La inteligencia artificial puede parecer fluida en la superficie, pero bajo ella la búsqueda y la analítica aún suelen avanzar por caminos separados. Esa desconexión se está volviendo más evidente a medida que las empresas incorporan interfaces de lenguaje natural y agentes de IA a sus operaciones.
Hay una imagen que ayuda a entender el desafío: un elefante sostenido por patas de porcelana. Los sistemas construidos sobre la capa de datos son cada vez más ambiciosos y exigentes, mientras que sus cimientos reciben mucha menos atención. Cuando se habla de infraestructura de IA, suelen mencionarse chips, modelos y aplicaciones. Sin embargo, cada una de esas herramientas depende también de sistemas capaces de encontrar, recuperar y analizar información.
En muchas empresas, la búsqueda y la analítica residen en plataformas distintas. Una localiza información relevante en documentos y otros datos no estructurados; la otra calcula, compara y detecta patrones. Para conectarlas, los equipos crean copias de datos, canalizaciones de integración y procesos de sincronización, además de mantener el código que permite que todo funcione en conjunto.
Esta separación no fue un error. Se consolidó porque respondía a las necesidades, el hardware y los usuarios de otra época. El cambio es que las personas y los agentes de IA no formulan sus preguntas según las categorías tradicionales de la industria. Una consulta puede exigir encontrar documentos y, al mismo tiempo, calcular qué significan sus datos.
## Una pregunta puede convertirse en varios trabajos
Un agente de IA puede descomponer una petición humana en varias consultas más pequeñas. Puede buscar distintas partes de la respuesta, ordenar los resultados y comprobar si dispone de evidencia suficiente. Para el usuario, todo parece una sola acción; para la infraestructura, puede significar varias operaciones en bases de datos.
Algunas solicitudes solo requieren recuperar información. Otras necesitan localizar evidencia y hacer cálculos. En cuanto una tarea combina ambas cosas, se hacen visibles las fronteras entre búsqueda y analítica: un sistema encuentra el material pertinente y otro puede tener que agregar cifras o identificar tendencias.
El lenguaje natural no se ajusta a la manera en que la industria de bases de datos ha dividido sus herramientas. Cuando alguien pide una respuesta, no suele distinguir entre “encuentra los documentos relevantes” y “calcula qué indican”. Los agentes tampoco lo hacen: traducen una intención en la secuencia de búsquedas y operaciones que consideran necesaria.
Cada traspaso entre sistemas puede añadir latencia, coste y un punto donde se pierda contexto. Esto ya importa antes de que existan grandes grupos de agentes trabajando en paralelo. Una sola instrucción aparentemente sencilla puede generar más actividad en las bases de datos de la que el usuario alcanza a ver.
## Por qué búsqueda y analítica crecieron por separado
Los motores de búsqueda están diseñados para encontrar información pertinente en textos, registros y documentos desordenados, incluso cuando el usuario no sabe describir con precisión lo que busca. Las bases de datos analíticas, en cambio, se especializan en trabajar con datos estructurados: agregan grandes conjuntos, combinan registros, calculan promedios y detectan tendencias.
La división tenía sentido cuando una herramienta encontraba información y otra se encargaba de los cálculos. Pero resulta menos práctica cuando una sola pregunta necesita ambas capacidades. La búsqueda puede identificar los documentos adecuados, aunque otra plataforma tenga que procesar las cifras que contienen. La analítica puede hacer cálculos con rapidez, pero funciona mejor cuando ya se conoce la ubicación y la estructura de los datos.
Para unir ambas funciones, muchas empresas crean copias adicionales, canalizaciones de extracción y transformación, trabajos de sincronización y código de aplicación. La búsqueda vectorial puede añadir otra plataforma especializada. Como resultado, los equipos de ingeniería de datos dedican tiempo a mantener conexiones entre sistemas, en vez de concentrarse en tareas que generen valor directamente.
Algunos productos están ampliando sus capacidades para cubrir tanto la búsqueda como la analítica. Aun así, numerosas empresas siguen utilizando herramientas separadas y manteniendo la infraestructura que las conecta.
