Datos listos para IA: el muro de la fragmentación y la calidad

Hay una pregunta que separa a las empresas que sacan valor de la IA de las que viven en pilotos eternos: ¿están tus datos listos para usarse? La respuesta honesta, casi siempre, es no. Y no por falta de datos ( sobran ) sino por su estado.

60% de los proyectos de IA se abandonarán por no tener datos listos para IA, Gartner, 2025.

Gartner lo cuantifica sin rodeos: prevé que el 60% de los proyectos de IA se abandonarán por no contar con datos preparados, y que el 63% de las organizaciones no tiene ( o no sabe si tiene ) las prácticas de gestión de datos adecuadas. Más de la mitad de los proyectos no mueren por el modelo. Mueren porque el dato que debía alimentarlos no estaba en condiciones.

Tener datos no es lo mismo que poder usarlos

Una empresa de cierto tamaño tiene datos en abundancia: en el ERP, en el CRM, en hojas de cálculo, en sistemas heredados, en la bandeja de correo de alguien que 'lleva ese tema'. El problema es triple: están fragmentados entre sistemas que no se comunican, están en estados muy distintos de calidad, y nadie es claramente responsable de mantenerlos. Solo el 7% de las empresas dice que sus datos están completamente preparados para la IA, según Harvard Business Review Analytic Services con Cloudera. Y el 56% señala los silos de datos como el principal obstáculo.

Esto enlaza con un problema más amplio: la desconexión de los sistemas. Los datos están repartidos porque las aplicaciones no se hablan. Sin integración no hay datos unificados; sin datos unificados, no hay IA que pase de la demo. Es la misma fontanería vista desde el otro extremo del proyecto.

Qué significa, en concreto, que un dato esté 'listo'

'Calidad de datos' suena a abstracción. No lo es; tiene dimensiones medibles, y cada una rompe la IA de una forma distinta:

• Completitud. Cuántos registros tienen huecos en los campos que el sistema necesita. Un modelo entrenado o alimentado con campos vacíos aprende del vacío.
• Consistencia. El mismo cliente escrito de cinco formas distintas en cinco sistemas; una fecha en tres formatos. El modelo los trata como cinco clientes y tres realidades.
• Precisión y vigencia. Datos que fueron correctos y ya no lo son. La IA no sabe que están caducados: los usa con la misma confianza.
• Trazabilidad. Saber de dónde viene cada dato y quién responde de él. Sin esto, cuando el sistema falla, nadie puede decir si el problema fue el modelo o el dato que le llegó.

La parte difícil de un proyecto de IA no es el modelo: es la fontanería de datos, integrarlos, limpiarlos, gobernarlos. Es la mayor parte del trabajo y la que nadie quiere presupuestar.

El coste que ya estás pagando, uses IA o no

Los datos en mal estado no solo bloquean la IA: cuestan dinero todo el tiempo, aunque la empresa no haya tocado un modelo en su vida. Gartner cifra el coste medio de la mala calidad de datos en 12,9 millones de dólares al año por organización, sobre una muestra de empresas que ya invierten en herramientas de calidad de datos. Son decisiones tomadas sobre información incorrecta, procesos que se rehacen, informes que no cuadran y horas dedicadas a reconciliar cifras que deberían coincidir y no coinciden.

El paso que se salta y cuesta el proyecto entero

La secuencia tentadora es comprar la herramienta de IA primero y preocuparse por los datos después. Es la receta exacta del piloto que impresiona en una reunión y nunca llega a producción. La secuencia que funciona es la inversa: entender en qué estado están los datos, integrarlos, definir quién los gobierna y con qué calidad, y solo entonces poner la inteligencia encima.

No es la parte vistosa del proyecto, nadie presume de haber unificado un catálogo de clientes en una junta. Pero es lo que decide si la IA es una capacidad real y repetible de la empresa o una demostración que deslumbró un martes y no volvió a verse. Quien responde primero esa pregunta llega a producción; quien la salta, engrosa el 60% de Gartner.