En SISTEC llevamos meses implementando soluciones de inteligencia artificial en organizaciones de Costa Rica, Guatemala y Panamá. Hemos trabajado con GPT, Gemini, Claude, Copilot y Perplexity. Y hay una lección que se repite sin importar el modelo, el proveedor o el presupuesto invertido:
El rendimiento de cualquier sistema de inteligencia artificial depende directamente de la calidad del contexto con el que opera.
No del modelo. No del plan contratado. No de la versión más reciente.
Del contexto.
Esta realidad es incómoda porque va en contra del mensaje de ventas de la mayoría de los proveedores tecnológicos. Nadie llega a una presentación a decirle que su problema no es el software, sino cómo tienen documentados sus procesos internos. Pero esa es, con frecuencia, la verdad.
¿Qué es exactamente el “contexto” en inteligencia artificial?
Cuando hablamos de contexto en sistemas de IA, nos referimos a toda la información que el modelo recibe para generar una respuesta: documentos internos, políticas de la organización, instrucciones del sistema, historial de conversaciones, bases de conocimiento y el propio prompt que formula el usuario.
Un modelo de lenguaje, por sofisticado que sea, no puede adivinar lo que no le dices. Funciona con lo que recibe. Si lo que recibe está desactualizado, es contradictorio o está mal estructurado, la respuesta reflejará exactamente eso.
El término técnico para cuando un modelo genera información incorrecta o inventada es alucinación. En el contexto empresarial, eso tiene otro nombre: riesgo operativo.
Los tres problemas más frecuentes que encontramos en implementaciones reales
A lo largo de los proyectos que hemos acompañado, hay tres situaciones que se repiten con una consistencia llamativa:
El primero es el uso de documentos desactualizados como base de conocimiento. Un procedimiento escrito en 2022 que nadie revisó, utilizado hoy para automatizar decisiones operativas. El modelo lo toma como fuente válida porque nadie le indicó que estaba obsoleto.
El segundo son políticas internas contradictorias dentro del mismo contexto. Dos documentos que regulan el mismo proceso pero que definen pasos distintos, ambos incorporados al sistema sin depuración previa. El modelo no sabe cuál priorizar y genera respuestas inconsistentes.
El tercero es la ausencia de estructura en el prompt. Una instrucción que pregunta “¿qué debo hacer en este caso?” sin especificar quién hace la pregunta, en qué contexto opera, qué restricciones aplican y qué se ha intentado antes. El modelo responde con lo que tiene, que es muy poco.
En los tres casos, la solución no está en cambiar de modelo. Está en el trabajo previo a la implementación.
Por qué las organizaciones subestiman este paso
La preparación de datos y la arquitectura del contexto no son tareas que generan titulares. No hay un comunicado de prensa cuando una empresa logra que sus políticas internas sean coherentes entre sí. No hay una demostración vistosa cuando se actualiza una base de conocimiento.
Pero ese trabajo es precisamente lo que determina si una implementación de IA produce valor real o genera una capa tecnológica sofisticada encima de información deficiente.
Existe además una tendencia comprensible a asumir que la tecnología resolverá el problema de los datos. Que si el modelo es suficientemente avanzado, sabrá distinguir entre una política vigente y una obsoleta, o sabrá inferir el contexto que el prompt no le da.
Esa suposición es incorrecta. Los modelos actuales son extraordinariamente capaces dentro de los límites de lo que reciben. Fuera de esos límites, generan respuestas que suenan bien redactadas y pueden ser completamente erróneas.
Las preguntas que toda organización debería hacerse antes de implementar IA
Antes de evaluar qué modelo adoptar o qué proveedor contratar, hay tres preguntas estratégicas que determinan en gran medida el éxito de cualquier proyecto de inteligencia artificial:
¿Nuestros documentos internos reflejan cómo operamos hoy, no cómo operábamos hace dos años?
¿Nuestras políticas son coherentes entre sí? ¿Si dos personas buscan la respuesta a la misma pregunta en documentos distintos, llegan a la misma conclusión?
¿Tenemos el contexto documentado con la suficiente estructura para que un sistema externo, sin conocer nuestra organización, pueda tomar decisiones bien informadas?
Si la respuesta a cualquiera de estas tres preguntas es “no sabemos” o “más o menos”, el siguiente paso no es contratar una licencia de IA. Es hacer el trabajo de base.
El rol del acompañamiento estratégico
En SISTEC acompañamos a las organizaciones en todo el ciclo de una implementación de inteligencia artificial: desde el diagnóstico inicial hasta la puesta en producción. Pero una parte significativa de ese acompañamiento ocurre antes de que el modelo entre en escena.
Revisamos la consistencia de la documentación interna. Identificamos contradicciones entre políticas. Estructuramos las bases de conocimiento.
Ese trabajo no es glamoroso. Pero es lo que hace la diferencia entre una implementación que funciona y una que genera respuestas que nadie puede usar.
La IA opera con lo que le damos
El modelo no falla. Opera con la información que recibe. Y la calidad de esa información es, en última instancia, una responsabilidad organizacional.
La buena noticia es que este problema tiene solución.
Si está evaluando un proyecto de inteligencia artificial para su organización y quiere entender cuál es el estado real de su contexto antes de invertir en tecnología, en SISTEC podemos ayudarle a hacer ese diagnóstico.
