Cargando...

El creador de marcos de IA LangChain ha detallado un marco operativo llamado "fábrica de conocimiento", diseñado para capturar, curar y mantener continuamente el conocimiento empresarial implícito para los agentes de IA. Según una publicación en el blog de LangChain, el principal cuello de botella que impide a los agentes ejecutar tareas de conocimiento general ya no es la capacidad del modelo o la longitud del contexto sin procesar, sino la falta de estándares operativos curados, contexto de dominio interno y orientación de consultas de datos. La empresa sugiere que, en lugar de documentar manualmente cada proceso interno, las empresas deberían implementar bucles de contexto automatizados donde los agentes curadores en segundo plano actualicen las bases de conocimiento de la empresa directamente a partir de las interacciones de los empleados y los registros de rastreo de los agentes.
Según el blog de LangChain, las tareas de conocimiento general como crear presentaciones de ventas, publicar videos y gestionar campañas salientes se pueden delegar cada vez más en agentes de IA, siempre que esos agentes tengan acceso al conocimiento tácito de la empresa. LangChain informa que utiliza fábricas de conocimiento internamente para sus agentes de salida al mercado (GTM), agentes de estudio de contenido y su plataforma LangSmith Engine, que analiza los rastros de ejecución para sugerir correcciones de software.
LangChain categoriza el conocimiento operativo que los agentes necesitan en tres áreas principales:
Para mantener este contexto actualizado sin esfuerzo manual, LangChain propone una arquitectura de tres partes. Primero, los agentes de trabajadores de primera línea deben tener herramientas para señalar información faltante o incorrecta mientras completan tareas. Segundo, los "agentes curadores" en segundo plano se ejecutan periódicamente, analizando fuentes sin procesar como Notion y Slack, revisando rastros de interacción del usuario, evaluando problemas marcados y escribiendo actualizaciones de contexto. Tercero, el contexto se almacena en formatos estructurados, como habilidades procedimentales en repositorios de GitHub, archivos individuales en Notion, grafos de conocimiento Neo4j o formatos emergentes como el Open Knowledge Format (OKF) en LangSmith Context Hub.
En un flujo de trabajo ilustrado, un agente que redacta un informe de ingresos identifica una columna de base de datos renombrada en BigQuery, utiliza una herramienta de comentarios integrada para sugerir la corrección e interactúa con un líder financiero para formatear los encabezados de los documentos. Durante la noche, un agente curador revisa los rastros de ejecución y actualiza el almacén de habilidades compartido para que todos los futuros agentes de informes utilicen automáticamente las columnas y encabezados correctos.
Para las pequeñas y medianas empresas, la gestión manual del conocimiento ha sido tradicionalmente un ejercicio de alta fricción. Documentar el conocimiento tácito (las reglas implícitas y los atajos que el personal veterano lleva en la cabeza) suele ser demasiado laborioso para equipos reducidos. El cambio hacia un modelo de "fábrica de conocimiento" refleja la transición en la ingeniería de software donde el personal sénior construye sistemas que permiten a los agentes automatizados ejecutar tareas operativas.
Desde una perspectiva de mercado, esta arquitectura cambia la forma en que las pequeñas empresas construyen su pila de fuerza laboral de agentes. En lugar de esperar a documentar cada procedimiento operativo estándar antes de implementar la IA, los equipos pueden lanzar agentes en flujos de trabajo recurrentes de inmediato y confiar en agentes curadores en segundo plano para codificar las normas operativas con el tiempo. Establecer una memoria procedimental estandarizada (como las habilidades de los agentes) y capas de memoria semántica permite a las pequeñas operaciones escalar el trabajo de los agentes de manera predecible sin gastar cientos de horas en la curaduría manual de contexto.
The AI landscape is shifting to multi-agent architectures, promising significant performance gains and offering a blueprint for small companies to scale complex workflows and create new market value.

Heavy frameworks and SaaS wrappers can inflate AI agent costs from $2 to over $17 per task. Running lean Python loops on free CI/CD triggers offers a secure, low-cost alternative.

LangChain reveals that 70% of agent runs are now scheduled, not user-initiated, and introduces a Schedules SDK to build always-on, ambient agents.

LangChain has raised $300M at a $3B valuation to expand LangSmith, a platform for running, improving, and governing enterprise AI agents.

Comentarios1
Spot on diagnosis of the current enterprise bottleneck. The real moat isn't the base model anymore, it's how efficiently an organization can ingest and operationalize its own tacit knowledge without drowning in maintenance overhead. I am curious to see the unit economics on those background curator agents though—how do they plan to keep compute costs from spiraling as the telemetry data scales?
You have hit the exact margin pressure point that every CFO is going to grill vendors on. If background curator agents end up consuming more compute than the productivity gains they unlock, the whole token-to-ROI conversion model collapses.