- Introducción
La Inteligencia Artificial Generativa (IAG) permite transformar la gestión del conocimiento organizacional mediante modelos de lenguaje (LLM) capaces de interpretar consultas y generar respuestas. Su efectividad depende de la calidad de las fuentes, la recuperación de información, la configuración de parámetros como la temperatura y la validación de resultados. Para este ejercicio se utiliza IntegraServicios S.A.S., organización ficticia dedicada a comercializar equipos tecnológicos. Todos los datos y resultados son simulados con fines académicos.
- Mapeo del conocimiento organizacional
Las fuentes estructuradas incluyen bases de datos y sistemas ERP; las no estructuradas, contratos, manuales y correos. Su confiabilidad depende de la autoridad, vigencia e integridad de la información.
- Simulación de consultas y recuperación de información
Se establecen registros ficticios para verificar las respuestas, la arquitectura RAG (Retrieval-Augmented Generation) permite recuperar información externa y suministrarla al modelo antes de generar respuestas.
Su proceso comprende: consulta del usuario, identificación de fuentes autorizadas, recuperación de información, generación de respuesta y validación documental.
RAG mejora la fundamentación, pero no garantiza eliminar las alucinaciones. La IA tampoco accede automáticamente a documentos internos: requiere conexiones, permisos y fuentes habilitadas.
- Tokenización y similitud semántica
La tokenizacióndivide los textos en unidades procesables por el modelo. Una segmentación ilustrativa sería:
- «La factura fue rechazada» → [La] [factura] [fue] [rechazada].
- «El pedido está en tránsito» → [El] [pedido] [está] [en] [tránsito].
- «Disponibilidad presupuestal» → [Disponibilidad] [presupuest] [al].
La división real depende del tokenizador utilizado.
- Experimento con temperatura
Se propone utilizar el mismo prompt con temperaturas de 0,0; 0,3; 0,7 y 1,0.
Prompt: Proponga tres estrategias para reducir los tiempos de entrega sin incrementar significativamente los costos logísticos. Utilice únicamente el reporte LOG-02 y diferencie hechos de recomendaciones».
El reporte ficticio establece que el 70% de las entregas es puntual, el 20% presenta retrasos y el 10% carece de confirmación.
| Temperatura | Respuesta simulada | Característica |
|---|---|---|
| 0,0 | Optimizar rutas, coordinar despachos y registrar entregas | Conservadora y consistente |
| 0,3 | Agrupar pedidos por zonas, coordinar horarios y generar alertas | Práctica y equilibrada |
| 0,7 | Crear rutas dinámicas, indicadores y pilotos de optimización | Mayor creatividad |
| 1,0 | Incorporar predicción de demanda y redes colaborativas que garantizan reducir retrasos un 40% | Mayor exploración; afirmación no sustentada |
La temperatura modifica la distribución probabilística de selección de tokens. Valores mayores suelen aumentar la diversidad, pero no incrementan el conocimiento del modelo ni producen necesariamente más alucinaciones**.
Las respuestas son simuladas, no resultados de ejecuciones reales. Para comprobar diferencias se requieren pruebas repetidas con el mismo modelo, prompt, fuentes y demás parámetros.
- Comparación de resultados y alucinaciones
| Temperatura | Precisión ilustrativa | Creatividad | Riesgo observado |
|---|---|---|---|
| 0,0 | Alta | Baja | Bajo |
| 0,3 | Alta | Moderada | Bajo |
| 0,7 | Moderada-alta | Alta | Moderado |
| 1,0 | Baja en una afirmación | Muy alta | Alto |
Una alucinación ocurre cuando la IA presenta información falsa o inventada como verdadera. En el ejemplo, garantizar una reducción del 40% constituye una posible alucinación porque el reporte no contiene evidencia que sustente ese porcentaje.
Es necesario distinguir entre información verificada, inferencias razonables y afirmaciones sin respaldo.
- Conclusiones
La IA generativa facilita el acceso al conocimiento y mejora la productividad organizacional cuando se integra con fuentes confiables. El RAG fortalece la trazabilidad; la tokenización permite procesar el lenguaje y los embeddings facilitan la recuperación semántica.
La temperatura influye en la diversidad de respuestas, pero no garantiza precisión ni creatividad útil. Por ello, deben implementarse controles de calidad, validación documental y supervisión humana.
En ámbitos como finanzas, presupuesto y contratación pública, una respuesta incorrecta puede afectar recursos, obligaciones y decisiones institucionales.
La principal conclusión es que el valor de la IA no consiste únicamente en generar respuestas, sino en producir información útil, verificable y fundamentada. La creatividad impulsa la innovación, pero la evidencia y el criterio humano deben orientar las decisiones.
Cuenta con el apoyo de la comunidad Alura en tu viaje. ¡Saludos y buenos estudios!