Olvídese de los ajustes finos: orqueste la IA de su ERP

Si conversas con ejecutivos del sector manufacturero sobre la IA, escucharás un objetivo recurrente: "Necesitamos entrenar un modelo personalizado con todos nuestros datos históricos del sistema ERP para que aprenda las particularidades de nuestro negocio".

Lo creas o no, últimamente escucho esto con más frecuencia que nunca. Los líderes creen que, al volcar veinte años de tablas personalizadas, código heredado y flujos de trabajo únicos en un modelo de lenguaje grande, la IA absorberá mágicamente su fórmula secreta, sin importar qué.

Permítanme ser totalmente claro: esto demuestra lo deficiente que es el conocimiento actual sobre cómo funciona la Inteligencia Artificial moderna. Y lo que es más importante, es la forma más rápida de malgastar grandes cantidades de dinero en un proyecto de TI estancado.

Deja de intentar entrenar a GenAI con tus datos ERP heredados. No funciona y, francamente, no es necesario.

Permítanme explicarles con detalle por qué la trampa del ajuste fino llevará a la quiebra a las iniciativas de IA empresariales, y cómo recomiendo a todos que logren que los agentes autónomos ejecuten una lógica empresarial altamente personalizada sin agotar sus presupuestos.

La trampa del ajuste fino

Cuando los responsables de TI hablan de enseñar a una IA sus reglas de negocio específicas, suelen referirse a un proceso llamado ajuste fino. Este proceso consiste en tomar un modelo preentrenado y ajustar de forma rigurosa sus ponderaciones internas (las conexiones matemáticas que determinan cómo piensa la IA y valora la información) alimentándolo con los datos históricos altamente personalizados de la empresa.

Desde una perspectiva arquitectónica, existen tres problemas críticos al ajustar una IA en un ERP heredado:

1. Brecha semántica

Los modelos de IA están preentrenados para comprender la semántica empresarial global y estándar. Saben cómo es un de pedido a cobro en toda la industria. Si su ventaja competitiva reside en una tabla de base de datos personalizada llamada t_z_special_discount_v3, la IA puede leer el texto, pero carece por completo de la comprensión contextual de la función real de esa tabla. En esencia, le está pidiendo a un cerebro brillante pero generalizado que lea un lenguaje que solo entiende un desarrollador jubilado de su empresa.

2. Rigidez extrema

El ajuste fino consiste básicamente en obligar a la IA a memorizar patrones rígidos. Si la lógica de precios cambia el mes que viene para adaptarse a una nueva fluctuación del mercado, el modelo ajustado queda obsoleto al instante. Te ves obligado a reiniciar el costoso y laborioso ciclo de entrenamiento.

3. El riesgo de alucinaciones

Los másteres en Derecho son excelentes en lenguaje, pero pésimos en matemáticas rígidas y diagramas de flujo complejos. Si intentas obligar a un modelo probabilístico a memorizar la lógica de una cadena de suministro patentada de 50 pasos, te garantizo que acabará cometiendo alucinaciones y ejecutando con total seguridad el proceso equivocado a la velocidad de la luz.

Si no perfeccionamos la IA, ¿cómo lograremos que comprenda y ejecute nuestra ventaja competitiva única?

En una arquitectura empresarial moderna, no entrenamos la IA con nuestras reglas de negocio. contextualizamos y le proporcionamos herramientas. Logramos esto mediante dos paradigmas: RAG y Llamada a Funciones.

RAG (Generación con Recuperación Aumentada)

En lugar de obligar a la IA a memorizar las complejas políticas de su empresa, los acuerdos con los proveedores o las normas únicas de almacenamiento, utilice RAG.

Piensa en RAG como si le estuvieras haciendo un examen a libro abierto a la IA.

En lugar de alterar el cerebro interno de la IA, tomas toda la documentación de tu fórmula secreta (tus procedimientos operativos estándar, tus manuales de políticas, etc.) y la indexas en una base de datos Vector segura.

Cuando un planificador le pregunta a la IA: "¿Cómo gestionamos un envío retrasado del Proveedor X para esta línea de productos específica?", la IA no adivina basándose en su entrenamiento previo. Primero, busca en su base de datos Vector. Recupera su regla específica y patentada para ese escenario concreto, la analiza y formula una respuesta que combina su inteligencia flexible con sus reglas rígidas y objetivas.

