La mayoría de los problemas de precisión de la IA en las empresas se achacan al modelo. La causa real suele ser el conocimiento en el que se basa.
La ingeniería del conocimiento para la IA es la disciplina que consiste en estructurar el contenido de origen en intenciones reguladas y vinculadas a la fuente, de las que la IA extrae información, de modo que las respuestas de la experiencia del cliente (CX) sean precisas, coherentes y trazables, en lugar de generarse de forma probabilística.
La precisión de una IA que responde a los clientes depende exclusivamente del contenido en el que se basa y de cómo está estructurado dicho contenido. Si la capa de conocimientos es la adecuada, la precisión vendrá por sí sola. Si no es así, un modelo más grande solo generará errores con mayor fluidez.
Puntos clave
- La ingeniería del conocimiento consiste en estructurar el contenido de origen en intenciones reguladas y vinculadas a la fuente, de las que la IA extrae información. Es la capa que determina si la IA de CX es precisa.
- La mayoría de los problemas de precisión de la IA son problemas de conocimiento, no problemas del modelo. Un modelo más grande aplicado a contenido no estructurado genera conjeturas más fluidas, pero no respuestas más fiables.
- El contenido estructurado garantiza una experiencia del cliente precisa, ya que la respuesta se obtiene de una fuente validada, se muestra siempre de la misma forma y se puede rastrear hasta su origen.
- En la experiencia del cliente regulada, es necesario gestionar la capa de conocimiento: debe poder verificarse quién puede modificar una respuesta, cuál es la fuente y por qué la IA respondió de esa manera.
- Descubre cómo Encore organiza el conocimiento para ofrecer una experiencia de cliente precisa.
Por qué la IA ofrece respuestas incoherentes: el problema del conocimiento
Los sistemas de IA que atienden a los clientes suelen dar respuestas diferentes a la misma pregunta, o respuestas que parecen seguras pero que luego resultan ser erróneas. Si te has encontrado con esto, ya sabes a qué nos referimos con el «problema del conocimiento».
La causa es estructural. Cuando el contenido no está estructurado y el modelo genera una respuesta en tiempo de ejecución, la respuesta depende del modelo y del momento, no de una fuente validada.
La solución no consiste en una pregunta mejor ni en un modelo más grande. Consiste en estructurar el conocimiento subyacente de tal forma que la respuesta se recupere, en lugar de inventarse.
Normalmente se puede intuir con qué tipo de sistema se está tratando. Cuando dos compañeros plantean la misma pregunta y comparan sus notas con respuestas diferentes, la base de conocimientos subyacente carece de control.
Esa es la condición previa para la precisión. Todo lo demás, incluido el modelo que elijas, se basa en ello.
Qué es realmente la ingeniería del conocimiento para la IA
La ingeniería del conocimiento para la IA consiste en convertir el contenido de origen en una capa regulada y estructurada de intenciones vinculadas al contenido de origen, de la que un sistema de IA extrae información, en lugar de generar respuestas en tiempo de ejecución.
En términos operativos, se trata de cuatro procesos que funcionan de forma conjunta: la captación del contenido de origen, su estructuración en intenciones concretas a las que se puede dar respuesta, la vinculación de cada una de ellas a su fuente de referencia y la gestión de su mantenimiento.
La estructuración es el trabajo en sí, y no es nada glamurosa. Consiste en convertir un centro de ayuda desorganizado en «intents» bien definidos y con respuestas claras, cada uno vinculado a su fuente de origen y a un responsable que se encarga de mantenerlo actualizado.
No se trata de una gestión de contenidos con un nuevo nombre. Un sistema de contenidos permite realizar búsquedas en los documentos. La ingeniería del conocimiento permite recuperar y auditar las respuestas.
La diferencia se hace patente en el momento en que alguien pregunta de dónde procede una respuesta. Una biblioteca en la que se pueden realizar búsquedas remite a un documento. Una intención regulada remite a la fuente exacta a partir de la cual se ha creado, lo cual constituye el núcleo del problema del «wrapper» de los modelos de lenguaje grande (LLM).
Cómo el contenido estructurado mejora la experiencia del cliente
Sigue la cadena desde el contenido hasta el resultado. Un contenido estructurado y vinculado a fuentes significa que la IA recupera una respuesta validada en lugar de sintetizarla.
Por «recuperación» se entiende que, ante una misma pregunta reconocida, se obtiene siempre la misma respuesta. Por «vinculación con la fuente» se entiende que cada respuesta puede rastrearse hasta su origen.
En términos de experiencia del cliente (CX), esto se traduce en respuestas coherentes en todos los canales y por parte de todos los agentes, menos derivaciones y una resolución más rápida. La misma pregunta deja de recibir respuestas diferentes en función de quién la formule.
