Datos para agentes: por qué los pesos no bastan y el rol de los datos sintéticos

Más que pesos: por qué los agentes necesitan datos abiertos

Construir agentes de IA no es lo mismo que entrenar un buen modelo de lenguaje. Un agente real debe actuar en el mundo: manejar errores de API, ejecutar flujos de trabajo inéditos, recuperar información y sintetizar múltiples pasos de razonamiento. Si un sistema solo completa texto y no se recupera de fallas o no ejecuta herramientas de forma robusta, es más un autocompletador con herramientas que un agente.

Ese salto —de autocompletado a agente— es ante todo un problema de datos. Se necesitan trazas de ingeniería de software, ejemplos de fallos en el uso de herramientas, demostraciones de razonamiento multi‑paso, registros de recuperación ante errores, interacciones de usuario simuladas y datos sobre ejecución de flujos de trabajo reales. NVIDIA, con sus productos de datos abiertos Nemotron, ha puesto el foco precisamente ahí: en colecciones de datos y en herramientas para entender y expandir esos comportamientos.

Transparencia y reproducibilidad: no solo los pesos importan

La apertura de pesos es valiosa, pero para los agentes no basta. La reproducibilidad exige además conocer los datasets, las decisiones de curación, las recetas de entrenamiento y los métodos de evaluación que moldearon el comportamiento del modelo. Cuando un modelo llama herramientas, ejecuta flujos y actúa sobre sistemas, los desarrolladores necesitan entender qué datos influyeron en esas conductas.

Los datos abiertos permiten hacer a los agentes inspectables y, por ende, explicables. Conocer la procedencia y composición del entrenamiento ayuda a diagnosticar por qué un agente responde de cierta manera frente a un escenario específico y facilita auditorías, mejoras y cumplimiento normativo.

Datos sintéticos: proteger secretos y ampliar el ecosistema

Como señala Bryan Catanzaro, VP de Applied Deep Learning Research en NVIDIA: “every company is built around a secret” —es decir, muchas organizaciones dependen de workflows, corpus o patrones de clientes que no desean publicar. Esas señales internas pueden ser esenciales para que una IA sea útil, pero no pueden exponerse sin más.

Los datos sintéticos ofrecen una salida: permiten preservar señales útiles sin divulgar las fuentes originales. Además, facilitar la disponibilidad de datos sintéticos abiertos contribuye a un ecosistema más diverso y participativo. Si todos los modelos aprenden de un conjunto de datos estrecho, sus comportamientos tenderán a homogenizarse. Liberar datos sintéticos bien documentados puede romper ese ciclo y permitir que compañías, académicos, gobiernos y comunidades contribuyan y se beneficien.

Explorar Nemotron Post‑Training v3 Prompt Atlas

NVIDIA ha publicado enormes colecciones —más de 10 trillones de tokens para preentrenamiento y millones de muestras post‑entrenamiento— que cubren dominios variados y formatos de datos. Para hacer todo eso navegable, presentaron el Nemotron Post‑Training v3 Prompt Atlas: un mapa interactivo donde cada punto representa una muestra de prompt de la colección post‑training.

El Atlas está muestreado para reflejar las proporciones reales de la mezcla de datos y permite reorganizar la vista por dataset, etapa del pipeline, dominio o uso de herramientas. Dado que prompts semánticamente similares tienden a agruparse, es posible inspeccionar regiones concretas —algoritmos de código, seguridad, matemáticas, comportamientos agenticos— y extraer ejemplos representativos. Esa visibilidad es útil para curar datos, diseñar evaluaciones y entender por qué un modelo actúa de determinada forma.

Personas sintéticas y la importancia del contexto local

Los agentes no solo necesitan entender sistemas: deben comprender a las personas a las que sirven. “Calidad de datos” deja de ser un concepto universal y se vuelve local. Un clasificador de toxicidad entrenado con datos de internet en inglés puede no detectar agresiones en idiomas o culturas donde la hostilidad se expresa mediante fórmulas de cortesía distintas.

Nemotron‑Personas es una iniciativa para capturar esa diversidad: personas sintéticas localmente ancladas que reflejan la complejidad demográfica y geográfica de regiones específicas. Construidas con NeMo Data Designer —la herramienta de NVIDIA para generación compuesta de datos sintéticos— estas personas están alineadas con estadísticas oficiales regionales, no para recrear individuos reales, sino para permitir pruebas que verifiquen si un sistema realmente atiende a los usuarios, idiomas, regiones y ocupaciones que pretende servir.

Según la propia presentación, la colección alcanzó recientemente diez países y ahora representa a más de 2.4 mil millones de personas. Ese enfoque subraya otro punto: cuando la calidad es local, la construcción debe involucrar a expertos regionales, hablantes nativos y partes interesadas que puedan revisar y corregir en conjunto.

Umbrales sintéticos, trazabilidad y verificación humana

Los datos sintéticos deben formar parte de un sistema integrado de fuentes: reales, generadas por modelos, simuladas y etiquetadas sintéticamente. Esto conlleva compensaciones: la generación sintética reduce riesgos de privacidad y facilita la compartición, pero no elimina la necesidad de trazabilidad, curación, evaluación y juicio humano.

Una manera práctica de abordar esto es pensar en “umbrales sintéticos”: puntos en los que los datos dejan de ser tratados como completamente reales. En muchos pipelines, flujos reales, retroalimentación humana, trazas generadas por modelos y etiquetas sintéticas se mezclan. La respuesta no es ignorar esa mezcla ni asumir que los datos sintéticos son inocuos; es documentar con precisión qué fue generado, qué se ancló en fuentes reales, qué fue revisado y qué escenarios están destinados a probar.

Qué significa esto para América Latina

Para empresas, gobiernos y equipos de producto en América Latina, estos desarrollos tienen implicaciones prácticas:

• Necesidad de datos localizados: validar agentes con ejemplos que reflejen dialectos, costumbres y escenarios regionales. Sin esa localización, los agentes pueden fallar en comprender o atender a usuarios latinoamericanos.
• Uso estratégico de datos sintéticos: organizaciones que no pueden publicar datos sensibles pueden generar versiones sintéticas para compartir colaboración sin comprometer privacidad o propiedad intelectual.
• Capacitación y colaboración regional: la curación y evaluación deberían involucrar a investigadores y expertos locales para asegurar que la representación y los tests sean relevantes.
• Transparencia y cumplimiento: contar con datasets abiertos y bien documentados facilita auditorías, cumplimiento regulatorio y adopción empresarial.

Conclusión

Para que los agentes de IA sean robustos, confiables y explicables no basta con abrir pesos de modelos: hace falta abrir y documentar los datos, las decisiones de curación y las metodologías de evaluación. Los datos sintéticos juegan un papel doble: permiten compartir señales valiosas sin revelar secretos empresariales y, a la vez, escalar la construcción de datasets diversos y localizados.

Herramientas como las colecciones Nemotron y los recursos de visualización de prompts facilitan entender y auditar el material que moldea agentes. Pero la adopción responsable exige también trazabilidad, revisión humana y colaboración regional—especialmente en mercados diversos como América Latina, donde el contexto lingüístico y cultural determina la calidad efectiva de un agente.

En resumen: abrir modelos es un paso importante; abrir los datos y explicitar cómo se generan y se usan esos datos es lo que hará a los agentes verdaderamente útiles y confiables en entornos reales.