La IA empresarial ya va más allá de responder preguntas
La primera ola de IA generativa ofreció al personal y a los clientes una forma conversacional de encontrar información. La generación aumentada por recuperación, o RAG, mejoró esas experiencias al recuperar contenido empresarial relevante y proporcionárselo a un modelo de lenguaje grande antes de que el modelo generara una respuesta.
Fue un paso importante, pero se mantuvo como una experiencia predominantemente informativa: alguien hacía una consulta, el sistema recuperaba datos y el modelo generaba una respuesta.
La IA agéntica cambia las reglas del juego. Un agente de IA puede interpretar un objetivo, determinar qué sistemas o fuentes de conocimiento consultar, recopilar contexto adicional e iniciar acciones. Puede redactar una respuesta de soporte, completar un cuestionario de seguridad, activar un flujo de trabajo de publicación, solicitar un componente de reemplazo o coordinar la visita de un técnico de servicio.
Cuando la IA pasa de explicar lo que debería ocurrir a contribuir a que ocurra, el conocimiento empresarial deja de ser material de referencia de fondo para convertirse en infraestructura operativa.
De las respuestas recuperadas a la acción autónoma
Una implementación convencional de RAG parte de una pregunta. El sistema busca en una fuente de conocimiento definida, recupera fragmentos relevantes, los añade a la indicación del modelo y genera una respuesta fundamentada en ese material.
Este enfoque permite a las organizaciones usar información privada, actualizada o restringida sin necesidad de reentrenar un modelo de uso general. Además, puede preservar los controles de acceso cuando la recuperación se realiza con las credenciales del usuario.
En su sesión de Adobe DITAWORLD 2026 sobre el impacto de la IA generativa en la estrategia de contenidos, Fabrice Lacroix, fundador y director ejecutivo de Fluid Topics, explicó la evolución desde los modelos de lenguaje grande hasta el RAG, la IA agéntica y el Protocolo de contexto de modelo. Describió cómo RAG recupera el conocimiento empresarial, lo añade a una indicación y utiliza un modelo de uso general para formular una respuesta.
El desafío surge cuando el conocimiento necesario está distribuido en múltiples repositorios. Lacroix describió escenarios empresariales que involucran “10, 15 o 20 aplicaciones” con conocimiento potencialmente relevante. El sistema debe buscar en esas fuentes, combinar los resultados, determinar si se encontró suficiente contexto y mantener la información copiada sincronizada con los sistemas originales.
El Protocolo de contexto de modelo, o MCP, admite un patrón diferente. MCP es un protocolo que permite a los sistemas de IA conectarse con herramientas externas, aplicaciones y fuentes de información. En lugar de recibir un paquete fijo de contenido recuperado, un agente puede determinar qué fuente disponible consultar, qué solicitar y si necesita más información.
Tal como explicó Lacroix: “Es el LLM del agente el que piensa, razona y accede a los endpoints para obtener información y construir el contexto.” Esto es lo que hace que la IA agéntica sea fundamentalmente diferente: el sistema de IA no solo produce lenguaje, sino que participa activamente en un proceso.
Pensemos en un escenario de mantenimiento. Una máquina reporta un problema de presión hidráulica. Un agente puede necesitar consultar la documentación técnica para diagnosticar el problema, identificar la configuración afectada en un sistema de gestión del ciclo de vida del producto, localizar el componente de reemplazo en un catálogo, confirmar su disponibilidad en un sistema de planificación de recursos empresariales, gestionar el envío y programar la visita de un técnico.
Lacroix utilizó este ejemplo para ilustrar un proceso que, de otro modo, podría involucrar entre dos y 10 personas y que quizás deba operar a nivel global, las 24 horas del día. La oportunidad es considerable, y también lo es la dependencia en un conocimiento confiable.
La IA expone la deuda de contenido que las empresas podían ignorar antes
La distribución tradicional de contenido ocultaba muchos problemas. Las páginas con mayor tráfico tenían más probabilidades de ser revisadas, corregidas y actualizadas. Un tema desactualizado, enterrado en lo profundo de un repositorio, generaba poco tráfico y causaba daños apenas perceptibles. Los procedimientos duplicados podían coexistir durante años porque quienes usaban el sistema seguían rutas de navegación conocidas y rara vez encontraban la versión en conflicto. Los sistemas conversacionales y agénticos eliminan esa protección.
En su discurso de bienvenida en Adobe DITAWORLD 2026, Vivek Kumar, director sénior de productos en Adobe, explicó que la IA hace que cada tema, procedimiento y fragmento de contenido sea potencialmente accesible. El tema menos consultado en un repositorio puede convertirse de pronto en la fuente de una respuesta. Ilustró el riesgo con un ejemplo: un asistente de IA recuperó un procedimiento que no se había actualizado en cuatro años porque parecía relevante para la pregunta del cliente.
