Palantir afirma que necesitas 12 meses antes de implementar agentes de IA. Los datos demuestran lo contrario.

La mayoría de las estrategias de IA empresarial parten de la misma premisa: primero hay que ordenar los datos y luego desplegar la tecnología. Suena responsable. Suena riguroso. Y, en muchos casos, es la razón por la que los proyectos de IA nunca llegan a producción.

Palantir ha desarrollado una de las versiones más ambiciosas de esta filosofía. Su arquitectura agéntica de 12 capas sitúa la Ontología —un modelo semántico estructurado de toda la organización— en el centro de todo. Los agentes de IA consultan objetos, activan acciones con permisos y operan dentro de una capa de datos centralizada que mapea cada relación y flujo de trabajo en toda la empresa.

Se trata de una ingeniería impresionante. Pero también es una filosofía que exige a las empresas dedicar meses, a veces un año entero, a construir su base de datos antes de que un solo agente intervenga en un proceso real. Para la mayoría de las compañías, ese plazo temporal es el cementerio de las estrategias de IA.

Lo que Palantir hace bien

El diagnóstico es, en gran medida, correcto.

La mayoría de las empresas no están preparadas a nivel de datos. Una encuesta de Gartner a 183 líderes financieros reveló que, aunque el 59 % afirma utilizar IA en su función financiera, la adopción se ha estancado tras pasar del 37 % en 2023 al 58 % en 2024. La brecha entre "tenemos IA" y "la IA está aportando valor" es cada vez mayor. Según el Journal of Accountancy, solo el 7 % de los CFO declara un impacto sólido de sus inversiones en IA.

Los motivos son exactamente los que identifica Palantir. Los datos viven en silos. La lógica de negocio está en la cabeza de las personas, no en los sistemas. Nadie documentó la excepción de cómo funcionan las facturas en España frente a Alemania. La IA se choca con la complejidad del mundo real y falla.

La solución de Palantir es modelar toda esa complejidad de antemano. Crear la Ontología. Mapear cada objeto, cada relación, cada permiso. Y luego, dejar que los agentes operen.

La lógica es sólida. El problema es el plazo de ejecución.

La trampa de los 12 meses

Esto es lo que ocurre realmente cuando una empresa se compromete a meses de preparación de datos antes de desplegar agentes.

Meses uno a tres: talleres, auditorías de datos, alineación de stakeholders. Meses cuatro a ocho: construcción de la capa semántica, conexión de sistemas, resolución de conflictos sobre cómo definen los mismos datos los distintos departamentos. Meses nueve a once: pruebas, revisiones de gobernanza, controles de cumplimiento. Mes doce: el primer agente entra por fin en un proceso real.

Para entonces, tres cosas han cambiado. Los modelos de IA están una generación por delante de lo planificado. Sus competidores lanzaron algo con un 80 % de precisión hace nueve meses y han estado mejorando gracias al feedback de producción desde entonces. Y el patrocinador ejecutivo que aprobó el presupuesto se pregunta por qué no hay resultados.

Esto no es un supuesto teórico. Gartner predice que más del 40 % de los proyectos de IA agéntica se cancelarán antes de finales de 2027, debido principalmente a la escalada de costes y a la incapacidad de ofrecer valor dentro de los márgenes de paciencia de la dirección. La mayoría de estos no son fallos técnicos. Son fallos de tiempos.

El enfoque de "la ontología primero" no fracasa porque sea erróneo. Fracasa porque la mayoría de las organizaciones se quedan sin tiempo, presupuesto o respaldo ejecutivo antes de que el primer agente genere algún valor.

La alternativa: producción primero

Existe otra forma de abordar la preparación para la IA empresarial. En lugar de modelar toda la organización antes de desplegar agentes, empiece por un único proceso crítico. Desarrolle algo que supere al proceso manual. Póngalo en producción bajo supervisión humana. Deje que descubra qué datos necesita realmente.

Este enfoque funciona gracias a una verdad contraintuitiva: es imposible saber qué datos importan hasta que un agente se enfrenta a flujos de trabajo reales. ¿Esa excepción para España que nadie documentó? Solo la descubrirá cuando el agente procese una factura española y se equivoque. ¿La lógica de negocio que reside en la mente de una sola persona? Saldrá a la luz cuando el resultado del agente no coincida con lo que esa persona espera.

La mitad de los casos críticos que los agentes de nivel empresarial resuelven hoy en día se descubrieron en producción, no en la fase de planificación. Ningún modelado de datos previo los habría detectado.

El CFO de Dell, David Kennedy, describió esta realidad en marzo de 2026: "Solo eres tan bueno como los datos que tienes, así que tienes que asegurarte de que estén limpios. Y luego, tratar de guiar al agente en el formato correcto, porque un agente quiere trabajar las 24 horas del día, los 7 días de la semana". Ya está desplegando agentes para conciliaciones y asientos contables ahora, no tras un año de preparación de datos.