De ahí es de donde provienen los datos que lo demuestran. La precisión del +98 % desde el primer día y la mejora del +35 % en la resolución en el primer contacto son características de la capa de conocimiento, no de una indicación ingeniosa.
La coherencia es el aspecto que más se subestima. Un cliente que recibe la misma respuesta en la página web, en la aplicación y por parte de un agente deja de volver a llamar para confirmar, y esa disminución de los contactos repetidos es de donde proviene gran parte de la mejora en la resolución de incidencias.
La ingeniería del conocimiento frente a un modelo más amplio: de dónde proviene la precisión
Existe la creencia generalizada de que la precisión es un problema del modelo, que se resuelve con un modelo más amplio o una ventana de contexto más extensa. Esto mejora la fluidez y la frescura, pero no hace que el contenido subyacente sea correcto ni que la respuesta sea verificable.
Proporcionar más datos en tiempo real a un modelo no es lo mismo que controlar el conocimiento a partir del cual da respuesta. En un caso, se proporcionan datos a un generador; en el otro, se decide cuál es la respuesta válida antes incluso de que se formule la pregunta.
La precisión en CX proviene de una capa de conocimiento regulada de la que el modelo extrae información, utilizándose el modelo para la coordinación y el enriquecimiento, en lugar de para la generación en tiempo de ejecución.
El modelo sigue siendo importante. Un modelo más potente formula la respuesta obtenida de forma más natural y gestiona preguntas más complejas. Simplemente no interviene a la hora de determinar si el dato subyacente es correcto, ya que eso se ha resuelto en la capa de conocimiento.
Esa es la postura de diseño que da prioridad al conocimiento y, en esencia, se trata de una decisión entre la recuperación y la generación en tiempo de ejecución.
El contraste con la ingeniería de contexto —el enfoque basado en modelos— es lo suficientemente marcado como para exponerlo directamente.
La ingeniería de contexto permite que un modelo esté mejor fundamentado. La ingeniería del conocimiento garantiza que la respuesta sea correcta y demostrable. En el ámbito de la experiencia del cliente (CX) regulado, solo la segunda opción supera una auditoría.
Si tu IA obtiene sus respuestas a partir de contenido no estructurado, consulta la capa de conocimiento regulada de Encore.
Por qué es necesario gestionar el conocimiento estructurado en los sectores regulados
En el CX regulado, una respuesta no es simplemente correcta o incorrecta. Tiene que ser defendible.
Una capa de conocimiento controlada lo hace posible. Se puede indicar quién ha redactado o modificado una respuesta, de qué fuente procede y por qué la IA la ha proporcionado.
No te conformes con el término «seguro». El umbral es auditable, trazable y justificable, y una base de conocimientos bien documentada no basta por sí sola para superarlo.
La gobernanza es lo que distingue a una capa de conocimiento que supera una auditoría de otra que simplemente funciona, lo cual es importante a la hora de cumplir obligaciones como las de transparencia previstas en el artículo 13 de la Ley de IA de la UE.
Lo que realmente necesitan los líderes en experiencia del cliente y en conocimiento
El responsable de la experiencia del cliente y el responsable de la base de conocimientos necesitan respuestas precisas y coherentes en todos los canales, menores índices de escalación y una base de conocimientos que se pueda mantener, en lugar de un proyecto puntual.
Esto se traduce en un aumento del 98 % en la precisión desde el primer día, un aumento del 35 % en la resolución en el primer contacto y una mejora del 30 % en la satisfacción del cliente.
El director de seguridad de la información (CISO) y el director de riesgos necesitan respuestas vinculadas a fuentes y verificables, control sobre quién puede modificar una respuesta y un registro justificable de cómo la IA ha llegado a esa respuesta. La capa de conocimiento debe estar regulada, no solo alimentada con información.
El director de sistemas de información (CIO) y el director de operaciones (COO) necesitan una capa de conocimiento que se conecte a los sistemas existentes sin necesidad de migración, se implemente rápidamente y no requiera un mantenimiento manual constante.
Esto se traduce en más de 850 integraciones empresariales, una implementación un 75 % más rápida y una capa de mantenimiento autónomo que mantiene la información actualizada.
Cómo la ingeniería del conocimiento de Encore garantiza una experiencia del cliente precisa
Inbenta Encore estructura el contenido de origen en intenciones reguladas y vinculadas a la fuente, lo que constituye la razón arquitectónica por la que sus respuestas de experiencia del cliente (CX) son precisas y auditables.
