Resumen Técnico: X-SYNTH — Síntesis de Contexto Empresarial a partir de la Atención Humana Observada

1. Declaración del Problema

En las operaciones empresariales, el contexto necesario para que los agentes de IA completen tareas complejas está disperso entre sistemas de registro, almacenes estáticos y canales de comunicación. Los enfoques predominantes actuales dependen de la Generación Aumentada por Recuperación (RAG), que coincide el contenido de la solicitud con los datos almacenados. Aunque es efectivo para consultas estrechas y basadas en contenido (por ejemplo, "Buscar factura INV-34231"), este enfoque falla en tareas agénticas complejas que requieren síntesis a partir de evidencia conductual dispersa.

El modo de fallo central es la ausencia de una señal de relevancia principista. Los sistemas de recuperación estándar tratan los datos como texto estático, pasando por alto la "secuencia ordenada de acciones" y las "señales de recompensa implícitas" que codifican cómo ocurre realmente el trabajo. En consecuencia, los agentes sufren de bajas Tasas de Verdaderos Leads (TLR) y altas Tasas de Falsos Leads (FLR) porque no pueden distinguir entre el ruido y los patrones conductuales causalmente relevantes específicos de una organización, equipo o individuo. El documento argumenta que la síntesis de contexto empresarial no es un problema de recuperación, sino un problema de relevancia, donde la atención humana sirve como la verdad fundamental.

2. Metodología: El Marco X-SYNTH

X-SYNTH es una tubería agéntica de cuatro etapas que fundamenta la síntesis de contexto en la atención humana, definida como las firmas de interacción digitalmente observables de los trabajadores. El sistema modela la línea base conductual de cada individuo como una Firma de Gemelo Digital (DTS) y utiliza un enrutador aprendido para seleccionar entre siete filtros de atención distintos.

Componentes Principales

A. Firma de Gemelo Digital (DTS)
Para cada individuo $u$, el sistema mantiene un perfil conductual en movimiento $DTS(u, \tau)$ sobre una ventana $\tau$. Consiste en cinco componentes:

1. $v_{dom}$ (Atención al Dominio): Concentración de la atención a través de los dominios de trabajo.
2. $v_{rhythm}$ (Ritmo Conductual): Estadísticas sobre tiempo de permanencia, relecturas y transiciones.
3. $v_{base}$ (Línea Base): Estadísticas de retroceso extendido que establecen lo "normal" del individuo.
4. $v_{resp}$ (Perfil de Responsabilidad): Propiedad de dominio inferida derivada de la actividad, no de roles declarados.
5. $v_{div}$ (Divergencia): La diferencia entre los patrones de atención recientes y la línea base a largo plazo.

B. Siete Filtros de Atención
Un selector de modalidad aprendido $f_\theta$ (una MLP de 3 capas) mapea una consulta $q$ y la DTS del usuario a una distribución de probabilidad sobre siete filtros cualitativamente distintos:

1. Proporcional: Un alto tiempo de permanencia señala importancia (atención esperada).
2. Inverso: La ausencia de atención esperada señala importancia.
3. Diferencial: La desviación de la propia línea base del individuo señala importancia.
4. Recurrente: El retorno frecuente a un artefacto señala importancia.
5. Comparativo: La alternancia rápida entre artefactos similares señala una evaluación activa.
6. Secuencial: Desviaciones de las secuencias de flujo de trabajo esperadas.
7. Colectivo: Agrega la atención a través de una cohorte para encontrar consenso o valores atípicos.

C. La Tubería de Cuatro Etapas

1. Delimitación del Sujeto: Identifica el conjunto objetivo de individuos $U_q$ basado en la consulta.
2. Selección de Modalidad: Para cada par $(q, u)$, el sistema calcula $m(q, u) = \text{softmax}(f_\theta([q; DTS(u, \tau)]))$ para seleccionar el filtro o filtros apropiados.
3. Recuperación y Ponderación: Los artefactos se clasifican mediante un peso combinado $w(a_j, q, u) = I_{attn}(a_j, q, u) \cdot I_{content}(a_j, q)$. Esto asegura que los artefactos sean tanto relevantes en contenido como significativos conductualmente.
4. Síntesis: Un LLM sintetiza la respuesta utilizando la evidencia clasificada y las anotaciones de modalidad.

