirección que esté evaluando una inversión en IA.

Comprar un Ferrari no te convierte en piloto de Fórmula 1. Comprar la suscripción Enterprise de ChatGPT no convierte a tu empresa en una organización productiva con IA.

La diferencia entre las empresas que están sacando valor real de la IA y las que no, no se explica por el modelo que han elegido. Se explica por lo que han hecho alrededor del modelo.

Por qué tantos proyectos de IA no alcanzan los objetivos esperados

Los proyectos de IA no «fracasan». No alcanzan los objetivos esperados porque al sistema le falta lo que solo la empresa puede aportarle.

Vas a leer en muchos sitios que el 80 % de los proyectos de IA empresarial fracasan. Es una manera dramática de contar el problema, pero es injusta con la propia tecnología. Los modelos hacen lo que se les pide hacer. El problema no es la IA: es cómo se está implantando.

Cuando una empresa despliega un asistente conversacional que responde con genéricos, o un agente que sugiere lo evidente, o un chatbot que repite lo que ya hay en una FAQ, lo que está faltando casi nunca es potencia de modelo. Lo que falta es:

• Que el sistema conozca cómo se llama internamente cada cosa en esa empresa.
• Que sepa cuál fue la última decisión que se tomó sobre un cliente determinado y por qué.
• Que entienda los matices del sector — qué significa «alta» en logística no es lo mismo que en banca.
• Que esté conectado a los datos vivos, no a un PDF subido hace tres años.
• Que tenga reglas claras sobre lo que puede decir y lo que no.

Sin nada de esto, el modelo más potente del mundo dará respuestas plausibles pero inservibles. Y la empresa concluirá, erróneamente, que «la IA no funciona». La IA funciona. Lo que no se ha hecho es darle el contexto que necesitaba para resolver el problema concreto de esa empresa.

Esta es la conversación que estamos teniendo cada semana con clientes que vienen frustrados de un primer piloto. La buena noticia es que, una vez se identifica la causa real, la solución es alcanzable. La menos buena: requiere algo que no se compra en una tienda.

Qué es realmente «contexto» en una empresa

El contexto empresarial no es un único elemento: son cinco dimensiones distintas que rara vez se trabajan a la vez.

Cuando hablamos de «dar contexto a la IA», muchas empresas piensan en subir documentos a un sistema. Es una simplificación peligrosa, porque deja fuera las cuatro dimensiones más valiosas. El contexto empresarial real tiene cinco capas:

1. Histórico de decisiones

Cada empresa lleva años tomando decisiones que casi nunca se documentan: por qué se rechazó una propuesta comercial, por qué se cambió de proveedor, por qué se aprobó un descuento excepcional. Esa memoria de decisiones — el «por qué» detrás del «qué» — es lo que distingue a una empresa madura. Y es lo que una IA sin acceso a ello nunca podrá replicar.

2. Taxonomía propia

Cada organización llama a las cosas a su manera. «Cliente activo» no significa lo mismo en una asesoría que en una operadora telefónica. «Pedido cerrado» tampoco. Si la IA no maneja la taxonomía interna, sus respuestas serán correctas en términos generales y equivocadas en términos prácticos.

3. Políticas internas

Quién aprueba qué, con qué umbrales, en qué circunstancias, con qué excepciones. Toda empresa tiene un libro no escrito de políticas que viven en los correos, las cabezas de los responsables y los acuerdos tácitos. Sin volcarlas al contexto del sistema, la IA acabará proponiendo acciones que vulneran reglas internas que nadie le ha contado.

4. Conocimiento tácito

Es la dimensión más difícil de capturar y la más valiosa. Lo que sabe ese empleado que lleva quince años en la empresa y se va a jubilar. Lo que aprendió aquel responsable de cuentas tras dos años trabajando con un cliente complicado. Lo que se decidió en una reunión sin acta porque «todos lo entendieron». Convertir conocimiento tácito en contexto explícito es uno de los trabajos más rentables que una empresa puede hacer hoy.

5. Datos vivos

Por último, el contexto necesita estar conectado a las fuentes reales: el ERP, el CRM, el sistema de tickets, los repositorios documentales. No un export de hace tres meses, no un PDF guardado en una carpeta compartida. La IA tiene que saber lo que sabe la empresa hoy, no lo que sabía la empresa cuando se hizo el piloto.

Construir las cinco dimensiones — bien — es lo que separa un piloto de IA que muere en seis meses de una plataforma que escala durante años.

