La tesis en una frase: el modelo es la parte fácil. Lo que decide si tu proyecto de IA llega a producción o se queda en demo no es qué modelo eliges, sino en qué estado están tus datos el día que lo enchufas. El dato desordenado —disperso, a medias, sin dueño— es el freno real, y es también la parte de la que nadie habla en la llamada de venta porque no luce en una demo. Este artículo va de eso, con fuente y sin humo.
La calidad de datos para IA en tu empresa es el 80% del trabajo (y casi nadie te lo cuenta)
No es una opinión de vendedor: es lo que repite la gente que construye IA de verdad. Andrew Ng, uno de los nombres que fundó el campo del machine learning aplicado, lo dijo sin rodeos: «si el 80% de nuestro trabajo es preparación de datos, entonces asegurar la calidad del dato es la tarea más crítica de un equipo de machine learning». Y no es un caso aislado: según el Institute for Business Value de IBM, los científicos de datos dedican entre el 60% y el 80% del tiempo de un proyecto a preparar el dato —adquirirlo, limpiarlo, etiquetarlo, ordenarlo—, no a elegir ni entrenar el modelo. El modelo se lleva el titular; el dato se lleva las horas.
La consecuencia práctica es incómoda: cuando un proyecto de IA fracasa, casi nunca es porque el modelo fuera flojo. Es porque el dato que le diste entraba a medias, se contradecía entre sistemas o directamente nadie sabía dónde vivía. El algoritmo hizo su trabajo con basura, y devolvió basura con mucha confianza.
Qué significa «datos desordenados» en la práctica
No es un problema abstracto de «gobernanza». Es una lista de cosas concretas que casi cualquier empresa reconoce en cuanto las lee:
- No sabes qué datos tienes. Están repartidos entre el CRM, tres hojas de cálculo, el correo de alguien y una carpeta compartida que nadie ha limpiado desde 2021.
- Los mismos datos se contradicen. El cliente figura con un nombre en facturación, otro en el CRM y un tercero en la herramienta de soporte. Para una persona es «obvio que es el mismo»; para un modelo son tres entidades distintas.
- Entran a medias. Campos vacíos, categorías sin rellenar, fechas en cinco formatos. Cualquier automatización que construyas encima hereda esos huecos.
- Nadie los toca con criterio. No hay dueño del dato: quien lo mete lo mete como puede, y nadie decide qué es la fuente de verdad cuando dos sistemas discrepan.
Cada uno de estos puntos es una grieta por la que se cae un proyecto de IA. Y ninguno se arregla con un modelo mejor: se arreglan ordenando el dato antes de pedirle nada a la máquina.
Por qué el modelo es la parte fácil
Los modelos buenos son hoy una commodity: los mejores están a una llamada de API de distancia y mejoran solos cada pocos meses sin que hagas nada. Lo escaso —y lo que de verdad diferencia un proyecto que funciona de uno que no— es tener el dato limpio, mapeado y con dueño para alimentarlos. Por eso el trabajo de verdad de un proyecto de IA se parece más a fontanería que a ciencia: saber de dónde sale cada dato, cómo se conecta, dónde se ensucia y quién lo arregla.
Esto tiene una lectura optimista. Si el cuello de botella fuera el modelo, estarías a merced de un proveedor. Como el cuello de botella es tu dato, el arreglo está en tu tejado —y es acumulativo—: cada vez que ordenas una fuente, todos los proyectos que vengan después salen más baratos y más fiables. El dato ordenado es infraestructura, y la infraestructura se paga una vez y renta muchas.
Qué hacer antes de elegir modelo
El orden correcto invierte lo que casi todo el mundo hace. Primero el dato, después el modelo. En concreto, antes de encender nada:
| Paso | Qué resuelve |
|---|---|
| Mapear qué datos tienes y dónde viven | Deja de haber «datos por ahí»: sabes qué hay, en qué sistema y en qué estado |
| Decidir la fuente de verdad | Cuando dos sistemas discrepan, hay una regla, no una discusión |
| Limpiar y unificar entidades | El mismo cliente es un cliente, no tres; la IA deja de contar mal |
| Poner dueño y proceso al dato | El dato entra bien de origen, no se vuelve a ensuciar el mes que viene |
Este trabajo es la parte aburrida —el gobierno del dato— y es justo la que decide el resultado. Si quieres montarlo bien, lo tratamos como lo que es, infraestructura, en el servicio de gobierno del dato: saber qué datos tienes, dónde viven y quién los toca, y lo dejamos listo para que encima corra IA de verdad con la infraestructura de IA para empresa. Solo cuando el dato está en orden tiene sentido automatizar el negocio con IA o entrenar un agente sobre él: si lo haces antes, automatizas el desorden.
Si estás mirando un proyecto de IA y nadie te ha preguntado todavía por el estado de tus datos, esa es la señal de alarma. Ordena el dato primero —o pide que te lo ordenen— y luego elige modelo. La IA no se presenta en una demo con datos de mentira. Se implementa sobre el dato real, y ese es el 80% que nadie te cuenta.