La promesa de obtener respuestas estratégicas en segundos ha impulsado a empresas tecnológicas a experimentar con sus propios desarrollos internos.
NTT DATA puso a prueba esta premisa confrontando a su herramienta propietaria, DeepSearch, contra un equipo de analistas humanos para definir el futuro de la investigación corporativa.
Arquitectura detrás de DeepSearch
El valor técnico de este experimento no reside en la magia del resultado, sino en la ingeniería de integración de componentes de código abierto.
La herramienta DeepSearch no es un modelo fundacional nuevo, sino una orquestación eficiente de tecnologías existentes que operan como agentes autónomos.
El stack tecnológico revelado por el equipo de IA demuestra una arquitectura estándar para aplicaciones empresariales modernas:
- LangChain: Actúa como el cerebro orquestador que conecta el modelo de lenguaje con fuentes de datos externas.
- Azure OpenAI: Provee la potencia de cómputo de los LLMs (Modelos de Lenguaje Grande) dentro de un entorno corporativo seguro.
- SerpAPI y BeautifulSoup: Ejecutan el «trabajo sucio» de rastrear índices de búsqueda y extraer (scrapear) el contenido HTML de las noticias recientes.
- Pydantic: Garantiza que los datos extraídos mantengan una estructura lógica y validada antes de ser procesados.
- Plotly: Transforma los datos semánticos en visualizaciones gráficas y mapas de tendencias sin intervención de diseñadores.
Esta combinación permite que el sistema ejecute el ciclo completo —desde la consulta abierta hasta la visualización en radares interactivos— mediante procesos automatizados en Python.
Limitaciones técnicas y el factor velocidad
El dato más llamativo del informe es la capacidad de DeepSearch para completar su ciclo de investigación en menos de tres minutos. Si bien esta velocidad supera por órdenes de magnitud a la capacidad humana, es crucial contextualizar qué tipo de investigación se realiza en ese tiempo.
La arquitectura descrita sugiere que la herramienta realiza un barrido horizontal de información, ideal para Market Intelligence y detección de tendencias en noticias indexadas.
Esto contrasta con propuestas académicas más densas como The AI Scientist de Sakana.ai, que está diseñado para formular hipótesis y ejecutar simulaciones científicas complejas, o el Deep Research de OpenAI, que utiliza agentes iterativos para navegar verticalmente en la información.
Mientras que herramientas como las de Sakana buscan generar nuevo conocimiento científico autónomo, DeepSearch optimiza la recolección y agrupación de información pública existente.
El rol irremplazable de la curación humana
A pesar de la eficiencia en la recolección de datos, el experimento evidenció que la IA carece de la capacidad para construir significado estratégico o validar el contexto cultural de los hallazgos.
El equipo liderado por Sara Alvarellos demostró que la estructuración lógica y la validación de casos de uso siguen siendo dominio exclusivo del analista humano.
La tecnología funcionó como un acelerador de prototipado, pero no logró reemplazar el criterio necesario para la toma de decisiones de negocio. Víctor Leon Marambio, Head of Digital Technology Innovation en NTT DATA Iberia, resumió el hallazgo principal del ejercicio:
«En nuestro experimento, lo más poderoso no fue el contraste, sino la convergencia. Al combinar la lógica estructurada del equipo de research con la exploración y visualización automatizada del equipo de IA, aceleramos hipótesis».
Integración de la IA en flujos de trabajo reales
La evidencia sugiere que herramientas como DeepSearch deben implementarse como motores de pre-procesamiento de información y no como oráculos definitivos.
Para el usuario profesional y las empresas, el beneficio tangible reside en delegar a la IA la tarea tediosa de la recolección y organización de buzzwords, liberando tiempo para el análisis cualitativo.
El futuro inmediato del análisis de datos no eliminará al investigador, pero sí elevará el estándar de entrada, exigiendo profesionales capaces de curar y dirigir a estos agentes veloces.