“La IA no creó este problema de documentación”, dijo Kumar. “La IA lo expuso”.
El problema de fondo no radica en la falta de contenido, sino en la ausencia de conocimiento confiable.
Un procedimiento es contenido, al igual que una descripción de producto, un tema de resolución de problemas, una política o una instrucción de servicio. El conocimiento surge cuando esos componentes incluyen el contexto que explica a qué aplican, cómo se relacionan entre sí, qué versión es la autorizada, quién los aprobó y cuándo deben dejar de utilizarse.
Para la IA, estas distinciones son esenciales. Una instrucción técnicamente correcta puede ser inadecuada para una versión de producto específica, un mercado determinado, la habilitación del cliente, una condición operativa o una jurisdicción regulatoria. Un agente necesita más que texto que se parezca a la pregunta: también necesita evidencia de que el contenido seleccionado es apropiado para la acción que se está evaluando.
La magnitud del problema general de contenido queda documentada en “Component Content Management Systems: Supercharge Long-Form Content for Personalized and Consistent Experiences”, un estudio de Forrester Consulting de 2021 encargado por Adobe. A partir de una encuesta realizada a 450 tomadores de decisiones en organizaciones con al menos 500 empleados y US$500 millones en ingresos anuales, el informe reveló que el 64 % consideró que satisfacer las exigencias modernas de creación de contenido representaba un desafío. También evidenció que el 68 % identificó la falta de reutilización de contenido como un reto en la gestión de contenido, mientras que el 58 % tenía dificultades para mantener el ritmo de publicación y actualización. La IA agéntica no elimina esas debilidades: les abre una vía más rápida hacia los procesos empresariales.
La estructura transforma el contenido en conocimiento procesable por máquinas
Aquí es donde el contenido estructurado y un sistema de gestión de contenido por componentes, o CCMS, adquieren un papel más relevante.
Un CCMS gestiona la información como componentes modulares, no solo como documentos completos. Esos componentes pueden incluir metadatos explícitos, relaciones, condiciones, historial de versiones, estado de revisión y referencias de reutilización. Además, se pueden ensamblar en múltiples publicaciones y distribuir a través de sitios web, aplicaciones, bases de conocimiento, sistemas de soporte o experiencias de IA.
El valor para la IA no radica solo en que XML sea más fácil de procesar para una máquina. La ventaja principal es que la estructura hace explícitos tanto el significado como el control.
Los metadatos permiten identificar el producto, el modelo, el público, el idioma, la región, el estado del ciclo de vida, la fecha de entrada en vigor y la clasificación de seguridad. Las taxonomías aportan términos controlados. Las relaciones conectan conceptos, procedimientos, advertencias, componentes y evidencia de respaldo. Las versiones y las líneas de base identifican con exactitud qué contenido se aprobó para una versión determinada. Los flujos de trabajo de revisión confirman que se aplicó criterio humano antes de que el contenido adquiriera carácter de fuente autorizada.
Kumar describió el resultado como una evolución: de un repositorio de contenido a un grafo de conocimiento. “El conocimiento surge del contenido conectado”, dijo. “Las relaciones importan, el contexto importa, el significado importa”.
Esa base permite a los sistemas de IA recuperar unidades de conocimiento más pequeñas y precisas, sin perder la información necesaria para evaluarlas. Además, brinda a las organizaciones una forma de rastrear cualquier respuesta o acción generada por IA hasta el material fuente que la originó.
El estudio de Forrester respalda cuantitativamente este enfoque. El 69 % de los encuestados indicó que mantener el contenido en un formato flexible como XML facilita su reutilización o distribución. El informe también reveló que el 80 % o más de los encuestados en organizaciones que usan un CCMS afirmaron que este les ayudó a eliminar los riesgos de cumplimiento normativo, reputacionales, financieros y laborales vinculados con la creación de contenido y su distribución.
Estos hallazgos apuntan a la misma conclusión: las organizaciones no pueden responder a la creciente demanda, tanto humana como automatizada, creando más documentos desconectados. Necesitan contenido que pueda gobernarse una vez, comprenderse en contexto y reutilizarse de manera confiable.
La gobernanza se integra al control de la IA
Muchos programas de IA priorizan el modelo, la interfaz o el marco de trabajo para agentes. Son inversiones visibles, pero no logran compensar una gobernanza del contenido deficiente.
Una base de conocimiento empresarial orientada a la IA agéntica debe responder varias preguntas operativas:
- ¿Es esta la versión aprobada actual?
- ¿Aplica a este producto, público, región y contexto?
- ¿Lo revisó la persona experta en la materia adecuada?
