La adopción de inteligencia artificial avanza rápidamente, pero disponer de tecnología no es suficiente. La calidad, el gobierno y la preparación de los datos son fundamentales para transformar las inversiones en IA en resultados de negocio.
Por Daniela Ongaro, Data & AI Manager de Entelgy
La inteligencia artificial avanza, ¿y nuestros datos?
Muchas organizaciones ya utilizan IA generativa, asistentes inteligentes o modelos predictivos para mejorar sus procesos, automatizar tareas y facilitar la toma de decisiones. Al poner en marcha estas iniciativas, aparecen dificultades que no siempre se habían previsto: información desactualizada, fuentes dispersas o dudas sobre qué datos pueden utilizarse y bajo qué condiciones. Son problemas que obligan a plantear una pregunta desde el inicio: ¿están los datos de las organizaciones preparados para aprovechar estas tecnologías?
Según una encuesta de Gartner cuyos resultados se publicaron en febrero de 2025, el 63 % de las organizaciones encuestadas no dispone de prácticas adecuadas de gestión de datos para la inteligencia artificial o desconoce si cuenta con ellas. Este dato refleja la distancia que existe entre la adopción de IA y la capacidad de gestionar la información que necesita para funcionar. Las herramientas evolucionan con rapidez, mientras que resolver las carencias de los datos exige revisar procesos, establecer responsabilidades y mantener un trabajo que a menudo recibe menos atención.
Podemos incorporar soluciones cada vez más sofisticadas, pero los datos incompletos, inconsistentes o sin contexto seguirán condicionando sus resultados. Además, la velocidad y el alcance de la IA pueden amplificar problemas que antes quedaban limitados a un informe, una aplicación o un departamento.
Tener datos no significa tener datos preparados para IA
Durante años, las organizaciones han invertido en almacenar, integrar y explotar grandes volúmenes de información. Los tradicionales Data Warehouses conviven hoy con arquitecturas cloud, Data Lakes, Lakehouses y plataformas de datos cada vez más completas. Estas inversiones aportan capacidades importantes, aunque una arquitectura moderna no garantiza que la información esté preparada para cualquier aplicación de inteligencia artificial.
Es aquí donde adquiere relevancia el concepto AI-Ready Data. Hablamos de datos que reúnen las condiciones de calidad, disponibilidad, contexto, trazabilidad, seguridad y gobierno necesarias para un caso de uso de IA. La referencia al caso de uso es fundamental: un modelo predictivo que analiza comportamientos de compra necesita información diferente a la de un asistente que consulta documentación interna mediante generación aumentada por recuperación —RAG, por sus siglas en inglés— o un agente que interactúa con sistemas corporativos. Cada escenario exige sus propios criterios y controles.
Por eso, preparar los datos para IA puede abordarse de forma progresiva, empezando por la información que requiere una necesidad concreta del negocio. La calidad es uno de los primeros aspectos que debemos revisar, ya que los duplicados, los registros incompletos o los datos desactualizados pueden afectar a las predicciones y generar respuestas incorrectas. Sin embargo, una comprobación técnica de calidad no resuelve todas las dificultades.
Pensemos en un asistente que consulta documentación interna. Los documentos pueden estar completos y bien estructurados, pero necesitamos saber cuáles están vigentes, quién responde de su contenido y qué usuarios pueden acceder a ellos. Si existen versiones contradictorias de un procedimiento y no se ha identificado cuál debe utilizarse, el asistente puede recuperar información que ya no sea válida, aunque el documento esté correctamente almacenado.
En este escenario, los metadatos permiten identificar la fecha y el responsable de un documento; el linaje ayuda a conocer su procedencia; y los controles de acceso determinan quién puede consultar su contenido. Los catálogos, los glosarios de negocio y la clasificación de la información contribuyen a localizar e interpretar los datos. Estas capacidades cobran especial importancia con la IA generativa y el uso de documentos, correos y otras fuentes no estructuradas, cuyo contenido, contexto y condiciones de uso debemos conocer.
