La inteligencia artificial autónoma avanza a pasos agigantados, pero enfrenta un problema estructural que está drenando millones de dólares de las empresas cada año: la falta de memoria. No se trata de que los agentes de IA no sean inteligentes, sino de que empiezan desde cero en cada tarea. Esta ineficiencia es el foco de Uvi (Naboo Research Ltd.), una startup israelí especializada en capas de razonamiento contextual para sistemas empresariales, que acaba de cerrar una ronda semilla de USD 7,5 millones.
La inversión fue liderada por CT Innovations y contó con la participación de Cardumen, Mana VC y 91 Ventures. El capital servirá para escalar su tecnología, diseñada para resolver lo que Gilad Salinger, cofundador y CEO de Uvi, describe como el mayor cuello de botella actual en la adopción corporativa de IA: el costo y la velocidad de la "re-aprendizaje" continuo.
El gasto invisible de empezar de nuevo
Cada vez que una empresa implementa un nuevo agente de IA autónomo, este no sabe nada sobre la organización. Para funcionar sin supervisión humana constante, el modelo debe comprender los procesos operativos, las decisiones históricas y el flujo de trabajo específico de la compañía. Hasta ahora, la única solución era obligar al agente a reconstruir ese conocimiento desde cero cada vez que se desplegaba o interactuaba con nuevos datos.
Este proceso repetitivo consume recursos computacionales enormes. Las empresas pagan por cada token utilizado en ese re-aprendizaje inicial, un gasto que se multiplica exponencialmente conforme aumenta el número de agentes desplegados. Según pruebas internas realizadas por Uvi, los agentes construidos internamente cuestan ocho veces más de lo debido debido a esta necesidad de recolectar contexto constantemente.
El problema ha evolucionado. En los primeros días de la IA generativa, las preocupaciones principales eran la precisión de las respuestas y la seguridad. Hoy, la conversación ha cambiado radicalmente hacia el costo por token y la latencia. Las grandes corporaciones utilizan decenas de herramientas con estructuras de datos completamente distintas. La capacidad de cruzar información de plataformas como Snowflake (almacenamiento de datos) y GitHub (gestión de código) en tiempo real, y razonar sobre ella, sigue siendo insuficiente para muchos modelos estándar.
Incluso cuando un agente completa una tarea exitosamente, falla al intentar repetir esa misma acción al día siguiente porque no retuvo cómo se realizó realmente el trabajo. Esta fragilidad operativa genera ineficiencias críticas que frenan la escalabilidad de la automatización.
Una memoria institucional permanente
Uvi propone una arquitectura diferente. Su solución consiste en crear una "capa de razonamiento contextual" que pertenece exclusivamente a la empresa. En lugar de que cada nuevo agente tenga que aprender la operación del negocio desde cero, simplemente accede a esta memoria institucional unificada disponible para todas las herramientas dentro del entorno de TI.
Tecnológicamente, Uvi funciona vinculando sistemas fragmentados como Slack, Jira, Confluence y Salesforce con repositorios de código y actas de reuniones internas. A partir de estos datos, construye un grafo de conocimiento que mapea cómo se relaciona toda la información. Este grafo no solo registra qué se decidió, sino por qué se tomó esa decisión y cuál fue su impacto posterior.
La plataforma también analiza el contexto histórico para reconstruir el razonamiento del agente. Por ejemplo, si una decisión tomada en un chat de Slack fue revertida posteriormente en un documento oficial, el sistema captura esa evolución lógica. Además, desarrolla una capa semántica personalizada para que los agentes interpreten correctamente la jerga interna específica de cada organización.
Un aspecto diferenciador clave es la seguridad por diseño. Los grafos de conocimiento tradicionales suelen tener dificultades con los permisos de usuario. Uvi implementa un modelo de control de acceso a nivel de aplicación y administración, utilizando etiquetado de datos. Esto asegura que, si una persona abandona la empresa, sus datos no sean accesibles por futuros agentes. La mayoría de las tuberías actuales de recuperación aumentada de generación (RAG, por sus siglas en inglés), que ingieren datos una vez y olvidan quién tenía permiso para verlos, no resuelven este punto crítico.
Los benchmarks de Uvi muestran ahorros drásticos. Los agentes que operan sin esta capa cuestan entre USD 0,75 y USD 1,41 por respuesta, llegando incluso a superar los USD 2 en algunos casos. Al enrutar las respuestas a través de Uvi, el costo promedio cae a apenas 10 centavos de dólar. En preguntas abiertas complejas, donde los agentes suelen quedar atrapados en bucles de búsqueda recurrentes, los agentes con Uvi cuestan 46 veces menos y responden dos veces más rápido.
Empresas como Monday.com (plataforma de gestión de trabajo visual), Lemonade (aseguradora digital) y Melio (plataforma de pagos B2B) ya están validando la plataforma. En el caso de Monday.com, Uvi permite a sus agentes entender las relaciones entre tickets de Jira, solicitudes de extracción de código y banderas de características. Sin este contexto, los agentes entregaban listas desconectadas que obligaban a los trabajadores a ordenar manualmente la información. Con Uvi, la trazabilidad de esas relaciones acelera la obtención de respuestas precisas.
Gwen Cheni, de CT Innovations, señala que casi todas las empresas con las que conversa han luchado por construir contexto a escala. "La mayoría está muy lejos", afirma. "Uvi representa la versión terminada de un proyecto por el que muchas compañías ya han pagado múltiples veces".
Salinger sostiene que esta capa de contexto dejará de ser opcional. Predice que en tres años, la infraestructura de IA empresarial no se organizará alrededor de interfaces de chat o búsqueda de documentos, sino alrededor de una capa de contexto persistente a la que se conecten todos los agentes y modelos. Las empresas que adopten esta estructura podrán desplegar nuevos agentes con la misma fluidez que hoy gestionan sus pipelines de desarrollo continuo. Aquellas que no lo hagan seguirán pagando a sus proveedores de modelos para que reaprendan su negocio cada mañana.