## El coste de mantener sistemas separados
Las arquitecturas divididas implican pagar por copias de datos, canalizaciones y personal técnico que las mantiene. Los índices de búsqueda deben actualizarse cuando cambian las fuentes. Los almacenes analíticos pueden conservar otra versión de la misma información, y las herramientas vectoriales pueden sumar una capa especializada más.
Cada copia consume almacenamiento. Cada proceso de sincronización requiere supervisión. Y cada traspaso crea una oportunidad para que los datos queden desactualizados o una consulta se ralentice. Estos costes existen incluso antes de que los agentes de IA eleven el volumen de consultas. Los agentes los hacen más visibles porque una petición puede desencadenar varias operaciones a lo largo de la misma cadena.
## Los formatos abiertos pueden cambiar la economía
Una forma de reducir la duplicación consiste en mantener los datos en almacenamiento de objetos y utilizar formatos abiertos para que distintas herramientas puedan acceder a ellos. Por ejemplo, la información podría guardarse en Amazon S3 como archivos Apache Parquet, organizados en tablas con Apache Iceberg.
Este enfoque separa el almacenamiento de las bases de datos y los servidores que procesan la información. Las herramientas de búsqueda y analítica pueden trabajar sobre los mismos datos subyacentes, en vez de exigir una copia completa dentro de cada producto. Aún pueden hacer falta índices y capacidad de cómputo, y algunas cargas de trabajo seguirán justificando sistemas especializados. Pero la duplicación deja de ser necesariamente el punto de partida.
A medida que las empresas adquieren más control sobre dónde residen sus datos, la búsqueda y la analítica empiezan a converger. Cuando aparece una nueva necesidad, pueden aprovechar la misma base de información en lugar de añadir automáticamente otra base de datos, otra copia y otra canalización.
## Más agentes aumentarán la presión
Reducir la duplicación de datos y procesos será cada vez más valioso conforme las empresas deleguen más trabajo en agentes. Los grandes enjambres de agentes concurrentes todavía no son una realidad habitual en producción, pero los agentes ya están modificando las cargas de trabajo. Una petición en lenguaje natural puede convertirse en varias operaciones de base de datos, y el agente puede repetirlas de forma continua, sin las pausas que caracterizan el uso humano.
A medida que los agentes asuman más tareas, el volumen de consultas podría depender cada vez más de la actividad del software y menos del número de empleados. Las primeras señales probablemente no serán un colapso repentino, sino colas, respuestas más lentas, tiempos de espera agotados, facturas de infraestructura más elevadas y una mayor presión sobre las conexiones entre sistemas.
No hace falta dar por inminente la llegada de enjambres de agentes para revisar la capa de datos. La infraestructura duplicada y sus costes operativos ya existen; una mayor adopción de agentes podría incrementarlos.
## El verdadero competidor es el statu quo
Una capa de datos más sencilla debe competir con una infraestructura que las empresas ya conocen y en la que confían. Las plataformas establecidas se volvieron dominantes porque resolvían problemas importantes y, en muchos casos, todavía lo hacen bien.
No tiene sentido retirar sistemas que funcionan solo porque la IA está de moda. Conviene plantearse preguntas prácticas: ¿cuántos sistemas completos almacenan versiones de los mismos datos? ¿Cuántas canalizaciones existen únicamente para mover información de una plataforma a otra? ¿Cuánto se tarda en responder una pregunta que combina evidencia no estructurada con análisis numérico? ¿Cuánto tiempo especializado se dedica a mantener ese recorrido operativo?
Si las respuestas muestran una arquitectura simple y económica, puede que no haya motivos para cambiarla. Pero si cada nueva función de IA requiere otro almacén, otra copia y otra capa de integración, los cimientos merecen una revisión más cuidadosa.
El elefante pesa cada vez más, y sus patas merecen tanta atención como todo lo que se construye encima. Cambiar esos cimientos no será sencillo: pocas fuerzas compiten con tanta eficacia como el statu quo.
from Latest from TechRadar https://ift.tt/DNUy2Ee
via IFTTT IA