El rol del experto humano: la pieza que casi nadie pone en el centro

Sin la combinación de las tres experiencias, cualquier proyecto de IA queda incompleto.

Todo lo anterior — identificar qué contexto tiene la empresa, estructurarlo, conectarlo, gobernarlo — necesita una pieza que ningún modelo de IA puede sustituir: personas con experiencia que entiendan el negocio y la tecnología a la vez.

Hay tres tipos de experiencia que tienen que estar en la mesa, y es muy raro encontrar las tres en una sola persona:

Experiencia de negocio. Conocer cómo funciona realmente la empresa: por qué se hace cada cosa, qué procesos están atados con cinta adhesiva, qué decisiones se delegan y cuáles se escalan, qué métricas mueven al negocio. Sin esta visión, la IA acaba optimizando lo que no importa.

Experiencia tecnológica. Saber elegir entre RAG, agentes, ajuste fino o un sistema clásico. Saber cuándo un grafo de conocimiento aporta más que una base vectorial. Saber dónde almacenar los datos para que cumplan el RGPD y el AI Act. Sin esta visión, la IA acaba siendo una promesa que no se sostiene en producción.

Experiencia de transformación. Las organizaciones tienen anticuerpos. Introducir una herramienta nueva sin que la organización la rechace requiere haber pasado por esto muchas veces. Requiere saber dónde habrá resistencia, qué responsable hay que convencer primero, qué piloto demostrará valor en seis semanas. Sin esta visión, la IA acaba archivada en la carpeta de «aquel proyecto que no salió».

Sin estas tres experiencias trabajando juntas, la IA más potente del mercado es un juguete caro.

Esto explica por qué tantos proyectos liderados solo por departamentos de TI no escalan, y por qué tantos proyectos liderados solo por negocio no llegan a producción. La transformación con IA es un trabajo de bisagra entre disciplinas.

Las dos piezas bien entendidas: RAG privado y Context Engineering

La arquitectura que sí funciona: una base segura y soberana (RAG privado) sobre la que opera una capa de curación, estructura y priorización (Context Engineering).

Con todo lo anterior claro — que el contexto importa más que el modelo, y que necesitamos personas con experiencia para construirlo — podemos hablar de las dos piezas tecnológicas que realmente marcan la diferencia.

RAG privado: la base

El RAG privado es la primera capa. Significa que toda la información de la empresa — documentos, bases de datos, conocimiento estructurado — vive dentro de la infraestructura de la propia organización, sin salir hacia sistemas externos para ser procesada por terceros. Es la condición mínima de soberanía del dato.

No es una preferencia estética. Hay tres razones de peso para que el RAG sea privado:

• Propiedad intelectual. La información estratégica, los contratos, los procedimientos internos no pueden quedar expuestos en sistemas que pueden usarlos para entrenar modelos ajenos.
• Cumplimiento normativo. El RGPD impone obligaciones claras sobre los datos personales que circulan por sistemas de IA. El AI Act europeo añade nuevas. Tener el RAG dentro de tu infraestructura simplifica enormemente la trazabilidad.
• Soberanía operativa. Si tu proveedor de IA cambia su política de precios, cae su servicio o decide dejar de operar en Europa, tu información sigue siendo tuya.

Un RAG privado bien construido es una base sólida. Pero por sí solo, no resuelve el problema.

Context Engineering: la capa que multiplica

Sobre esa base actúa la Context Engineering: el conjunto de técnicas y disciplinas que curan, estructuran, priorizan y entregan el contexto adecuado a la IA en el momento adecuado.

Mientras que el RAG se limita a recuperar fragmentos relevantes de información para cada pregunta, la Context Engineering hace algo más profundo:

• Decide qué información entra y qué no, en función del rol del usuario y del propósito de la consulta.
• Estructura el contexto de manera que el modelo lo pueda usar bien (porque entregar mucha información mal organizada es peor que entregar poca información bien organizada).
• Prioriza lo que la IA debe leer primero — un contrato vigente pesa más que uno caducado, un correo de la semana pasada más que uno de hace dos años.
• Mantiene memoria entre sesiones, para que el sistema no empiece de cero cada vez que un usuario abre una conversación.
• Gobierna el flujo: qué decisiones puede tomar la IA sola, cuáles necesitan supervisión humana, cuáles hay que registrar.

Es la diferencia entre tener una biblioteca con un millón de libros desordenados y tener un bibliotecario experto que sabe exactamente qué libro pasar al lector según lo que está intentando resolver.

