La promesa de los agentes de inteligencia artificial en sistemas empresariales es seductora: automatización de procesos de extremo a extremo, operaciones nocturnas sin supervisión, eficiencia masiva. Sin embargo, la realidad que enfrentan equipos empresariales en Latinoamérica es más compleja. Cuando estos agentes se despliegan en producción sobre plataformas como SAP, Odoo o NetSuite, frecuentemente experimentan un deterioro progresivo en su desempeño, obligando a humanos a intervenir constantemente. El problema no es la calidad del modelo de IA ni la arquitectura de orquestación, sino cómo el sistema maneja el conocimiento específico del negocio a lo largo del tiempo.
Las empresas han utilizado históricamente dos enfoques para enseñar a los modelos de IA sobre sus operaciones: fine-tuning y aprendizaje en contexto (RAG). El primero implica reentrenamiento costoso que sufre del problema del “olvido catastrófico”, donde las nuevas enseñanzas erosionan el conocimiento anterior, un desafío identificado hace décadas y aún sin resolver completamente. Cuando una política cambia en tu sistema ERP, debes reentrenar todo el modelo, un ciclo lento y costoso que genera una biblioteca de modelos especializados difícil de gobernar. El segundo enfoque, RAG, evita el reentrenamiento pero introduce “corrosión de contexto”: mientras más información se añade al prompt, el modelo pierde precisión. El agente falla silenciosamente con la misma confianza con que acierta, imposibilitando la validación eficiente y manteniendo al humano en el ciclo de supervisión indefinidamente.
Una tercera vía emerge desde la investigación hacia aplicaciones comerciales tempranas: generar modelos especializados bajo demanda usando hipernetworks. En lugar de reentrenar un modelo único o saturar prompts con información, un generador construye un modelo pequeño y específico para la tarea directamente en tiempo de inferencia, a partir de las políticas y datos de tu empresa. Empresas como Nace.AI, que recaudó 21.5 millones de dólares en ronda semilla en mayo de 2025, ya comercializan este enfoque con tecnología llamada MetaModel. La elegancia radica en que el adaptador específico por tarea que los equipos construyen manualmente para evadir el olvido catastrófico es exactamente el objeto que una hipernetwork produce automáticamente. El resultado: modelos más pequeños (10 a 30 veces más económicos que los modelos generales frontera), actualizables sin reentrenamiento, y con superficies de error más pequeñas y predecibles.
Para empresas latinoamericanas con sistemas ERP complejos, esta distinción es crítica. Cuando Odoo, SAP o sistemas similares requieren auditoría, cumplimiento normativo o validación de procesos repetitivos, los modelos generados bajo demanda presentan ventajas significativas. Un agente que ejecuta auditorías internas, valida facturas o revisa cumplimiento de políticas de forma autónoma durante la noche, y permite que expertos validen solo el 10% final, no es ficción: es arquitectura, no capacidad. Sin embargo, dos diseños determinan si esa autonomía es confiable o solo veloz. Primero, el anclaje: cada salida debe vincularse a su fuente para que los revisores verifiquen sin rehacer el trabajo. Segundo, el ciclo de retroalimentación: cuando tus expertos validan la salida, ¿cuyo modelo mejora y dónde reside? Esto determina si el activo compuesto pertenece al proveedor o a tu empresa. Nace.AI, por ejemplo, mantiene el modelo dentro de la nube del cliente en despliegues empresariales directos, preservando la propiedad intelectual.
El enfoque aún enfrenta preguntas abiertas críticas. La calibración es el eje central: el valor real depende de que el modelo sepa cuándo no está seguro, y trabajos recientes indican que los adaptadores generados no mejoran automáticamente la calibración sobre fine-tuning tradicional. La calidad del modelo depende pesadamente de los datos de política de los que se construye, elevando la importancia de la curación de datos. Y la escala sigue siendo la frontera de investigación abierta; los hipernetworks publicados hasta ahora han sido pequeños. Nace afirma haber escalado su generador más allá de los tamaños publicados y derivado leyes de escalado, resultados sometidos a revisión por pares. Si se sostienen, responderían preguntas centrales del campo.
Para empresarios e inversores en Latinoamérica evaluando soluciones de agentes IA para ERP, cuatro preguntas destierran el ruido. Primero: ¿dónde reside el conocimiento del negocio, en los pesos del modelo, en el prompt, o se genera bajo demanda? Segundo: ¿qué acompaña cada salida para que un revisor pueda verificarla en lugar de rehacer el trabajo? Tercero: ¿qué lógica decide qué trabajo se escala a un humano? Cuarto: ¿cuyo modelo mejora de esa retroalimentación y dónde ejecuta? Las respuestas, no el titular de autonomía, revelan qué estás comprando. Para procesos largos, repetitivos y de alto volumen donde el modelo debe ejecutar sin supervisión constante (auditoría nocturna, validación de cumplimiento, revisión de gastos), un modelo generado mediante hipernetwork es el enfoque más creíble. Para tareas cortas que finalizan en pocos pasos, la brecha respecto a un modelo frontera bien diseñado casi desaparece. El verdadero cambio no es espectacular: es que por primera vez, es posible un agente que conoce profundamente tu negocio, sin olvidar, sin re-explicación a cada ejecución, y sin que tu equipo quede atrapado en supervisión infinita.
