Este año, varias veces, me comentaron algo parecido: que para las empresas es un problema el conocimiento que se pierde cuando alguien se va de la organización. Esa persona tenía en la cabeza cómo funcionaba un proceso, una herramienta, las relaciones entre la gente. Y con su salida, todo eso se fue con ella.
Esa idea me quedó dando vueltas, y empezó a cruzarse con otra conversación que hoy está en todas partes: la de los agentes de IA. Todos tenemos acceso a modelos parecidos, a las mismas herramientas y a las mismas demos que impresionan. Entonces, si la tecnología es cada vez más común, ¿dónde está la ventaja de una empresa?
Mi sospecha es que está en lo que la empresa sabe y en cómo lo organiza. A eso lo llamo el cerebro de la empresa, y es el modelo que propongo en este artículo.
Agentes de IA: de la demo a la operación real
Un agente de IA puede lucirse en una demostración y tropezar en la operación diaria porque, en muchos casos, desconoce las reglas, las excepciones y los saberes humanos de la organización donde trabaja. En una demo todo es limpio: un caso claro, datos ordenados, un camino feliz. En la operación aparece lo que nadie escribió.
No digo que todo fallo de un agente sea falta de contexto. También hay problemas de modelos, de integración, de pruebas, de diseño del proceso, etc. Lo que sostengo es más acotado: cuando el acceso a la tecnología se parece cada vez más entre empresas, lo que hace distinta a una es el conocimiento propio que logra poner a disposición de personas y agentes.
Esto tiene un correlato técnico. Anthropic, en su análisis sobre ingeniería de contexto para agentes, explica que el contexto hay que seleccionarlo, mantenerlo y recuperarlo con criterio y que llenar una ventana con documentos no equivale a mejor desempeño. No uso esa fuente como aval de mi modelo, sino como recordatorio de algo útil: darle más material a un agente no es lo mismo que darle el material correcto.
Qué es el cerebro de la empresa (y qué no es)
El cerebro de la empresa tiene tres partes: los datos duros de los sistemas, el conocimiento humano, tanto el que está documentado como el que vive en la cabeza de las personas, y una capa semántica que los conecta y les da significado. Dicho más simple, es el lugar donde se acuerda qué significa cada cosa, cómo se relacionan entre sí y qué reglas se aplican.
Un ejemplo para bajarlo a tierra: en un sistema puede figurar un campo llamado "estado" con cuatro valores posibles. Pero lo que esos valores significan en la práctica, quién decide el cambio de uno a otro y qué pasa cuando el caso no encaja, suele estar repartido entre manuales viejos, correos y la memoria de alguien. El cerebro pone eso en un mismo idioma, para que lo entiendan tanto las personas como los agentes.
Y acá aparecen las distinciones que me importan:
No es un repositorio nuevo. No viene a reemplazar los sistemas existentes ni a mudar todo a otro lugar.
No es un montón de documentos. Es significado, relaciones y reglas comunes, con alguien responsable de que sigan vigentes.
No es solo datos. Sin el saber de quienes operan el proceso, los datos muestran qué pasó, pero no por qué se hace de una manera y no de otra.
Las cuatro partes del modelo del cerebro de la empresa
El modelo tiene cuatro partes. No son cuatro tipos de datos ni cuatro etapas que se recorren en fila: son componentes que se necesitan entre sí.
Parte 1: Infraestructura base con sistemas y documentos
La infraestructura base es todo lo que la empresa ya tiene: sistemas, bases de datos, plataformas, documentos, políticas, planillas. Es el punto de partida, y no hace falta rehacerla para empezar. Lo importante es saber qué existe, dónde vive y qué tan confiable es cada pieza.
Parte 2: Cerebro con datos, saber humano y capa semántica
Sobre esa base se construye el cerebro propiamente dicho. Tiene tres componentes: los datos de los sistemas, el conocimiento humano (lo documentado y lo tácito) y la capa semántica que los conecta y les da un idioma común. Y acá está, para mí, el diferencial central. Los datos los puede conectar cualquiera con la herramienta adecuada. Lo que la empresa sabe de cómo se hacen realmente las cosas es lo que no se puede comprar.
