Modelo acoplado basado en redes neuronales profundas del flujo de conocimiento interorganizacional y la toma de decisiones colaborativa de agentes

Por qué importa un intercambio más inteligente entre organizaciones

Empresas, hospitales y agencias públicas dependen cada vez más de la información de terceros para tomar buenas decisiones, ya sea al planificar la producción, encaminar entregas o responder a una crisis. Sin embargo, en la mayoría de las redes reales, el conocimiento y las decisiones se gestionan por separado: un grupo se centra en recopilar y compartir datos, mientras que otro se ocupa de elegir acciones. Este artículo plantea qué ocurre si tratamos esos dos procesos como un sistema estrechamente vinculado y utiliza inteligencia artificial moderna para modelar cómo fluye la información entre organizaciones y cómo los agentes de software aprenden a coordinar sus decisiones sobre ese flujo.

De hechos dispersos a una red de conocimiento viva

Los autores parten de una observación sencilla: el conocimiento no está quieto. Informes, previsiones y percepciones de expertos se desplazan entre empresas a través de alianzas, plataformas compartidas y contactos personales, y pierden valor con el tiempo si no se actualizan. Los estudios tradicionales sobre el “flujo de conocimiento” describen quién está conectado con quién y qué facilita o dificulta el intercambio, como la confianza, la distancia y la compatibilidad. Este trabajo mantiene esas ideas pero las integra en una red digital donde cada organización se representa como un nodo cuyo acervo de conocimiento cambia a medida que llega información, se degrada y se refuerza con el uso. Un componente de aprendizaje profundo llamado red de atención sobre grafos aprende qué conexiones importan más en cada momento, enfatizando las rutas que transmiten de forma fiable información oportuna y de alta calidad.

Agentes que aprenden a decidir juntos

Sobre esta red de conocimiento se sitúan numerosos agentes de software, cada uno representando a un tomador de decisiones, como un planificador de planta o un coordinador logístico. En lugar de estar controlados de forma centralizada, estos agentes aprenden a cooperar mediante aprendizaje por refuerzo: actúan repetidamente, observan los resultados y ajustan sus estrategias para mejorar objetivos compartidos, como reducir costes o evitar escaseces. De forma crucial, su visión del mundo incluye no solo hechos locales, sino también el estado evolutivo del conocimiento de su propia organización y de las organizaciones socias. Un mecanismo de atención ayuda a cada agente a centrarse en los otros agentes y en los fragmentos de información más relevantes para la tarea actual, favoreciendo coaliciones flexibles en lugar de cadenas de mando rígidas.

Un vínculo bidireccional entre saber y hacer

El núcleo del artículo es el “acoplamiento” entre conocimiento y decisiones. En lugar de asumir que mejor información simplemente alimenta las decisiones, el modelo permite que la relación funcione en ambas direcciones. Cuando los agentes toman decisiones conjuntas exitosas, el sistema trata el conocimiento de apoyo como más valioso, refuerza esas rutas de información y ralentiza su decadencia. Cuando la coordinación falla, se señalan lagunas o información engañosa, animando a la red a buscar mejores fuentes o nuevos socios. Esto crea un bucle de retroalimentación en el que el intercambio de conocimiento y las estrategias de decisión coevolucionan. La intensidad del vínculo se rastrea en el tiempo, revelando cuán estrechamente se alinean los cambios en la información con los cambios en el rendimiento.

Probar el modelo en mundos simulados y reales

Para comprobar si este enfoque acoplado ofrece algo más que una teoría elegante, los autores realizan extensos experimentos por ordenador. Construyen grandes conjuntos de datos sintéticos que describen miles de organizaciones, millones de transferencias de conocimiento y muchos tipos de tareas de decisión multiagente, desde la asignación de recursos hasta la búsqueda de consenso. Comparan su marco con varias alternativas que modelan el conocimiento sin decisiones, las decisiones sin conocimiento o simplemente unen ambos sin un bucle de retroalimentación. En una gama de pruebas, el modelo acoplado mejora la precisión de la transferencia de conocimiento y las tasas de éxito en las decisiones entre un 8 % y un 24 %, y aprende estrategias estables más rápido, incluso cuando los escenarios se vuelven más complejos. Finalmente, despliegan el sistema en una cadena de suministro regional que incluye fabricantes, proveedores logísticos y distribuidores. Allí, el modelo ayuda a los socios a compartir señales de demanda de forma más inteligente, reduciendo los costes totales en un 18,5 %, disminuyendo las roturas de stock en un 71 % e incrementando la rotación de inventario en un 42,7 %.

Qué supone esto para las organizaciones cotidianas

Para los no especialistas, el mensaje clave es que los sistemas de información y los sistemas de decisión funcionan mejor cuando se diseñan conjuntamente. Tratar el conocimiento como una red viva que a la vez moldea y es moldeada por las decisiones diarias conduce a previsiones más fiables, inventarios más ajustados y respuestas más rápidas y coordinadas ante el cambio. Aunque la maquinaria técnica se apoya en redes neuronales profundas y algoritmos de aprendizaje avanzados, la idea subyacente es intuitiva: las organizaciones deben prestar atención no solo a lo que saben, sino también a cómo el uso de ese conocimiento modifica lo que se comparte después. El marco propuesto en este artículo ofrece un plan para convertir esa intuición en herramientas prácticas que pueden ayudar a que empresas, cadenas de suministro y otras redes actúen de forma más inteligente como conjunto, no solo como partes aisladas.

Cita: Li, M., Yu, W. & Li, Y. Deep neural network-based coupling model of inter-organizational knowledge flow and agent collaborative decision-making. Sci Rep 16, 6923 (2026). https://doi.org/10.1038/s41598-026-37838-8

Palabras clave: compartición de conocimiento, sistemas multiagente, toma de decisiones colaborativa, redes neuronales de grafos, coordinación de la cadena de suministro