Nunca entrenaste la IA. Simplemente le proporcionaste el documento exacto que necesitaba, justo cuando lo necesitaba. Si tu política cambia mañana, solo tienes que actualizar el documento en la base de datos. No se requiere ningún reentrenamiento.

Llamada a funciones: El agente como orquestador

Si bien RAG es fantástico para textos y políticas corporativas, ¿qué ocurre con la lógica empresarial transaccional? ¿Y si su fórmula secreta es un algoritmo muy complejo que calcula costes de flete personalizados en función de restricciones multivariables en tiempo real?

Sin duda, no querrás que un programador de derecho intente realizar esos cálculos. En su lugar, utiliza la llamada a funciones (API de agentes). Aquí es precisamente donde el concepto de extensibilidad de Cloud ERP brilla con luz propia.

En un entorno ERP en la nube moderno como Infor LN, la lógica empresarial personalizada ya no está oculta dentro de la base de datos principal, sino que se construye en el perímetro del sistema como una extensión, accesible a través de API seguras.

Mediante la llamada a funciones, usted expone la existencia y el propósito de su algoritmo de transporte de mercancías directamente a la IA.

Proporcionas a la IA un conjunto de herramientas digitales. Le indicas: «Cuando un usuario solicite calcular los costos de flete personalizados, no intentes hacer los cálculos tú mismo. Llama a esta API específica, introdúcele el destino y el peso, y devuélvele al usuario el número exacto que te devuelva».

La IA se transforma en un orquestador. Actúa como el puente inteligente entre el usuario humano y tu código secreto predefinido. La IA gestiona la intención en lenguaje natural, pero tu impecable extensión de API personalizada se encarga del trabajo pesado.

Compensaciones

Siendo honestos intelectualmente, debemos reconocer que alejarse del ajuste fino y depender completamente de RAG y la llamada a funciones no es la solución mágica, e inevitablemente, tarde o temprano, debemos abordar los puntos débiles. Esta arquitectura conlleva sus propias desventajas:

• Latencia y costos de tokens: dado que RAG requiere que la IA recupere y lea sus documentos cada vez que se formula una pregunta, se añaden milisegundos (o segundos) al tiempo de respuesta. Además, enviar repetidamente grandes fragmentos de contexto recuperado a una API LLM consumirá más tokens, lo que aumentará sus costos operativos con el tiempo.
• Dependencia de recuperación: un sistema RAG es tan inteligente como su motor de búsqueda. Si su base de datos Vector recupera la política de empresa incorrecta, la IA, basándose en ese contexto erróneo, le dará al usuario la respuesta equivocada.
• Requisito previo para la modernización: la llamada a funciones presupone que la arquitectura de su ERP es lo suficientemente moderna como para exponer sus personalizaciones heredadas como API limpias y fáciles de usar. Si su sistema principal está irremediablemente enredado en código heredado monolítico, tendrá que invertir mucho en desacoplar y modernizar esa lógica antes de que un agente de IA pueda orquestarla.

Mi opinión final

La crisis a la que se enfrentan los usuarios de sistemas ERP tradicionales en la próxima década no radica en que los sistemas en la nube vayan a destruir su propiedad intelectual. La cruda realidad es que su propiedad intelectual se encuentra actualmente atrapada en un formato que la inteligencia artificial no puede utilizar.

Si desea obtener un retorno de la inversión masivo en IA empresarial, el plan arquitectónico es claro:

1. Deja de personalizar el núcleo de tu ERP. Esto no significa que dejes de adaptar el sistema a las necesidades de tu negocio, sino que mantengas el código base estrictamente estandarizado para que la IA pueda leerlo de forma nativa.
2. Dejen de intentar ajustar los modelos de IA con datos heredados sucios.
3. Replantea tu código personalizado y reconstrúyelo como API externas utilizando técnicas modernas.
4. Otorgue a sus agentes de IA acceso a esas API mediante llamadas a funciones y base su conocimiento utilizando RAG.

Tu lógica propietaria es el activo más valioso de tu empresa. Deja de intentar enseñársela a un algoritmo probabilístico. Conviértela en una herramienta, dásela al agente autónomo y deja que la inteligencia haga lo que mejor sabe hacer: orquestar.

Escrito por Andrea Guaccio 

14 de abril de 2026