Qué estás viendo
Las tres columnas usan el mismo modelo de lenguaje. La primera responde solo con lo que aprendió en su entrenamiento: sabe redactar y razonar, pero no conoce a la empresa, así que cuando no tiene el dato o se excusa o lo inventa con mucha seguridad. La segunda hace lo que hacen la mayoría de los primeros pilotos: le conectan las carpetas compartidas, los correos y los archivos de Excel, y antes de responder busca los fragmentos más parecidos a la pregunta. La tercera busca en un catálogo de documentos vigentes y consulta un data warehouse donde cada cifra tiene una sola definición.
La segunda columna es la que más preocupa, porque se equivoca citando fuentes. Su respuesta suena verificada y se puede rastrear hasta un archivo real, pero ese archivo era una versión vieja, un borrador sin firmar o un Excel con otra definición de venta. Para el usuario es más difícil desconfiar de esa respuesta que de una inventada.
La diferencia no está en el modelo
Cambiar a un modelo más grande no arregla la segunda columna. Lo que la arregla es trabajo de datos: decidir qué versión de cada política está vigente, consolidar el maestro de clientes para que una cadena no aparezca con tres nombres, definir una sola vez qué significa venta neta y mantener el inventario actualizado a diario. Cuando el documento es uno solo y está al día, como el reglamento de vacaciones, las dos versiones con búsqueda aciertan.
Por qué importa antes de invertir en IA
Un asistente de IA que responde con datos desordenados no ahorra trabajo: lo multiplica, porque alguien tiene que revisar cada respuesta. Por eso en Lambda Analytics evaluamos primero qué tan listos están los datos de la empresa y luego diseñamos el asistente. Muchas veces el proyecto de IA más rentable empieza por ordenar el data warehouse.