Durante los últimos dos años, la estrategia predominante en las empresas ha sido añadir inteligencia artificial sobre lo que ya existía: procesos, sistemas, datos. Copilots aquí, agentes allá, automatizaciones puntuales. Enrique Dans argumenta que este enfoque empieza a toparse con un límite claro: el problema no es que la IA no pueda actuar, sino que la mayoría de las organizaciones no tienen una representación formal de sí mismas que permita a esos sistemas entender realmente de qué va el negocio.
Una empresa no es una colección de herramientas digitales. Es un sistema causal en el que clientes, contratos, precios, procesos, incentivos y resultados se influyen mutuamente de forma continua. Para que la IA pueda optimizar ese sistema, primero necesita comprenderlo. Y ahí es donde entra la ontología: un modelo formal que describe qué existe en la organización y cómo se relaciona todo entre sí.
Dans distingue tres niveles. Una ontología descriptiva ayuda a los humanos a entender el negocio. Una ontología ejecutable permite a la IA actuar dentro de él. Y una ontología optimizable va más allá: conecta cada acción con sus resultados, convierte los KPI en señales de retroalimentación y permite que el sistema aprenda qué decisiones mejoran el rendimiento global — sin que una métrica local dañe el conjunto.
La clave, según el autor, está en construir una estructura causal que entienda que acortar un proceso puede generar más errores en otro, o que un descuento puede ganar un cliente pero deteriorar el margen a largo plazo. Sin esa capa, los agentes de IA siguen improvisando dentro de la realidad corporativa en lugar de operar sobre un modelo compartido y estable.
La conclusión es directa: la próxima ventaja competitiva no la tendrá la empresa con más agentes, sino aquella cuya estructura causal sea capaz de aprender.
Fuente: La próxima frontera de la inteligencia artificial empresarial es la empresa optimizable