A medida que la IA se integra más profundamente en las operaciones comerciales, las organizaciones miran más allá de las capacidades de los modelos y las puntuaciones de referencia para plantearse nuevas cuestiones sobre la economía y el valor de sus datos. A gran escala, el consumo de tokens, la utilización de la infraestructura y el coste de mantener el contexto determinan cada vez más si las iniciativas de IA pueden generar un valor empresarial sostenible.
En la actualidad, las organizaciones que generan mayor valor a partir de la IA quizás no sean las que gestionan los modelos más grandes. Son ellos quienes poseen el conocimiento operativo más profundo y la capacidad de ponerlo a disposición cuando y donde se necesite. Eso se debe a que un mejor contexto suele implicar que se requiere menos esfuerzo para llegar a una respuesta útil. Se reducen los falsos comienzos y la redundancia en los cálculos, lo que permite que los sistemas de IA alcancen resultados útiles de forma más eficiente.
OpenAI1 ha argumentado que las inversiones en IA deben evaluarse en función de los resultados comerciales en lugar de solo del consumo de tokens. Esa perspectiva sugiere una idea más amplia: el contexto es cada vez más lo que determina esos resultados. Cuanto más contexto relevante tenga disponible un sistema de IA, menos trabajo tendrá que hacer para lograr su objetivo.
Ya sea que se trate de un agente de atención al cliente o de un asistente de programación, un contexto limitado suele implicar más ciclos de recuperación, más bucles de razonamiento y un mayor consumo de tokens antes de obtener un resultado útil. Un contexto rico ayuda a la IA a alcanzar el mismo resultado de forma más eficiente, mejorando tanto el rendimiento como la rentabilidad.
Esta perspectiva económica pone mayor énfasis en cómo se aprovechan los datos. Muchas de las aplicaciones de IA de mayor valor dependen del acceso a información contextual. Mientras que los sistemas analíticos tradicionales fueron diseñados para responder preguntas conocidas, los sistemas de IA pueden reutilizar datos, conocimientos y trabajos previos en diferentes flujos de trabajo, equipos y aplicaciones futuras. El resultado es que el conocimiento retenido continúa creando valor mucho después de que haya cumplido su propósito original.
Importancia creciente del conocimiento retenido
Históricamente, gran parte de los datos recopilados estaban vinculados a una tarea específica. Los tickets de soporte ayudaron a resolver los problemas de los clientes, los documentos de ingeniería respaldaron los proyectos que ya estaban en marcha y los informes respondieron a preguntas comerciales inmediatas. Una vez satisfechas esas necesidades, el valor a largo plazo de esos datos solía recibir mucha menos atención.
Esa lógica no se aplica del todo a los sistemas de IA. El conocimiento creado con un propósito puede volverse valioso en contextos completamente diferentes. Un documento de diseño redactado para justificar una decisión técnica en un proyecto puede, posteriormente, ayudar a otro equipo a comprender las ventajas y desventajas, evitar errores repetidos o acelerar el trabajo relacionado. Lo que comenzó como documentación del proyecto se convierte en memoria institucional.
Puede que la tarea original ni siquiera sea el uso más valioso de los datos; es posible que en futuras aplicaciones descubran que tienen una utilidad aún mayor.
Decidir qué conservar
Esta realidad está obligando a las organizaciones a reconsiderar no solo qué datos almacenar, sino también qué conocimientos, historial y contexto deben permanecer disponibles para futuros empleados, aplicaciones y sistemas de IA.
Los costes de almacenamiento, la gobernanza y los requisitos normativos siguen influyendo en lo que se debe conservar, archivar o desechar. La IA está transformando esas decisiones a medida que el valor de los datos continúa expandiéndose. Las decisiones sobre infraestructura de almacenamiento, que antes se basaban principalmente en el coste, el cumplimiento normativo o el valor comercial inmediato, ahora también deben tener en cuenta las oportunidades futuras desconocidas.
La mayoría de los datos empresariales ya se distribuyen entre entornos multinube, locales y periféricos. Además, la gravedad de los datos a menudo hace que trasladar esa información sea poco práctico o antieconómico, razón por la cual los modelos de implementación híbridos se han convertido en la norma para muchas organizaciones que adoptan la IA.
Sin embargo, gestionar los datos en entornos híbridos también plantea un desafío más profundo: decidir qué datos merece la pena conservar y dónde deben ubicarse. Es aquí donde muchas organizaciones se topan con una brecha cada vez mayor entre el valor de sus datos y la forma en que aún se toman las decisiones sobre su retención. Los datos suelen tratarse principalmente como un coste que gestionar, mientras que la IA los convierte en un activo para futuras aplicaciones y oportunidades.
Esa es una de las principales razones por las que un sistema de registro escalable y duradero es más importante que nunca. Las empresas necesitan arquitecturas de datos que preserven un registro del conocimiento institucional, el historial operativo y la información generada por la IA. Para muchos, eso significa adoptar enfoques híbridos que permitan que los datos permanezcan donde lo requieran la gobernanza, el rendimiento, la soberanía o la economía, al tiempo que se pone esa información a disposición de los sistemas de IA.
Economía de los discos duros
A medida que los agentes de IA se vuelvan más autónomos, generarán y consumirán mucho más contexto que las aplicaciones tradicionales. En este entorno, cada interacción, flujo de trabajo, decisión y resultado puede convertirse en parte del creciente acervo de conocimiento reutilizable de una organización.
De hecho, IDC proyecta que la generación anual de datos se triplicará con creces entre 2025 y 2030, pasando de 218 zettabytes en 2025 a más de 718 zettabytes en 2030, y la IA con agentes se identifica como una fuente creciente de datos generados por máquinas.²
Aunque las organizaciones conserven solo una fracción de esa información, la magnitud del problema rápidamente se vuelve enorme. El reto ya no consiste simplemente en recopilar datos. Las organizaciones deben determinar qué conocimientos deben conservarse y garantizar que sigan siendo accesibles en el momento y lugar adecuados. A medida que las organizaciones almacenan mayores volúmenes de información contextual para empleados, aplicaciones y sistemas de IA, la economía del almacenamiento cobra cada vez más importancia.
Además de reducir costes, la economía del almacenamiento hace que sea práctico preservar y acceder al conocimiento a la escala que requieren los sistemas de IA. Las arquitecturas de almacenamiento de objetos que impulsan las plataformas en la nube modernas se construyeron en torno a esta realidad, combinando software para la gestión de datos con una infraestructura de almacenamiento capaz de retener datos de forma duradera a gran escala. Este enfoque arquitectónico permite a las organizaciones retener y reutilizar el conocimiento entre empleados, aplicaciones y sistemas de IA.
El valor de los datos ya no termina cuando se completa la tarea original. La información que permanece accesible puede contribuir a futuras preguntas, flujos de trabajo y oportunidades. A medida que los sistemas de IA dependen cada vez más del conocimiento acumulado y del contexto, lo que las organizaciones conservan puede llegar a ser tan importante como lo que crean. Determinar qué información será relevante en el futuro —y garantizar que siga siendo accesible— es la única manera de que pueda seguir generando valor. La información que desaparece nunca tiene siquiera una oportunidad.
Leer más: Explora cómo el contexto persistente está transformando los sistemas de IA.
Notas al pie de página
- https://openai.com/index/managing-ai-investments-in-agentic-era
- IDC, Previsión de mercado: Previsión global de DataSphere de IDC, 2026-2030, junio de 2026
-v4.png/_jcr_content/renditions/4-3-medium-688x516.png)