- ¿Puede la persona usuaria o el agente acceder a este contenido?
- ¿Qué otro contenido depende de este?
- ¿Qué cambió, quién lo modificó y cuándo?
- ¿Puede el sistema citar la fuente utilizada para la respuesta o la acción?
Estas son preocupaciones habituales en un CCMS, pero la IA agéntica les otorga una relevancia empresarial mucho mayor.
- El control de versiones se convierte en una protección contra instrucciones obsoletas.
- Los metadatos se convierten en un mecanismo de enrutamiento para los agentes.
- El estado de aprobación se convierte en un factor determinante para la confianza.
- El historial de auditoría se convierte en evidencia para el cumplimiento normativo y las investigaciones.
- Los controles de acceso evitan que los agentes expongan o actúen sobre información restringida.
El informe de Forrester encontró que la documentación incorrecta o poco clara genera riesgos significativos para las operaciones de soporte, y que más de la mitad de los encuestados identificó la estrategia de contenido fragmentada, los silos de contenido, la revisión y la colaboración, la personalización, la entrega omnicanal y la velocidad de contenido como los principales desafíos.
Esto no significa que un CCMS elimine todos los riesgos ni que cada acción de IA sea confiable por defecto. Lo que sí evidencia es que las organizaciones ya asocian los controles de contenido estructurado con la reducción de las condiciones que generan riesgo.
La supervisión humana también sigue siendo necesaria. Los sistemas agénticos pueden agilizar el trabajo rutinario, pero las organizaciones aún necesitan límites claros sobre qué acciones requieren revisión, aprobación o escalada. El objetivo es reservar el criterio humano para las decisiones en las que genera mayor valor, no prescindir de las personas en cada proceso.
Adobe Experience Manager Guides como base de conocimiento empresarial
Adobe Experience Manager Guides ofrece una base de contenido estructurado que puede respaldar este modelo.
Las organizaciones pueden gestionar contenido DITA modular, metadatos, versiones, referencias, revisiones, traducciones y publicaciones desde un entorno gobernado. Las interfaces de programación de aplicaciones (API) pueden conectar las operaciones de contenido con otros sistemas empresariales, mientras que los resultados estructurados pueden servir para sitios web, aplicaciones, bases de conocimiento, experiencias de chat y otros usos posteriores.
En “The Business Value of Adobe Experience Manager Guides”, un estudio de valor empresarial de IDC de noviembre de 2022 patrocinado por Adobe, IDC informó los resultados de entrevistas en profundidad con seis organizaciones que utilizan Experience Manager Guides. IDC calculó beneficios anuales promedio de $3,8 millones por organización, un retorno de la inversión del 287 % a tres años y un período de recuperación de 13,9 meses para las organizaciones participantes.
El estudio también encontró que los equipos de redacción técnica fueron un 17 % más efectivos tras adoptar Experience Manager Guides. Asimismo, informó una reducción del 16 % en el esfuerzo relacionado con la duplicación, lo que representa un valor promedio anual de productividad de $437 570 por organización.
Estos resultados no deben considerarse como garantías para cada implementación. Lo que sí demuestran es que la base de contenido necesaria para la preparación en IA también puede generar valor medible gracias a la reducción de duplicaciones, unas operaciones de contenido más eficaces y una mayor productividad.
Adobe también demostró capacidades asistidas por IA para importar, crear, modificar, realizar el etiquetado y validar contenido estructurado. En su sesión de Adobe DITAWORLD 2026 sobre el uso de IA en Experience Manager Guides para optimizar el trabajo y producir contenido a escala, Mike Buoy, consultor sénior de soluciones en Adobe, demostró flujos de trabajo en los que el equipo de autoría revisó los planes propuestos y realizó un seguimiento de los cambios antes de aceptarlos. Este enfoque con supervisión humana permite que la IA acelere las tareas de contenido mientras la organización mantiene el control sobre lo que se integra en la base de conocimiento de confianza. Las implementaciones a gran escala muestran por qué ese control es fundamental.
En su sesión de Adobe DITAWORLD 2026, Brian Scordinsky, director de tecnología para clientes responsable de la garantía global en EY, describió EY Atlas como una plataforma de conocimiento de garantía global que opera a escala empresarial.
EY Atlas gestiona más de un millón de documentos, tres millones de páginas de contenido renderizado, más de 40 idiomas y 66 canales basados en ubicación. Atiende a más de 200 000 usuarios y recibe más de un millón de visitas por mes. Su entorno de AEM Guides mantiene 12,7 millones de elementos de metadatos y 42 millones de referencias de vínculos.
