La arquitectura de la información es la base a la que aspira la inteligencia artificial
Esto es de Lou Rosenfield, y formalización de carrera Arquitectura de la información: para Internet y otros campos. —Organización, etiquetado y estructura semántica que permite a las personas, y ahora a las máquinas, entender cuál es el contenido antes de actuar sobre él.
La industria tiene un nuevo nombre para el mismo andamio: capa semánticaun conjunto administrado de definiciones, tipos y relaciones entre el contenido original y los sistemas que lo leen.
Llámelo taxonomía, ontología o capa semántica; el trabajo es el mismo: decirle a la máquina qué es algo y cómo se relaciona con otras cosas.
Dos mecanismos hacen la mayor parte del trabajo. Un vocabulario controlado (un conjunto de términos fijo y acordado para la misma cosa) mantiene estable el lenguaje, de modo que “cancelación”, “cancelación”, “terminación” y “cierre” no divida un concepto en cuatro que el sistema considera no relacionados.
Evitan la lenta deriva que se produce cuando cada equipo nombra las cosas a su manera y proporcionan un lenguaje estricto y coherente para que los modelos coincidan, en lugar de un objetivo en movimiento. Los metadatos estructurados hacen el resto: son la estructura en la que se basa el sistema, las etiquetas y campos que marcan el contenido actual, el contenido canónico y cómo una cosa se relaciona con otra, por lo que la recuperación requiere alguna inferencia además del texto sin formato.
Estas palabras también tienen un lugar en el lado de entrada. Puede normalizar las instrucciones antes de que lleguen a la recuperación, asignando “reembolso”, “reembolso” y “reembolso” del usuario a los términos preferidos del envío, de modo que la consulta y la tienda utilicen el mismo lenguaje controlado, en lugar de adivinar entre sí. Construya contenido y luego haga preguntas.
Sin este andamiaje, el modelo no puede separar la señal del ruido porque no hay nada que le diga cuál es cuál.
Esto actualiza el primer reclamo. Una razón es encontrar el archivo correcto. Se trata de que el sistema comprenda qué es el archivo, y la comprensión no es algo que pueda solicitarse después del hecho. Tiene que estar en la estructura.
La ambigüedad no se resuelve: se amplifica.
La gente tolera estructuras desordenadas. Ante una etiqueta vaga o una categoría medio correcta, una persona utiliza su criterio para llenar el vacío, solucionarlo y seguir adelante. Esta tolerancia enmascara el costo de dos décadas de mala arquitectura de la información. También le da al equipo la confianza de que el caos está bien porque siempre hay alguien ahí para absorberlo.
El modelo elimina a los humanos de este ciclo. No llenan los vacíos con juicio; coinciden con el patrón de una situación caótica y la replican con confianza a escala.
No llenan los vacíos con juicio; coinciden con el patrón de una situación caótica y la replican con confianza a escala.
Una etiqueta vaga que una persona habría corregido silenciosamente se convirtió en una respuesta sistemáticamente incorrecta, mientras que miles de personas no tenían idea de que la fuente era oscura. este Informe de calidad mundial 2025 Se descubrió que los problemas de ilusión y confiabilidad eran las mayores barreras citadas entre las empresas, y solo el 15% informó haber implementado IA generativa a escala empresarial.
Este fue un punto de inflexión en el debate.
conseguir patricio nymanHistorias en tu bandeja de entrada
Únase a Medium de forma gratuita para obtener las últimas actualizaciones de los autores.
La mala arquitectura de la información solía costarle un usuario confundido, un costo tan extendido que nadie se molestaba en nombrarlo.
Ahora usted paga por un fracaso automático, repetido y seguro: la misma respuesta incorrecta, que produce una nueva respuesta para cada persona que hace la pregunta.
La caótica situación no ha cambiado. El radio de explosión sí lo hace.
Los agentes necesitan estructura para actuar, no sólo responder
La recuperación es un caso muy fácil. Responder a la pregunta equivocada es vergonzoso; tomar la acción equivocada es una responsabilidad. Cuando un agente deja de recuperar y comienza a realizar una tarea (enviar un ticket, actualizar un registro, aprobar una solicitud, llamar a otro sistema), requiere algo más que el canal correcto. Requiere comprender las relaciones, las jerarquías y los límites: qué pertenece a qué, qué depende de qué, qué se permite tocar y qué no.
