La mayoría de los proyectos de IA en las empresas empiezan con la misma pregunta: ¿Claude, ChatGPT, Gemini o Mistral? Se comparan benchmarks, se prueban dos o tres modelos y se elige el que da la mejor respuesta en unos cuantos prompts de demostración. Luego, unos meses después, los resultados en producción decepcionan, y la empresa suele concluir que eligió el modelo equivocado.
Rara vez es el verdadero motivo.
El verdadero problema: un conocimiento disperso
Un modelo, incluso el más potente del mercado, solo puede responder correctamente a partir de lo que se le da. Y en la mayoría de las empresas, el conocimiento que haría falta para responder bien —las decisiones tomadas en reuniones, los intercambios con un cliente, los documentos de referencia, el historial de un proyecto— está repartido entre correos, archivos compartidos, mensajerías de equipo y la memoria de unas pocas personas clave.
Ante esa dispersión, el mejor modelo del mercado da respuestas genéricas, aproximadas o directamente falsas, no porque sea malo, sino porque nunca tuvo acceso al contexto adecuado para responder bien.
En cambio, un modelo más modesto, pero conectado a un conocimiento bien estructurado —centralizado, actualizado y contextualizado por proyecto—, obtiene resultados claramente superiores. La calidad del modelo importa menos que la calidad de lo que se le da a leer.
El coste real de esa dispersión
No es solo un problema de la IA: es un problema que los equipos ya viven a diario. Según un estudio de APQC publicado en 2021, un profesional dedica de media 8,2 horas a la semana a buscar, recrear o duplicar información que ya existe: un correo perdido, una decisión tomada en una reunión y nunca apuntada, un documento imposible de encontrar. La IA no inventa este problema; simplemente revela su magnitud, porque no puede hacerlo mejor que las personas con el mismo conocimiento disperso.
Estructurar antes de elegir
La buena pregunta no es «¿qué modelo de IA elegimos?», sino «¿en qué estado está nuestro conocimiento y se puede aprovechar?». Una empresa que centraliza sus reuniones, sus documentos y sus decisiones en un solo sistema, por proyecto, con un historial claro y actualizado, obtiene mejores resultados con un modelo razonable que una empresa que usa el modelo más avanzado sobre un conocimiento fragmentado.
Eso es precisamente lo que pone en marcha 5DAYS: una capa de conocimiento única —reuniones, documentos, notas, conectores con tus herramientas actuales— sobre la que Spark AI responde con una precisión superior al 98 % en las preguntas formuladas a partir de ese conocimiento estructurado. El modelo subyacente pasa a un segundo plano, porque la verdadera palanca de rendimiento está antes: en la estructura de lo que se le da para trabajar.
Lo que hay que retener
Antes de preguntarte qué modelo de IA adoptar, pregúntate dónde vive hoy el conocimiento de tu equipo y si de verdad se puede aprovechar, tanto por una persona como por una IA. Es un trabajo menos visible que elegir un modelo, pero es el que determina si tu proyecto de IA sale bien o se suma a la larga lista de iniciativas abandonadas a los pocos meses.