Parte 3: Operación de personas y agentes con retorno a sistemas
El cerebro no se construye para mirarlo. Se usa en la operación diaria, donde personas y agentes trabajan apoyados en él. Y la operación lo alimenta de dos maneras: las acciones y los resultados vuelven a los sistemas, y lo que las personas saben y aprenden se incorpora al conocimiento humano del cerebro. Siempre validado, según las reglas de gobierno. Ese retorno importa: si lo que se aprende en la operación no regresa, el cerebro envejece rápido.
Parte 4: Gobierno que atraviesa todo el modelo
El gobierno no es una capa final que se agrega cuando todo está armado. Atraviesa las otras tres partes: quién es responsable de cada conocimiento, qué visibilidad tiene, qué permisos de lectura y de acción tienen las personas y los agentes, y cómo se actualiza lo que quedó viejo. Y una regla que me parece clave: la salida de un agente no se incorpora automáticamente como verdad. Se revisa, se valida y recién ahí pasa a formar parte del conocimiento común.

Ejemplo ilustrativo: el proceso que Marta conoce de memoria
Imaginá un proceso de incorporación de personal en una empresa. Hay un manual, un flujo en el sistema y una planilla de seguimiento. Marta coordina ese proceso hace años. Sabe que el manual dice una cosa, pero que cuando el pedido viene de cierta área hay que avisarle antes a una persona de referencia, porque si no el alta se traba. Sabe qué herramienta se usa de verdad y cuál está ahí solo porque la exige un procedimiento. Y sabe a quién llamar cuando algo no cierra.
Ahora sumemos un agente que prepara las altas siguiendo el manual y los datos del sistema. Hará bien los casos comunes. Pero la excepción de Marta no está en ninguna parte, y el agente la va a pasar por alto con total seguridad.
Con el modelo, el recorrido es otro. Primero se identifican las fuentes (parte 1). Después se conversa con Marta para explicitar la excepción, quién es la persona de referencia y por qué existe la regla, y eso se incorpora al cerebro como conocimiento humano, conectado con los datos del sistema (parte 2). El agente prepara el alta y Marta la revisa, y lo resuelto vuelve al sistema (parte 3). Todo con alguien responsable de esa regla, permisos claros sobre qué puede hacer el agente y qué solo una persona, y una revisión cuando la regla cambie (parte 4).
El agente no reemplaza a Marta: se apoya en lo que Marta sabe.
La ontología de Palantir
Es inevitable la comparación con Palantir y quiero hacerla con precisión. La documentación de su sistema de Ontology describe una arquitectura que integra datos, lógica, acciones y seguridad: unifica fuentes, representa reglas de negocio y permite operaciones que retornan a los sistemas, con personas y agentes. Es decir, no se limita a los datos y tampoco es solo una capa semántica.
Entonces, ¿qué propongo distinto? No una arquitectura mejor, sino un énfasis distinto. Mi punto es que ninguna arquitectura, por completa que sea, puede incorporar por sí sola lo que nadie relevó, explicitó o transfirió entre personas. Esa es una afirmación sobre las organizaciones, no sobre ningún producto. Mi modelo pone en primer plano ese trabajo humano: entrevistar, observar, validar, acordar significados.
Por eso distingo arquitectura tecnológica de práctica organizacional. La primera es condición necesaria. La segunda es la que determina qué conocimiento termina viviendo adentro de esa arquitectura.
Qué rol tiene RRHH en el cerebro de la empresa
Creo que acá hay una oportunidad estratégica para RRHH, compartida con negocio y tecnología. No es un proyecto de RRHH, y tampoco debería serlo de tecnología sola. El negocio sabe qué problemas importan, tecnología sabe cómo construir y conectar, y RRHH tiene algo que no abunda: oficio para trabajar con personas, conversar, observar cómo se hace realmente el trabajo y crear condiciones para que el saber circule.
