El nuevo oro digital: cómo los datos empresariales impulsan la próxima generación de innovación tecnológica

Estamos acostumbrados a las grandes cifras que atesoran los modelos de lenguaje largo (LLM) como ChatGPT, Gemini, LlaMa o, más recientemente, DeepSeek. Todos ellos necesitan de vastas cantidades de datos para entrenarse y pulir sus respuestas. Por ejemplo, GPT-3 cuenta con 175.000 millones de parámetros a partir de casi 45 Tb de texto comprimido.

Pero la cantidad no lo es todo, sino que la calidad de esa información importa, y mucho. En todos esos casos, el entrenamiento de los grandes modelos se basa en datos textuales genéricos disponibles públicamente. Sin embargo, la calidad de una información que proporcione resultados precisos, útiles y confiables se encuentra en otro tipo de caladeros, en concreto, en los datos empresariales estructurados que manejan las compañías y organizaciones de todo el mundo.

Los datos estructurados son aquellos que siguen un formato predefinido y se organizan de manera sistemática dentro de bases de datos, facilitando su acceso y análisis tanto por software como por personas. Esta organización permite que la IA procese grandes volúmenes de información de manera eficiente, identificando patrones y tendencias que pueden pasar desapercibidos en análisis convencionales. Justo el tipo de datos que las empresas tienen por doquier y que tienen su punta del iceberg en sus soluciones de gestión empresarial (ERP, por sus siglas en inglés).

Philipp Herzig, director de inteligencia artificial en SAP: "La IA sólo puede desplegarse completamente en la nube"

Por ejemplo, en el sector de la distribución, la IA puede analizar datos estructurados como registros de ventas, inventarios y perfiles de clientes para predecir la demanda de productos, optimizar la gestión de inventarios y personalizar ofertas para los clientes. Obviamente, un modelo general como ChatGPT nunca podría encargarse de un análisis tan avanzado y personalizado, que permita a las empresas responder rápidamente a las tendencias del mercado y mejorar la experiencia del cliente.

No es extraño, por tanto, que cada vez surjan más modelos de IA diseñados específicamente para trabajar con datos tabulares y estructurados. Estos modelos son capaces de manejar grandes volúmenes de datos organizados en filas y columnas, como los que se encuentran en bases de datos relacionales, y extraer información valiosa para la toma de decisiones empresariales.

Es lo que está haciendo la multinacional SAP, reina del software de gestión empresarial y en cuyas soluciones están radicados los datos más valiosos de toda compañía que se precie. 

SAP Knowledge Graph

En ese sentido, SAP está desarrollando su SAP Knowledge Graph, una herramienta que actúa como un puente entre los datos estructurados y el lenguaje natural. Simplificando una tecnología tan compleja como la que nos ocupa, los gráficos de conocimiento son tecnologías que buscan convertir los datos en conocimiento interpretable por máquinas, modelando las relaciones entre objetos en una red de puntos interconectados.

En el caso de la tecnología de esta casa, permite a las empresas aprovechar al máximo sus datos estructurados, facilitando la integración de la IA en sus procesos y mejorando la precisión de los análisis. Al proporcionar un contexto más rico y detallado, el SAP Knowledge Graph ayuda a las organizaciones a comprender mejor sus datos y a tomar decisiones más informadas.

Más allá de la teoría, la inteligencia artificial de SAP ya está generando beneficios reales para miles de empresas. Actualmente, 34.000 clientes cloud utilizan Business AI y la compañía cuenta con más de 130 casos de uso de IA generativa aplicados en sus soluciones empresariales.

En el área financiera, por ejemplo, su IA permite automatizar tareas manuales intensivas. En la cadena de suministro, sus algoritmos pueden predecir la demanda de clientes. En marketing, los modelos de IA ayudan a personalizar campañas y experiencias.

Inteligencia por doquier

El desarrollo de este puente entre el mundo de la IA generativa y los datos estructurados no es la única vía en que SAP está integrando la inteligencia artificial en su ERP y el entorno empresarial más sensible.

El mejor exponente de ello, y quizás la solución más conocida, sea Joule, un copiloto de inteligencia artificial diseñado para integrarse en su ecosistema de aplicaciones empresariales. A diferencia de otras soluciones de IA que funcionan como herramientas externas, Joule está preconfigurado para comprender el contexto de los datos empresariales de cada compañía, respetando los derechos de acceso y la seguridad.

Actualmente, Joule ya está disponible en SAP SuccessFactors y SAP S/4HANA Cloud, y este año se expandirá a más soluciones, incluyendo SAP Mobile Start y SAP Analytics Cloud.

Por otro lado, y en línea con la gran tendencia de este curso, SAP cuenta con su propia estrategia de agentes autónomos de IA, diseñados para colaborar en la ejecución de flujos de trabajo complejos y automatizando tareas y procesos que ahora mismo son ineficientes.  

Su funcionamiento se basa en un sistema multiagente, en el que cada IA se especializa en una tarea concreta (por ejemplo, gestión financiera, logística o recursos humanos), y todas trabajan juntas para optimizar procesos de principio a fin sin intervención humana. 

Alianzas con los grandes actores

Además, la firma alemana mantiene alianzas estratégicas con los principales actores tecnológicos del mundo, como Google Cloud, Microsoft, NVIDIA, AWS y Meta. Fruto de estos acuerdos encontramos la integración con Microsoft Copilot que permite a los usuarios combinar datos de SAP con la suite de Microsoft 365. Con Google Cloud, SAP está incorporando modelos de IA en su planificación de cadena de suministro. Mientras que con NVIDIA se busca potenciar el rendimiento de la IA en aplicaciones empresariales a través de aceleración de hardware.