The Six Five Summit: IA sin límites 2026 de MongoDB
Revisa los puntos clave y la transcripción de esta llamada de resultados.
Transcripción
Mira una vista previa de los primeros quince párrafos, organizados por participante.
Hola y bienvenidos a The 2026 Six Five AI Summit, AI Unleashed. Hoy continuamos con la temática de datos y observabilidad. Soy Jason Anderson y hoy exploraremos cómo está evolucionando la infraestructura de datos empresariales para respaldar la próxima generación de aplicaciones y agentes de IA. Me entusiasma mucho que hoy me acompañe Ashish Kumar, vicepresidente sénior y fellow técnico de MongoDB. Lo que hablaremos en los próximos minutos es por qué el contexto, y no solo los datos, se está convirtiendo en la clave para crear agentes de IA no solo confiables, sino también altamente escalables. Gracias por acompañarme, Ashish. Bienvenido al programa. Me alegra tenerte aquí.
Me alegra estar aquí y me entusiasma hablar sobre cómo debe cambiar la arquitectura de datos empresariales ante los rápidos avances que vemos en la IA. Cómo la conversación pasó de qué modelos debemos usar al contexto confiable que estos modelos necesitan en producción.
Perfecto. Eres la persona indicada. Llevas mucho tiempo trabajando con datos, así que me entusiasma mucho empezar. ¿Qué cambió en el mercado para que esta evolución fuera necesaria y por qué es especialmente relevante ahora que las organizaciones comienzan a desarrollar capacidades de IA y agentes?
Muy buena pregunta, Jason. Si miramos hacia atrás, MongoDB comenzó como una base de datos que encantaba a los desarrolladores porque hacía que crear aplicaciones fuera rápido e intuitivo. Lo que realmente cambió en el mercado es que el software en sí está cambiando. Estamos pasando de este código estático y determinista a agentes autónomos de IA que perciben, razonan y actúan sobre la marcha. Cuando la IA generativa despegó por primera vez, muchos equipos reaccionaron incorporando bases de datos vectoriales independientes a sus sistemas heredados. Muy pronto, eso se convirtió en una pesadilla operativa de problemas de sincronización de datos y latencia. Las organizaciones se dieron cuenta de que, para ejecutar IA en producción, no pueden tener sus vectores en un lugar, sus datos operativos en otro y sus reglas de seguridad en algún otro sitio. Necesitan una plataforma unificada. No se trata solo de ejecutar IA, sino de cómo se está creando el software.
Emergent Labs es un gran ejemplo de por qué la flexibilidad importa en este caso. Es uno de nuestros clientes. Primero probaron Postgres, pero se decidieron por MongoDB Atlas porque, cuando los agentes crean aplicaciones, el modelo de datos evoluciona constantemente. Con Atlas, el esquema evoluciona junto con la aplicación, en lugar de obligarte a ejecutar migraciones cada vez que algo cambia. Por eso han podido impulsar alrededor de 2 millones de aplicaciones con agentes en MongoDB.
Vaya. Es curioso que menciones la fluidez de los datos y cómo evolucionan con el tiempo. La atención que hemos visto hasta ahora en este espacio en torno a lo que llamaremos modelos fundacionales y de frontera ha sido enorme. Pero, a medida que vemos que las empresas empiezan a adentrarse en esto de manera más significativa, como Emergent, empezamos a ver que no se trata solo de los modelos. Se trata del rendimiento y el contexto, y realmente de lograr que estas soluciones funcionen de una manera muy personalizada para esas organizaciones. En general, cuando pensamos en el contexto, ¿cómo defines qué hace que un contexto sea bueno y por qué es un ingrediente tan importante en la combinación?
Sí. Pienso en los modelos fundacionales como motores de razonamiento muy brillantes, como los Einsteins del mundo de la ingeniería. Pero, sin contexto, no conocen ningún hecho sobre tu negocio real. Mi definición de un buen contexto es bastante sencilla. Reunir señales operativas en tiempo real, registros históricos y reglas comerciales explícitas en algo que la IA pueda consumir en conjunto y en lo que pueda confiar. Si alimentas estos modelos con texto sin procesar y sin ese contexto operativo, solo hacen conjeturas fundamentadas. Pero, cuando les das contexto real, pueden tomar decisiones inteligentes. AT&T, otro de nuestros clientes, es un gran ejemplo de esto. Están reuniendo señales de red en tiempo real con datos históricos de interrupciones para combinarlo todo, de modo que su IA pueda tomar mejores decisiones sobre adónde deben ir realmente los equipos de reparación. Eso tiene implicaciones físicas. Es un impacto real en el negocio.
En su caso, se evitaron 3.1 millones de despachos innecesarios y se ahorraron $12 millones... Vaya, en tiempo de inactividad.
Cuando un agente despacha equipos de campo o interactúa con sistemas de facturación, un contexto deficiente no es solo un inconveniente ni una alucinación menor. Tiene un enorme impacto financiero.
Sí. Vaya. Al empezar a pensar en estos impactos y en el contexto como parte de ellos, una de las cosas que hice para prepararme para hablar contigo hoy fue revisar algunos de los textos que has escrito. MongoDB hace un buen trabajo al informar al mercado con los blogs y las investigaciones que publican, y sé que eso es una parte importante de tu función. Cuando abordamos temas como el estado y la memoria de la IA, que ahora están cobrando mucha más importancia. Estos aspectos son cada vez más importantes, sobre todo a medida que avanzamos hacia aplicaciones listas para producción. Al pensar en esto, ¿cómo contribuye a la confiabilidad?
En última instancia, ¿cómo ayuda la confiabilidad a que las organizaciones adopten mejor la IA o confíen más en lo que puede ofrecer? Quizá esa sea una mejor manera de plantearlo.
Sí, mira, me gusta decir que todo el mundo está creando aplicaciones con agentes. Pero un agente solo es tan inteligente como el contexto al que tiene acceso.
Bien. Un agente sin memoria es, en realidad, solo un chatbot costoso.
Estás hablando de conocimiento general y cosas por el estilo. No puede mantener el hilo ni aprender, y ahora los agentes deben manejar procesos complejos de varios pasos. Sin memoria, simplemente no pueden hacerlo. Cuando hablamos de estado y memoria, hablamos de la capacidad de un agente para mantener esta continuidad. Recordar lo que pasó hace 3 pasos, llevar un registro de lo que el usuario intentaba lograr y recordar sus preferencias a lo largo del tiempo. Si quieres que un agente gestione un proceso que dura 3 días y requiere 5 aprobaciones diferentes, tiene que conservar ese estado sin perder el hilo. Hacerlo a escala, sin embargo, supone un enorme problema de datos. Ese es un problema fundamental de datos.
Un gran ejemplo es uno de los principales laboratorios de IA de frontera, que trasladó más de 50 mil millones de conversaciones de Postgres a MongoDB Atlas en solo 4 semanas para resolver este problema.
TRANSCRIPCIÓN COMPLETA
Lee la transcripción traducida completa en StockNow.
Accede a todas las intervenciones, el original en inglés y el historial de cada participante con StockNow Pro.
Ver la transcripción completa con ProLa traducción con IA puede contener algunas imprecisiones.
Participantes de la llamada
Participantes en esta llamada: 2 — aquí solo puedes ver 1.
LISTA DE PARTICIPANTES
Consulta el detalle de los participantes en StockNow.
Inicia sesión para ver al equipo directivo y a analistas, con sus cargos y el historial completo de sus intervenciones.
Inicia sesión para ver la lista completa de participantesSigue explorando
