La forma de lo que llega a su tenant.

El Intelligence Layer es el corpus que produce la plataforma y que consulta su equipo. No es un informe. No es un tablero estático. Es un sustrato de datos por tenant donde cada hecho lleva una marca de tiempo, un alcance de segmento, un puntaje de confianza y una cita al momento exacto en una entrevista real que lo produjo. Usted lo ve a través de tableros, sus socios de marca lo ven a través de una API delimitada y sus agentes de IA lo ven a través de herramientas MCP. Los tres leen el mismo corpus.

Esta página describe la capa desde la perspectiva del operador. Qué contiene, cómo retorna una consulta contra ella, qué hace un ciclo de actualización y cómo controla el acceso. El pipeline que produce la capa está cubierto en Metodología. La frontera de tenant que contiene la capa está cubierta en Confianza y seguridad.

Cada conversación enriquecida se descompone en diez dimensiones tipadas: puntos de fricción, calificación de oportunidades, mapa de percepción de marca, puntaje de madurez en IA, factores de retención, señal de mercado, riesgo regulatorio y de cumplimiento, brecha de capacitación, comportamiento por segmento de clientes y mapa de menciones de competidores. Estas diez constituyen el conjunto operativo para el comercio minorista. Para consultoría, restaurantes, farmacia y los otros verticales que soporta la plataforma, dos o tres dimensiones cambian, pero la forma se mantiene igual: diez casillas tipadas, esquema estable, una fila por hecho.

Cada fila de hecho lleva la dimensión, la afirmación, el identificador de chunk de origen de la forma transcript_id / turn_id / sentence_id, la ventana bi-temporal, el vector de segmento, un conteo de relevancia (cuántas conversaciones independientes lo corroboran), un puntaje de confianza y un embedding para la recuperación vectorial. Sus tableros agrupan estas filas por dimensión, por segmento, por ventana temporal. Sus agentes de IA las recuperan con una llamada de herramienta.

Las dimensiones son estables entre mercados y a lo largo del tiempo, lo que hace posible la comparación entre mercados. Un punto de fricción en un mercado es comparable a uno en cualquier otro porque la misma definición y el mismo protocolo de sondeo produjeron ambos.

Cada hecho lleva tres marcas de tiempo independientes. learned_at indica cuándo la plataforma lo observó (la fecha de la entrevista, la fecha de enriquecimiento). valid_at indica cuándo el hecho se volvió cierto en el mundo, a menudo inferido de la propia conversación. invalid_at indica cuándo el hecho dejó de ser cierto: establecido explícitamente cuando llega una conversación que lo contradice, o establecido por decaída de vida media si ninguna actualización lo confirma. Los hechos de percepción de marca decaen en semanas. Los hechos de brecha de capacitación decaen solo cuando cambia el catálogo de capacitación. Las vidas medias se calibran por dimensión y por vertical.

La consecuencia operacional es la repetición a una fecha determinada. Puede ejecutar una consulta contra el corpus tal como existía el mayo pasado y comparar con la misma consulta hoy. Un socio de marca que pregunta «¿qué decían sus datos sobre nuestra categoría hace seis meses, cuando tomamos la decisión de compra del segundo trimestre?» obtiene la respuesta correcta para ambas fechas. Sus agentes de IA no pueden fundamentar una recomendación en hechos cuya ventana de validez no incluye hoy.

La cadencia de actualización está integrada en el ciclo de vida de los hechos. La consola muestra el reloj de obsolescencia por mercado y por dimensión: cuando el veinte por ciento de los hechos de una dimensión han superado su validez, la plataforma recomienda un ciclo de actualización. Así es como la capa se mantiene honesta sin que usted tenga que recordar el calendario.

Un hecho rara vez es cierto en todas partes. «La base X se rechaza con mayor frecuencia» puede ser cierto para las tiendas de masas en América Latina y falso para las boutiques europeas. «La marca es un destino de moda-valor» puede ser cierto para los clientes finales hoy y cuestionado a nivel de franquiciados. Cada hecho en la capa lleva un vector de segmento disperso: una proyección sobre los ejes de segmentación que importan para su vertical (nivel, geografía, formato de tienda, segmento de clientes, socio de marca, demografía).

Esto es lo que hace manejable la API de socios de marca. Cuando un socio consulta a través de la API, su token se proyecta sobre su porción del vector de segmento. Ve los hechos cuyo vector de segmento intersecta su proyección. No ve nada fuera de ella, y la plataforma no le da ninguna señal de que algo fue filtrado. El mismo corpus sirve a cien socios sin filtraciones.

Cada afirmación en cada informe, cada fila en cada tablero, cada recuperación en su agente de IA remite a la transcripción que la produjo a través del identificador de chunk. El enlace siempre está presente, en cada conversación, sin muestreo. Un socio de marca pregunta por qué afirma que su producto pierde frente a un sustituto: la respuesta son tres identificadores de chunk, tres declaraciones de asesores, tres marcas de tiempo, en tres almacenamientos nombrados. No una inferencia. Un comprobante.

La cadena textual es aplicada por el pipeline. Cada cita que sale del sistema es una subcadena literal de un turno de usuario real en una entrevista real. Un filtro determinista lo verifica antes de la persistencia. Las citas inventadas se eliminan, nunca se reescriben. La descripción completa de la cadena se encuentra en la página de fundamento de Confianza y seguridad.

El mismo corpus sirve a tres superficies. Su equipo de estrategia, merchandising u operaciones lo consume a través de tableros. Sus socios de marca lo consumen a través de una API delimitada. Sus agentes de IA lo consumen a través de herramientas MCP. Cada superficie aplica su propio alcance al nivel del recorrido de datos. Un socio no ve la porción de otro socio. Un copiloto de asesor solo ve los hechos que autoriza su ticket de sesión OAuth. La cascada de seguridad completa está documentada en la cascada de seguridad.

La superficie MCP oculta la complejidad del almacenamiento dual. Los agentes no tienen que elegir entre el recorrido de grafo y SQL. Llaman a query_facts, traverse_relations, pivot_dimension, replay_as_of y cite. Cada respuesta llega como filas estructuradas con cita. El agente nunca ve las fronteras del almacenamiento subyacente.

Dentro de su tenant, la consola de operador le da a su equipo la vista de trabajo de la capa. Ve la salud del corpus por mercado y por dimensión, el reloj de obsolescencia para cada dimensión, los puntajes de calidad por conversación de la auditoría del entrevistador y el registro de auditoría de cada llamada de enriquecimiento. Cuando algo parece incorrecto, puede rastrearlo hasta la llamada LLM exacta que lo produjo, con el identificador del modelo, la versión del prompt, los conteos de tokens y la duración.

Cuando un experto de dominio en su equipo cuestiona una interpretación en su contexto, la corrige desde la consola. El ciclo Expert-in-the-Loop encuentra cada conversación en el corpus que coincide con el contexto, las reprocesa y propaga la corrección en todo el registro histórico. La interpretación anterior permanece en el registro de auditoría. Nada se sobreescribe silenciosamente.