Scordinsky describió Atlas como “la interfaz de acceso de una cadena de suministro de conocimiento global”. Detrás de esa experiencia hay un ecosistema estructurado que respalda la autoría, la publicación, la búsqueda, las suscripciones, el análisis, la seguridad, la localización y, en creciente medida, experiencias de agentes habilitadas por IA generativa.
Una sesión relacionada de Adobe DITAWORLD 2024 informó que EY Atlas atendió a más de 200 000 usuarios, incluyendo a más de 26 000 clientes, con el respaldo de más de 600 productores de contenido. En esa sesión, Scordinsky afirmó: “AEM se encarga de todo el trabajo pesado en nuestras operaciones de contenido”. Agregó que los metadatos administrados en AEM Guides impulsan la búsqueda y, con el tiempo, servirán de base para los modelos de lenguaje grande y las experiencias de chat con IA generativa.
A esta escala, los metadatos, las versiones, los vínculos y los controles de publicación son mucho más que simples detalles administrativos: constituyen el modelo operativo del conocimiento confiable.
Construye la capa de conocimiento antes de escalar la capa de agentes
Las empresas pueden comenzar una iniciativa de IA agéntica sin reestructurar todo el contenido de antemano. Lo que sí resulta esencial es identificar qué conocimiento sustentará las acciones de alto valor o de alto riesgo, y asegurar que ese contenido sea confiable desde el principio.
Un enfoque práctico parte de cuatro prioridades.
1. Identifica las decisiones y acciones que el agente respaldará.
Define el proceso empresarial antes de seleccionar el contenido. Determina qué estará autorizado a recomendar, iniciar o completar el agente, y en qué casos la aprobación humana seguirá siendo obligatoria. Esto establece cuáles fuentes de conocimiento son críticas y qué nivel de confianza se requiere.
2. Evalúa el contenido detrás de esas acciones.
Examina el conocimiento que utilizará el agente. Busca duplicaciones, instrucciones contradictorias, metadatos faltantes, versiones desactualizadas, propiedad poco clara, material fuente inaccesible y vacíos en el historial de aprobación.
El propósito va más allá de un inventario general de contenido: es una evaluación de riesgos focalizada en la información que guiará las decisiones respaldadas por IA.
3. Estructura y gobierna el conocimiento de mayor valor.
Divide los documentos extensos en componentes reutilizables cuando sea pertinente. Aplica metadatos controlados. Establece relaciones entre procedimientos, productos, componentes, políticas y conceptos de respaldo.
Define reglas de revisión, aprobación, versionado, acceso, retención y ciclo de vida para que tanto las personas como los sistemas de IA puedan distinguir el conocimiento vigente del contenido incompleto, desactualizado o no apto para su uso.
4. Conecta el contenido a través de interfaces gobernadas.
Las API y los servicios compatibles con MCP pueden poner el conocimiento empresarial a disposición de los agentes sin renunciar a los permisos, el control de fuentes ni la auditabilidad.
Cada conexión debe conservar suficiente contexto para que el agente comprenda qué significa el contenido, cuándo aplica y si puede considerarse confiable.
El orden importa. Conectar un agente a más repositorios no crea automáticamente un mejor conocimiento; simplemente puede darle acceso más rápido a más inconsistencias.
El conocimiento empresarial se convierte en infraestructura estratégica
El papel estratégico del CCMS está cambiando. Sigue siendo una plataforma para crear, gestionar, traducir y publicar contenido. Pero también se convierte en la capa de conocimiento gobernada que conecta la experiencia empresarial con la acción impulsada por IA.
Kumar resumió el cambio con precisión: “Lo que antes se consideraba infraestructura de documentación se está convirtiendo rápidamente en infraestructura de IA”.
La próxima fase de la IA empresarial no la ganará quien tenga más contenido ni más agentes. La ganarán las organizaciones que puedan suministrar a las máquinas un conocimiento estructurado, actualizado, contextual, con control de permisos y trazable.
Cuando la IA solo respondía preguntas, el contenido de baja calidad generaba experiencias deficientes. Cuando la IA puede actuar, la calidad del conocimiento empresarial se vuelve un control de negocio.
Las organizaciones que se preparan para la IA agéntica deben comenzar por identificar el contenido detrás de sus decisiones más importantes, evaluar si está suficientemente estructurado y gobernado para respaldar la acción, y cerrar las brechas de conocimiento de mayor riesgo antes de escalar. Adobe Experience Manager Guides ofrece la base de contenido controlado necesaria para transformar la información empresarial en conocimiento confiable y reutilizable para experiencias impulsadas por IA y flujos de trabajo.
Próximos pasos
Descubre cómo Adobe Experience Manager Guides puede transformar el contenido empresarial estructurado en una base de conocimiento gobernada para experiencias impulsadas por IA y flujos de trabajo agénticos.