Se trata de una arquitectura de información que opera como un modelo operativo más que como un sistema de archivo; esto es lo que la capa semántica significa para un agente: una codificación controlada de qué pertenece a qué, qué depende de qué y a qué se le permite acceder al agente.
Los agentes necesitan más contexto que los humanos y la capa semántica lo proporciona.
Las categorías que alguna vez organizaron los artículos de ayuda ahora controlan qué operaciones están disponibles para qué objetos. Detallé este caso en un artículo anterior sobre la capa semántica como infraestructura de agentes: las estructuras que construimos para que el contenido sea localizable son las mismas estructuras necesarias para que los agentes operen de forma segura.
Las respuestas incorrectas erosionan la confianza. Las acciones incorrectas pueden mover fondos, cambiar registros y hacer que los sistemas posteriores asuman que son correctas.
Los agentes sin estos patrones relacionales no se negarán a actuar. De todos modos, actúa sobre las imágenes planas y borrosas que recibe, al igual que lo hace con la confianza que aporta a todo. Las respuestas incorrectas erosionan la confianza. Las acciones incorrectas pueden mover fondos, cambiar registros y hacer que los sistemas posteriores asuman que son correctas.
Incluso antes de que los agentes actúen, esto ya tiene un precio. existir Moffat contra Air Canadael chatbot de soporte de la aerolínea le dijo a un cliente en duelo que podía solicitar retroactivamente un boleto de duelo, al contrario de lo que decía la propia página de política de duelo de Air Canada. El chatbot incluso enlazaba a páginas contradictorias. Un tribunal de Columbia Británica responsabilizó a una aerolínea y le ordenó pagar cuando los clientes confiaron en las respuestas y fueron rechazados, rechazando las afirmaciones de que un chatbot era una entidad independiente responsable de su propio discurso.
Dos páginas de un sitio web con contenidos diametralmente opuestos, pero nada que los concilie. Ese es un chatbot que solo responde. Si se da a esos agentes el poder de actuar, las mismas estructuras irreconciliables comenzarán a mover dinero por sí mismas.
Esto eleva la apuesta a otro nivel. La tercera razón tiene que ver con respuestas incorrectas a gran escala. Se trata de acciones equivocadas a gran escala, y no vienen acompañadas de un descargo de responsabilidad de que la estructura subyacente es sólo especulación.
Así se acaba financiando la arquitectura de la información
Cada causa hasta la fecha ha transformado costos nunca antes vistos en resultados ahora visibles. La capacidad de búsqueda se convierte en precisión de recuperación. Escribir se convierte en tasa de alucinaciones. La estructura se convierte en la confiabilidad y el tiempo de implementación del agente. La disciplina no ha cambiado. El balance lo hizo.
Este replanteamiento cambia quién está dispuesto a pagar por ello. La arquitectura de la información nunca obtendrá un presupuesto si su recompensa es “menos usuarios confundidos”, un número que nadie puede poner en una diapositiva.
Gana el presupuesto cuando su recompensa es que los proyectos de IA que ya están en la hoja de ruta no fracasarán.
El gasto empresarial en inteligencia artificial generativa alcanzará los 37.000 millones de dólares en 2025, frente a los 11.500 millones de dólares del año anterior, según Menlo Ventures. El estado actual de la inteligencia artificial generativa en la empresa. – Gran parte de esto se gasta en recuperación y fundación, lo que sólo funciona si el contenido subyacente está bien organizado.
Los beneficios son mensurables, no se pueden decir con la mano: Anthropic’s recuperación contextual Las investigaciones han descubierto que agregar contexto para cada bloque antes de la indexación puede reducir las recuperaciones fallidas hasta en un 49%, una cifra de confiabilidad que resulta de la reparación de contenido en lugar de un modelo de intercambio.
Esta es la capa semántica para obtener la línea presupuestaria: estructura para recuperar la precisión en lugar de fijar precios de contenido ordenados.
Financiar la fundación o continuar pagando por las recuperaciones posteriores que fallan, la confianza se erosiona y los pilotos que nunca llegan a producción.
Así que dejemos de pensar en la arquitectura de la información como higiene y empecemos a pensar en ella como un requisito previo para lo que se ha convertido. Ya no es un lujo para los bibliotecarios ni una tarea de limpieza perdida cada temporada. Financiar la fundación o continuar pagando por las recuperaciones posteriores que fallan, la confianza se erosiona y los pilotos que nunca llegan a producción.
El trabajo de los bibliotecarios no se vuelve más importante porque los bibliotecarios discutan mejor. Se vuelve aún más importante a medida que comienza a aparecer en datos a los que los altos ejecutivos ya están prestando atención.