- Diseño basado en el conocimiento. El contenido de origen se estructura en intenciones reguladas y vinculadas al origen mediante ingeniería del conocimiento, y el modelo se encarga de la coordinación y el enriquecimiento, en lugar de la generación en tiempo de ejecución.
- Inteligencia programada, basada en la arquitectura dual LLM de Encore. La plataforma se encarga de determinar en qué casos es necesaria la recuperación determinista y en cuáles la fluidez generativa aporta valor añadido, sin que el cliente tenga que ocuparse de esa elección.
- Mantenimiento autónomo. La capa de conocimiento gestionada no se convierte en un proyecto con contenido obsoleto. La capa de mantenimiento autónomo de Encore mantiene las intenciones actualizadas y señala las lagunas, lo que supone la respuesta práctica a la carga que supone el mantenimiento y que frena la mayoría de las iniciativas de conocimiento.
- Una gestión totalmente transparente, por diseño. Cada respuesta se remonta a la intención original, de modo que tú, como CISO o CRO, puedas ver exactamente por qué la IA respondió de esa manera.
- Se integra con tu infraestructura actual. Con más de 850 integraciones empresariales preconfiguradas y una orquestación basada en IA en todos tus sistemas de registro, no es necesario sustituir nada.
- Resultados contrastados gracias a una producción regulada. Precisión del +98 % desde el primer día. GOL Airlines gestiona más de 10 millones de consultas al año, y OPPLUS ha reducido las escalaciones de atención al cliente en un 84 %.
- Listo para la producción en cuestión de días, no de meses. El contenido se integra rápidamente en objetivos en tiempo real y regulados, con una implementación un 75 % más rápida.
Inbenta Encore es una plataforma unificada de IA basada en agentes, razón por la cual ha sido galardonada con el premio TSIA Star Award en la categoría de «Innovador del año en éxito digital del cliente».
Si tu IA ofrece respuestas incoherentes, lo primero que debes revisar es la capa de conocimiento. Prueba Encore con tu propio contenido.
Preguntas frecuentes
¿En qué consiste la ingeniería del conocimiento aplicada a la IA?
La ingeniería del conocimiento para la IA consiste en estructurar el contenido de origen en intenciones reguladas y vinculadas a la fuente, de las que un sistema de IA extrae la información, en lugar de generar respuestas en tiempo de ejecución. Es lo que hace que el contenido sea recuperable por una máquina y auditable, y es la capa que determina si la IA aplicada a la experiencia del cliente (CX) es precisa.
¿Cómo mejora el contenido estructurado la precisión de la IA?
Cuando el contenido se estructura en intenciones reguladas y vinculadas a fuentes, la IA recupera una respuesta validada en lugar de sintetizarla. La misma pregunta devuelve siempre la misma respuesta, y cada respuesta se remonta a su fuente. Así es como un sistema basado en el conocimiento alcanza una precisión superior al 98 % desde el primer día.
¿Cuál es la diferencia entre la ingeniería del conocimiento y la ingeniería del contexto?
La ingeniería de contexto proporciona datos a un modelo en tiempo de ejecución para dar forma a su resultado. La ingeniería del conocimiento regula el contenido vinculado a fuentes del que se extrae la respuesta. Una proporciona información al generador; la otra determina la respuesta validada antes de que se formule la pregunta. La ingeniería del conocimiento es lo que impulsa la precisión de la experiencia del cliente (CX).
¿Por qué la IA da respuestas incoherentes o erróneas?
Dado que la respuesta se genera en tiempo de ejecución a partir de contenido no estructurado, depende del modelo y del momento, y no de una fuente validada. Una misma pregunta puede dar lugar a respuestas diferentes. La solución consiste en estructurar el conocimiento de modo que las respuestas se recuperen, en lugar de inventarse, algo que un modelo más grande no ofrece.
¿Es posible auditar una capa de conocimiento gestionada en los sectores regulados?
Sí, cuando se integra la gobernanza. Una capa gobernada muestra quién modificó una respuesta, de qué fuente procede y por qué la IA la generó. Esto hace que las respuestas sean auditables, trazables y justificables, que es lo que exige la experiencia del cliente (CX) regulada, en lugar de limitarse a filtrarlas por motivos de seguridad.
¿Sustituye la ingeniería del conocimiento a los modelos de lenguaje grande (LLM)?
No. Cambia la función del modelo, que pasa de ser un generador en tiempo de ejecución a encargarse de la coordinación y el enriquecimiento. La respuesta se obtiene de una fuente regulada, y el modelo la formula y la canaliza. Se trata del enfoque «el conocimiento primero», en el que el modelo respalda la respuesta en lugar de inventarla.
Artículos relacionados