Eso se traduce en tareas concretas: entrevistas con personas de referencia, observación del trabajo real, espacios de transferencia entre quienes saben y quienes llegan, y condiciones para que compartir conocimiento no sea sentido como una amenaza. Esto último es decisivo. Nadie comparte con gusto lo que sabe si siente que lo hace para ser reemplazado. El objetivo es que el saber de las personas se use mejor, no que las personas sobren.
Hay antecedentes de estas prácticas que son anteriores a la ola de agentes. El programa de gestión del conocimiento de Sandia National Laboratories, iniciado en 2019 para preservar saber experto ante retiros, usa grupos de discusión, talleres, entrevistas, grabaciones y un repositorio, y reconoce que el conocimiento tácito es difícil de codificar porque depende de la experiencia. Por su parte, los materiales de la IAEA sobre métodos de gestión del conocimiento hablan de entrevistas proactivas con expertos y de validar, codificar y compartir lo que se captura. No son casos de empresas de nuestra región ni resultados comerciales: son ejemplos de que el trabajo humano de explicitar el saber tiene método.
Mi lectura es que en LATAM la pérdida de saber tácito suele ser el problema más grande. Por eso me parece que el trabajo de relevar y transferir es el que más valor puede aportar.
Cómo se conecta el cerebro con capital relacional y FDHR
Hay dos ideas mías que se cruzan con este modelo.
La primera es el capital relacional. Cuando alguien se va, no se pierden solo tareas y archivos: se pierden la confianza y el contexto de los vínculos que esa persona había construido. Y eso, lo digo con cuidado, no se almacena. Un documento no transfiere confianza. Lo que sí puede hacer el cerebro es registrar quién es la persona de referencia para cada tema y qué historia de trabajo hay detrás, para que el traspaso sea relacional y no solo de archivos.
La segunda es la etapa Entender de Forward Deployed HR (FDHR), el modelo operativo de RRHH integrado al negocio que presenté en este artículo. FDHR tiene cinco fases: Entender, Diseñar, Construir, Medir e Iterar. Entender consiste en pasar tiempo con el equipo y escuchar cómo se vive el problema antes de proponer soluciones. Eso es, ni más ni menos, el relevamiento que alimenta al cerebro: procesos reales, excepciones y personas de referencia. Construir e implementar viene después, y no es toda la etapa Entender.
Qué no promete el cerebro de la empresa
Un modelo útil también tiene que decir lo que no es, así que dejo algunas salvedades:
No captura todo el conocimiento tácito. Siempre habrá cosas que las personas no saben cómo explicar.
No garantiza por sí solo el buen funcionamiento de un agente. Siguen haciendo falta pruebas, integración y controles.
No exige una transformación total antes de empezar. Se puede comenzar con un proceso acotado.
No es una norma externa. Es una propuesta mía, construida desde mi mirada, y la pongo a consideración.
Cómo empezar: cinco pasos con un proceso acotado
Para empezar con el cerebro de la empresa elegí un solo proceso, acotado, que conozcas bien y donde hoy dependas de pocas personas. Son cinco pasos, según mi modelo:
Elegí el proceso y mapeá fuentes y personas. Anotá qué sistemas y documentos intervienen y quiénes lo conocen de verdad, aunque no figuren en ningún organigrama.
Explicitá y validá las excepciones. Conversá con esas personas, observá cómo trabajan y registrá reglas y excepciones. Después volvé a mostrárselas para confirmar que lo entendiste bien.
Asigná responsables y permisos. Definí quién mantiene cada conocimiento y qué puede hacer una persona y qué un agente: leer, sugerir, ejecutar.
Probá con personas y agentes. Hacelos trabajar con ese contexto en el proceso real, con revisión humana de lo que producen.
Revisá qué aprendiste. Qué falló, qué faltaba, qué conocimiento cambió. Lo validado vuelve al cerebro.
No busques un proyecto enorme. Buscá un proceso donde alguien sepa algo que nadie más sabe, y empezá por ahí.
Todos van a tener acceso a agentes de IA parecidos. Lo que tu empresa sabe, y cómo lo cuida y lo comparte, es lo que nadie más puede tener. Y en eso, RRHH tiene mucho para aportar.