Esto no significa que los modelos nunca importen. A veces, este es realmente el eslabón débil: la inferencia es demasiado superficial para la tarea, o las instrucciones son lo suficientemente vagas como para que nada pueda salvarla, y un modelo mejor o sugerencias más claras serían la solución correcta. Ese caso es real. Simplemente es menos común de lo que sugeriría el costo, y no se pueden distinguir los dos mirando el resultado: las respuestas incorrectas para un modelo débil y las respuestas incorrectas para un modelo con la capacidad de leer una tienda abarrotada se verán iguales en la pantalla. La única forma de saber cuál tiene es realizar un seguimiento de lo que recupera el sistema, razón por la cual la revisión se realiza antes de la compra, no después.
Por dónde empezar antes de comprar otros modelos
La restauración no se trata de comprar; Esta es una auditoría y una secuencia. Antes de aprobar el siguiente modelo, herramienta o capa de evaluación, realice el tedioso trabajo que la última década le permitió saltarse.
Este es el epítome de todo el enfoque. Tome una respuesta incorrecta que le dio su asistente este mes y constrúyala extrayendo los pasajes que recuperó. A menudo encontrará fuentes que parecen razonables, pero que en realidad están desactualizadas, duplicadas o mal etiquetadas, y no hay nada en la tienda que le indique esto al modelo.
Ya se ha demostrado en público: cuando la descripción general de la IA de Google sugirió poner pegamento en la pizza (una señal que un modelo tomó prestada de un viejo chiste del foro porque nada más que una concordancia de palabras clave marcaba el chiste como algo), fue esta auditoría precisa la que falló a escala global, como informó Forbes en La inteligencia artificial de Google recomienda pegar la pizza.
Arregle esta fuente y arreglará todas las respuestas futuras que dependen de ella.
- Audite lo que recupera su IA, no solo cómo responde. Rastree las respuestas incorrectas hasta su fuente. Nueve de cada diez veces el modelo hace su trabajo, pero el almacenamiento de contenidos le da basura.
- Escriba el contenido antes de que se indexe. Marque el contenido que sea actual, autorizado y canónico, así como el contenido obsoleto, redactado o anecdótico, para que la recuperación pueda distinguirlos, en lugar de promediarlos.
- Corrija etiquetas y categorías antes de corregir mensajes. El parche de aviso cubre una consulta; la taxonomía corregida corrige todas las consultas que la involucran. Las estructuras escalan, los ajustes sobre la marcha no.
- Proporcionar a los agentes un modelo claro de relaciones y permisos. Antes de que un agente pueda actuar, debe saber qué pertenece a qué y a qué puede acceder. Escríbalo como estructura, no como esperanza.
- Poner el coste de la arquitectura de la información en los resultados de la inteligencia artificial. Traducir “contenido más claro” en “mayor precisión de recuperación” o “índices de alucinaciones más bajos” para que el trabajo pueda competir por los presupuestos en términos que los ejecutivos ya están siguiendo.
La base siempre soporta carga.
Durante dos décadas, el fundamento de la arquitectura de la información fue tanto estético como moral: hacerlo porque la facilidad de búsqueda es buena, porque los usuarios merecen información clara y porque una estructura descuidada no es profesional. Esos argumentos son válidos, pero pierden cada trimestre frente a cualquier cosa que incluya una característica. La disciplina no ha recibido fondos suficientes porque sus fracasos son invisibles y sus triunfos indemostrables.
El debate ha terminado. No porque alguien ganara, sino porque el terreno se movió. La inteligencia artificial convierte cada atajo estructural en un fallo mensurable: una ilusión que se puede calcular, una respuesta incorrecta que se puede reproducir, un agente que se puede observar actuando según el mensaje equivocado.
La fundación invisible ahora tiene una línea de pérdidas y ganancias y está sangrando.
No tienes un problema de inteligencia artificial. Tienes un problema de arquitectura de la información al usar un traje de inteligencia artificial.
La buena noticia que se esconde en esta frase es que ya sabes cómo solucionarlo. Esquemas organizativos, etiquetas, metadatos, tipos de contenido: todo el conjunto de herramientas ha estado en la disciplina, esperando que alguien presente argumentos para financiarlo.
Antes de comprar otro modelo, revisa lo que recupera tu IA. Los cimientos siempre han soportado cargas y ahora todos pueden ver la carga.
