Tu agente de IA ve el dato. Le falta entender qué significa

El contexto para agentes de IA es el conjunto de definiciones que hace que el agente interprete correctamente el dato al que ya accede: historial de campañas, taxonomía de eventos y las reglas de negocio de la propia operación. Sin ese contexto, el agente responde, pero la respuesta carga el mismo riesgo de cualquier número leído fuera de lugar: parece correcta y no lo es.

Un artículo publicado aquí en el blog sobre cómo conectar agentes de IA a los datos de marketing y ventas mostró los tres ingredientes de una conexión real: dato centralizado, un protocolo de acceso estandarizado y contexto real de la operación. Este texto profundiza en el tercer ingrediente, porque es el que más gente se salta al configurar el agente, y el que más aparece cuando la respuesta sale equivocada aun con el dato correcto enfrente.

Qué significa el dato bruto sin contexto

El dato bruto es lo que ya está en tu base: filas de leads, campañas, eventos, negocios. El agente de IA que tiene acceso a esa base, vía MCP o cualquier otro protocolo, puede contar cuántas filas existen y sumar una columna. Lo que no sabe de entrada es qué significa cada fila dentro de tu operación.

Un ejemplo común: dos etapas del embudo comercial llamadas “propuesta enviada” y “en negociación” pueden, en la práctica, ser la misma etapa registrada con nombres distintos por vendedores distintos. Sin esa información, el agente cuenta las dos como etapas diferentes, y el número de negocios en curso sale mayor de lo que realmente es.

Los tres tipos de contexto para agentes de IA

El contexto para agentes de IA no es un documento único: es una combinación de tres capas, y cada una resuelve un tipo de error distinto.

• Historial de campañas: qué ya corrió, con qué nombre, en qué canal y con qué resultado. Sin eso, el agente no distingue una campaña nueva de una reactivación de la misma campaña con el nombre actualizado.
• Taxonomía de eventos: qué significa en el embudo cada evento registrado, como “formulario completado” o “reunión agendada”, y en qué etapa entra. Sin eso, el agente puede contar dos veces al mismo lead o ignorar un evento que debería contar como conversión.
• Definiciones de negocio: qué llama tu operación MQL, qué cuenta como venta cerrada, qué ticket entra en el cálculo del CAC. Sin eso, el agente aplica una definición genérica, y el número no coincide con lo que el equipo ya usa en las reuniones.

Por qué el agente se equivoca aun con el dato correcto enfrente

El error más común no es que el agente invente un número. Es que aplique una regla genérica donde debería aplicar la regla de tu operación. Un ejemplo práctico: pedir “cuántos leads vinieron de campañas pagas este mes” a un agente sin contexto de UTM devuelve un conteo que incluye tráfico mal identificado, porque no sabe que tu convención de nomenclatura trata un parámetro específico como origen pago.

La especificación abierta del Model Context Protocol (MCP), publicada por Anthropic, resuelve la parte del acceso estandarizado: cómo el agente pide el dato y cómo responde la fuente. No resuelve la parte de la interpretación, y no se propone hacerlo. Esa parte sigue siendo trabajo de quien organiza la operación, y es aquí donde entra el contexto.

Cómo registrar el contexto para agentes de IA sin depender de la memoria

La forma más directa de resolverlo es documentar la operación en un lugar que cualquier agente conectado pueda leer antes de responder. Ese es el papel de los documentos de organización registrados en Laiki: convención de UTM, nombres de eventos, etapas del embudo comercial y salvedades específicas de la cuenta quedan escritos una vez, y el agente consulta ese contexto junto con el dato, en lugar de adivinar la estructura en cada pregunta nueva.

Es la misma lógica detrás del conector MCP de Laiki: el agente no parte de cero en cada conversación, porque el contexto de la cuenta ya está registrado antes de que llegue la primera pregunta. Cerrar la taxonomía de eventos junto con el mismo estándar de nomenclatura de UTM que sustenta cualquier reporte confiable también entra en esa base, para que el agente y el equipo humano lean la operación de la misma forma.

Preguntas frecuentes sobre contexto para agentes de IA

¿El contexto para agentes de IA es lo mismo que entrenar el modelo?

No. Entrenar un modelo cambia sus parámetros; el contexto es la información que el agente recibe junto con la pregunta, sobre tu operación específica. Ninguno de los dos exige conocimiento técnico de quien hace la pregunta.

¿Necesito escribir manualmente todo el contexto de mi operación?

No necesariamente. Cuando la plataforma de datos ya genera ese registro a partir de lo que existe en la cuenta, como nombres de eventos, campos del CRM e historial de campañas, el trabajo manual baja bastante. Lo que cambia es tener ese contexto centralizado en un solo lugar, en lugar de repartido en la cabeza de quien arma el reporte todos los meses.

¿Un agente sin ningún contexto es inútil?

No es inútil, pero se equivoca más. Todavía ayuda con preguntas generales y cálculos simples; el riesgo aparece cuando la pregunta depende de una definición específica de tu operación, y es justamente ahí donde el contexto marca la diferencia.

Lo que queda de esta combinación

El contexto para agentes de IA es lo que separa una respuesta que parece correcta de una respuesta que es correcta para tu operación. Antes de exigirle precisión a un agente, vale la pena revisar si tiene, además del acceso al dato, la definición de cómo tu operación nombra y organiza lo que ya registró. Para ver cómo funciona esto en la práctica con el MCP nativo de Laiki, basta con hablar con el equipo.