Goldman Sachs siguió un camino similar, desplegando agentes basados en Claude para la conciliación de transacciones, contabilidad de operaciones y onboarding de clientes. Pasaron seis meses integrando a ingenieros de Anthropic en flujos de trabajo específicos con rigurosos controles de acceso. No construyeron primero una ontología de 12 meses. Empezaron con procesos específicos y aprendieron sobre la marcha.

Por qué lo sencillo supera a lo sofisticado

La arquitectura de Palantir consta de 12 capas. Muchos de los sistemas de autoaprendizaje que hoy operan en producción en grandes empresas utilizan algo mucho más simple: archivos de corrección en texto plano.

Cuando un agente comete un error, un humano lo corrige. Esa corrección se guarda. El agente la lee la próxima vez y no vuelve a cometer el mismo error. El formato suele ser tan básico como un archivo Markdown. Sin gráficos de conocimiento. Sin ontologías. Texto que cualquier persona no técnica puede abrir y entender.

Esto parece ingenuo hasta que se analiza lo que permite. Cuando un cliente pregunta: "¿Por qué ha hecho eso el agente?", se abre el archivo y se le muestra. Cuando algo falla, se puede ver exactamente qué ha aprendido el agente y cuándo. Cuando se necesita reajustar un comportamiento, se borra una línea de texto.

La explicabilidad no es una función que se añade después de construir una arquitectura sofisticada. Es la cualidad de mantener las cosas lo suficientemente sencillas para que los humanos puedan inspeccionarlas directamente.

El umbral del 80 % que la mayoría de las empresas pasa por alto

Existe otra idea errónea muy arraigada en la filosofía de "la ontología primero": que se necesita una precisión casi perfecta antes de desplegar un agente.

No es así. Solo necesita que el agente sea mejor que el proceso actual.

Una experiencia habitual en los despliegues de IA empresarial: se define un agente de Recursos Humanos para la selección de personal y la precisión inicial ronda el 80 %. El instinto básico es retirarlo de producción y mejorar la integración de datos. Pero al comprobar el rendimiento humano de referencia, se descubre que las personas cometían errores con una frecuencia similar o mayor. El agente ya estaba superando al proceso que debía sustituir.

No todos los errores tienen la misma trascendencia. Algunas variables requieren una precisión del 99 %. Con otras, basta con un 85 %. La clave está en entender cuál es cuál, y esa distinción se aprende en producción, no en la fase de diseño.

Las empresas de mediana capitalización que utilizan agentes de IA en finanzas han reducido los ciclos de cierre financiero de 6,2 días a 1,8 días, según los análisis de referencia de 2026 del Hackett Group. No esperaron a tener datos perfectos. Empezaron con lo que tenían y mejoraron a partir de ahí.

Cuándo tiene sentido la ontología (y cuándo no)

Esto no significa que la infraestructura de datos no sea importante. Lo es, y mucho. Los sistemas mal conectados, la lógica empresarial no documentada y los formatos de datos incoherentes son problemas reales que requieren solución.

La cuestión es el momento oportuno.

El enfoque de Palantir resuelve los problemas de datos antes de desplegar cualquier agente. El enfoque basado en producción los resuelve a medida que los agentes revelan qué es lo realmente prioritario. El primero ofrece un modelo completo. El segundo proporciona uno específico y optimizado para las necesidades operativas reales.

Para organizaciones con presupuesto ilimitado, equipos de ingeniería de primer nivel y patrocinadores ejecutivos con paciencia, el enfoque de la ontología previa puede funcionar. Los 571 clientes corporativos de Palantir y su crecimiento comercial interanual del 137 % demuestran que este modelo tiene mercado.

Pero para la gran mayoría de las empresas, la ecuación es más directa. Casi el 60 % de los equipos financieros están pilotando o implementando IA, y la mayoría no dispondrán del presupuesto ni del margen de tiempo necesarios para un proyecto de preparación de datos de un año de duración. Necesitan agentes que puedan trabajar con datos imperfectos, aprender de las correcciones y aportar valor en semanas, no en trimestres.

Empiece con el desorden

Palantir plantea la pregunta: "¿Están sus datos listos para los agentes de IA?"

Una pregunta mejor: ¿qué proceso es lo suficientemente crítico como para que incluso un agente con un 80 % de precisión suponga una mejora?

Empiece por ahí. Despliegue con supervisión humana. Detecte qué falla. Corríjalo. Al cabo de 30 días, sabrá si funciona. A los 90 días, tendrá algo escalable. Al cabo de 12 meses, dispondrá de un sistema contrastado en producción, basado en datos operativos reales, y no de un modelo teórico sobre el funcionamiento óptimo de su organización.

La capa de datos puede llegar más adelante, respaldada por el aprendizaje real. Los agentes deben empezar a actuar ya.