En esta noticia
Mientras el mercado sigue la carrera entre OpenAI, Anthropic, Google y Meta por desarrollar modelos de inteligencia artificial cada vez más potentes, una startup argentina apuesta a resolver un problema menos visible, pero que para muchas empresas resulta incluso más importante: cómo lograr que esos modelos respondan correctamente cuando trabajan sobre información interna.
La empresa se llama Teramot y sostiene que el verdadero cuello de botella de la inteligencia artificial empresarial ya no está en los modelos de lenguaje, sino en la calidad, estructura y gobernanza de los datos que alimentan esas herramientas.
La tesis no surge únicamente de la compañía. También encuentra respaldo en una reciente publicación técnica de Anthropic, creadora de Claude, donde la firma estadounidense explica las dificultades que enfrentó para construir una plataforma de análisis de datos basada en inteligencia artificial.
El problema que ni Claude puede resolver por sí solo
En su documento técnico, Anthropic reconoce que desarrollar un sistema capaz de responder preguntas sobre información empresarial requirió meses de trabajo de ingeniería, una infraestructura compleja de datos y supervisión humana permanente para validar los resultados.
La conclusión, según Teramot, es clara: disponer del mejor modelo de IA no garantiza respuestas confiables cuando los datos de una empresa presentan inconsistencias, duplicados o carecen de una estructura adecuada.
“El problema nunca fue el modelo. El problema es la calidad, estructura y gobernanza de los datos”, afirmó Bruno Ruyú, CEO y cofundador de Teramot.
La apuesta de una startup argentina
Con esa premisa, Teramot desarrolló una plataforma orientada a automatizar la construcción de la infraestructura de datos que necesitan los modelos de IA para operar dentro de una organización.
La solución se basa en un data lakehouse, una arquitectura que organiza la información empresarial en distintas capas, conocidas como Bronze, Silver y Gold, hasta convertir datos dispersos y desordenados en información estructurada y lista para ser consultada por un modelo de inteligencia artificial.
Según la empresa, este proceso permite que el modelo consulte información gobernada y estructurada, en lugar de intentar interpretar directamente bases de datos complejas, reduciendo así errores y respuestas inconsistentes.
De la infraestructura al resultado
La diferencia entre ambos enfoques aparece reflejada en uno de los gráficos del documento.
Mientras el esquema presentado por Anthropic incluye una etapa de aprobación humana luego de que el modelo genera una respuesta, Teramot sostiene que una infraestructura de datos correctamente preparada permite automatizar ese proceso y obtener respuestas determinísticas, es decir, resultados reproducibles a partir de información previamente validada.
La compañía aclara que el objetivo no es reemplazar a modelos como Claude o GPT, sino construir la capa de datos que les permita funcionar con mayor precisión dentro de las empresas.
Una tendencia que gana peso en la industria
La propuesta se inscribe en un cambio cada vez más evidente dentro del ecosistema de inteligencia artificial.
En los primeros años del boom generativo, la atención estaba concentrada casi exclusivamente en el desarrollo de modelos cada vez más sofisticados.
Sin embargo, a medida que las compañías comenzaron a desplegar proyectos de IA sobre información propia, quedó en evidencia que disponer de buenos datos resulta tan importante como contar con un modelo potente.
Por eso, conceptos como data governance, data lakehouse, metadata o lineage pasaron a ocupar un lugar central en las estrategias de IA corporativa.
Una plataforma “self-service”
Teramot asegura haber trabajado durante tres años en el desarrollo de su tecnología y, en febrero de 2026, lanzó una versión completamente self-service, orientada a que empresas de cualquier tamaño puedan desplegar una infraestructura preparada para inteligencia artificial sin necesidad de contar con un equipo especializado de ingeniería de datos.
El foco de la startup está puesto en América Latina y en reducir tanto la complejidad técnica como los costos que hoy enfrentan las organizaciones que buscan incorporar inteligencia artificial sobre sus datos internos.
En un mercado donde la competencia suele medirse por quién desarrolla el modelo más potente, Teramot apuesta a otro eslabón de la cadena: lograr que esos modelos trabajen sobre información confiable.
Porque, según resume la propia publicación de Anthropic que tomó como punto de partida, el desafío ya no pasa solamente por la inteligencia artificial, sino por los datos que la alimentan.