D. Bucle de Retroalimentación
El sistema descompone la retroalimentación terminal en probabilidades de fallo a nivel de etapa. El selector de modalidades se actualiza solo cuando el fallo se atribuye a la Etapa 2 (Selección de Modalidad), evitando que la señal de entrenamiento se contamine con errores de recuperación o síntesis.

3. Contribuciones Clave

El documento describe cuatro contribuciones principales:

1. Atención Humana como Verdad Fundamental Conductual: Operacionalizar la atención humana como una señal de relevancia aprendible y discriminativa sin etiquetas externas, codificada a través de la DTS.
2. Marco de Modalidad de Atención de Siete Filtros: Un conjunto estructurado de filtros cualitativamente distintos seleccionados dinámicamente por individuo y consulta mediante un enrutador ligero.
3. Tubería de Síntesis Agéntica de Cuatro Etapas: Un flujo de trabajo que integra la delimitación del sujeto, la selección de modalidades individualizada, la recuperación ponderada por atención y la síntesis.
4. Bucle de Retroalimentación con Atribución de Crédito: Un mecanismo para aislar y actualizar el selector de modalidades solo cuando es específico de una mala clasificación de modalidad, asegurando señales de entrenamiento limpias.

4. Evaluación y Resultados

El marco se evaluó en un conjunto de referencia de 302 instancias derivadas de rastros de interacción digital reales de cinco trabajadores del conocimiento de una empresa Fortune 500 (210 instancias positivas de oportunidades de negocio, 92 negativas).

Rendimiento de la Línea Base:

• Un modelo de vanguardia (Claude Opus 4.6) operando directamente sobre secuencias de interacción crudas logró una Tasa de Verdaderos Leads (TLR) del 9.5% y una Tasa de Falsos Leads (FLR) del 90.5%.
• Un modelo más pequeño (GPT-4o-mini) logró una TLR del 0%.

Rendimiento de X-SYNTH:

• Modelo de Vanguardia + X-SYNTH: La TLR aumentó al 61.9% (una mejora de 6.5×), capturando 130 de 210 leads reales. La FLR bajó al 18.8%.
• Modelo Pequeño + X-SYNTH: La TLR aumentó del 0% al 57.1%, demostrando que el marco puede hacer que los modelos más pequeños sean funcionales para tareas complejas.

Hallazgos Cualitativos:

• Brecha de Vocabulario: X-SYNTH interpretó con éxito abreviaturas específicas de la organización (por ejemplo, "FZ" para "Zona Formal") aprovechando la DTS, mientras que la inferencia directa falló debido a la falta de priores organizacionales.
• Escala y Selectividad: La inferencia directa es inviable a escala debido al volumen de tokens (hasta 2.5 millones de tokens/día por vendedor). La recuperación selectiva de X-SYNTH hace que la evaluación sea manejable.
• Integración Temporal: X-SYNTH integró con éxito señales a través de múltiples días e individuos, mientras que las ventanas de un solo día perdieron contexto crítico.

5. Significado y Afirmaciones

El documento afirma que la síntesis de contexto empresarial no es un problema de recuperación, sino un problema de relevancia. La ausencia de una señal de relevancia fundamentada en el comportamiento humano es el principal cuello de botella para los agentes de IA empresariales, no la capacidad de razonamiento del LLM subyacente.

X-SYNTH demuestra que al modelar líneas base conductuales individuales (DTS) y seleccionar filtros de atención dinámicamente, los sistemas pueden:

• Recuperar la relevancia causal a partir de evidencia conductual dispersa.
• Superar la "brecha de vocabulario empresarial" fundamentando la inferencia en priores organizacionales acumulados.
• Escalar a flujos de interacción de alto volumen mediante compresión fundamentada en el comportamiento en lugar de la coincidencia de palabras clave.

Los autores concluyen que la atención humana es la verdad fundamental más confiable para la relevancia empresarial, y que X-SYNTH proporciona un mecanismo principista para operacionalizar esta señal, mejorando significativamente la utilidad de los agentes de IA en flujos de trabajo empresariales complejos.