Juntos, más el experto humano, igual a transformación real

La fórmula que funciona en producción no es ninguna de las dos piezas por separado. Es la combinación: RAG privado (la base segura y soberana) + Context Engineering (la capa que cura y multiplica) + experiencia humana (la mano que decide cómo construirlo).

Ese trío es lo que está marcando la diferencia entre las empresas que están convirtiendo la IA en una ventaja competitiva real y las que siguen atrapadas en pilotos eternos.

La pregunta correcta

Si has llegado hasta aquí, probablemente tienes en la cabeza un proyecto, un piloto o una iniciativa de IA que no está dando los resultados que esperabas. La pregunta tentadora es: ¿deberíamos cambiar de modelo?. Casi siempre, esa es la pregunta equivocada.

La pregunta correcta es otra: ¿qué contexto le estamos dando a este sistema, y tiene sentido para lo que queremos resolver?. Y la pregunta que viene justo detrás: ¿quién, dentro o fuera de la empresa, tiene la combinación de experiencia en negocio, tecnología y transformación que necesitamos para construir bien ese contexto?.

Si te estás haciendo esas preguntas, estás haciendo lo correcto. Y si necesitas hablarlas con alguien que lleve décadas integrando sistemas y años trabajando con tecnologías de IA empresarial, en Tecnea podemos ayudarte. No vendemos modelos. Ayudamos a las empresas a construir el contexto y los procesos que hacen que la IA, cualquier IA, produzca resultados reales.

Si quieres una conversación honesta sobre dónde está tu empresa hoy y qué te falta para llegar a donde quieres, pide un diagnóstico gratuito de contexto IA. Treinta minutos en los que te decimos qué piezas tienes y cuáles te faltan — sin compromiso y sin venta de tecnología.

Preguntas frecuentes

Si el modelo importa menos de lo que parece, ¿por qué los proveedores hablan tanto de él? Porque es lo más visible y lo más fácil de vender. Anunciar un modelo más potente genera titulares y diferencia comercialmente al proveedor frente a sus competidores. El contexto, en cambio, lo construye cada empresa internamente y no se puede empaquetar como producto. Por eso recibe mucha menos atención mediática, aunque sea lo que realmente determina los resultados.

¿Significa esto que da igual qué modelo elegir? No. Hay diferencias reales entre modelos en latencia, coste, calidad de razonamiento, capacidad de seguir instrucciones, soporte de idiomas o ventana de contexto. Lo que decimos es que esa elección, con los modelos actuales, suele aportar entre un 10 y un 20 % del resultado final. El otro 80 % lo aporta el contexto y cómo se ha construido el sistema alrededor del modelo.

¿Qué diferencia hay entre RAG privado y RAG en la nube? La diferencia clave es dónde reside y se procesa la información. En un RAG privado, los datos y el procesamiento se mantienen dentro de la infraestructura de la empresa (on-premise o en una nube privada controlada). En un RAG en la nube pública, la información puede pasar por sistemas de terceros, lo que tiene implicaciones de propiedad intelectual, cumplimiento normativo y dependencia operativa.

¿Mi empresa necesita un proyecto de Context Engineering o basta con un buen RAG? Depende del caso de uso. Para asistentes informativos sencillos, un RAG bien construido puede ser suficiente. Para procesos críticos, atención al cliente compleja, decisiones operativas o cualquier caso de uso donde la calidad de la respuesta sea importante, conviene plantear desde el principio una capa de Context Engineering. La buena noticia es que se puede construir de manera incremental sobre un RAG existente.

¿Cuánto tiempo lleva implementar una solución como la que describís? Un primer piloto bien acotado puede dar resultados visibles en dos a cuatro semanas. La construcción de una plataforma de IA empresarial completa, con RAG privado, Context Engineering y gobierno del contexto, suele desplegarse en fases de dos a cinco meses, priorizando los casos de uso de mayor valor. La inversión depende del alcance, pero el ROI suele ser visible desde el primer caso de uso si se ha elegido bien.

Fuentes

1. Effective context engineering for AI agents — Anthropic
2. Context architecture is replacing RAG — VentureBeat
3. Context Engineering vs. RAG: Key Differences in 2026 — Atlan
4. AI Memory System vs RAG — Atlan
5. Introducing the Model Context Protocol — Anthropic
6. Tendencias en IA 2026: era agéntica y Ley UE — Opplus