Del Gobierno del Dato definido al Gobierno del Dato operativo
Muchas organizaciones llevan años definiendo estrategias, políticas, responsabilidades y herramientas para gestionar su información. La dificultad suele aparecer al trasladar ese trabajo a la actividad cotidiana: un catálogo pierde utilidad si nadie actualiza sus activos, una responsabilidad documentada sirve de poco si no está claro quién debe corregir un error y una política de calidad tiene un alcance limitado si sus controles no se incorporan a los flujos de información.
El Gobierno del Dato debe integrarse en los procesos y las plataformas de la organización. Para ello hacen falta responsables con capacidad de actuación, controles de calidad, mecanismos para gestionar incidencias y seguimiento de las condiciones de los datos a lo largo de su ciclo de vida. La automatización de tareas de clasificación y supervisión facilita parte de este trabajo, siempre que estén definidos los criterios que deben aplicarse y quién interviene cuando se detecta un problema.
Con la incorporación de IA, estas responsabilidades se extienden al uso de la información para generar respuestas, recomendaciones o decisiones que afectan a procesos y personas. El Gobierno del Dato y el Gobierno de la IA deben avanzar de forma coordinada, de manera que, ante una respuesta incorrecta, la organización pueda investigar qué fuentes se utilizaron, comprobar si eran adecuadas y determinar qué corrección o supervisión hace falta.
Preparar los datos para generar valor
Abordar AI-Ready Data como una iniciativa exclusivamente tecnológica puede llevar a invertir en herramientas sin resolver las dificultades de fondo. Las plataformas de integración, calidad o catalogación ayudan, pero su utilidad depende de cómo se incorporen al trabajo de la organización. Antes de seleccionarlas, conviene definir el problema que queremos resolver, el resultado que esperamos obtener y la información que necesitamos para conseguirlo.
A partir de ahí podemos evaluar dónde se encuentran los datos, qué condiciones deben cumplir y qué riesgos hay que controlar. En un asistente documental, por ejemplo, puede ser necesario depurar versiones y revisar permisos antes de incorporar nuevas fuentes. En un modelo predictivo, la prioridad podría estar en completar el histórico o comprobar que representa las situaciones que se quieren analizar. Esta evaluación permite priorizar las mejoras y acordar cómo se comprobará si la información tiene la calidad y la cobertura necesarias.
Trabajar de esta manera facilita obtener resultados progresivos y desarrollar capacidades reutilizables para otras iniciativas. También ayuda a acotar el esfuerzo: no todos los datos necesitan el mismo tratamiento ni todos los problemas deben resolverse antes de empezar. El nivel de preparación exigible dependerá del propósito de la solución y de las consecuencias que pueda tener un error en su funcionamiento.
Ese nivel de preparación deberá revisarse cuando cambien las fuentes, los procesos o las necesidades del negocio. AI-Ready Data requiere un trabajo continuo de ingeniería, integración, calidad, observabilidad y gobierno, apoyado en una arquitectura que permita incorporar cambios y detectar incidencias antes de que comprometan los resultados de las soluciones.
Las personas tienen un papel decisivo en este proceso. Los equipos de negocio conocen el significado de la información y las consecuencias de utilizarla de forma incorrecta; los equipos tecnológicos aportan las capacidades para integrarla, protegerla y mantenerla. Su colaboración es necesaria para definir criterios útiles, resolver dudas sobre el uso de los datos y asumir responsabilidades sobre su gestión.
La visión de Entelgy: construir las bases para una IA que aporte valor
Desde Entelgy, a través de nuestra práctica de Data & AI, acompañamos a las organizaciones combinando capacidades de estrategia, Gobierno del Dato y de la IA, arquitectura e ingeniería de datos, calidad, analítica avanzada e inteligencia artificial. Partimos de las necesidades del negocio y de una evaluación de las capacidades existentes para identificar qué datos requiere cada iniciativa, qué limitaciones pueden condicionar su desarrollo y qué mejoras conviene priorizar.
A partir de ese diagnóstico, ayudamos a definir la evolución de la arquitectura, los procesos y el modelo de gobierno. Trabajamos con una visión agnóstica respecto a las tecnologías, seleccionando e integrando las soluciones adecuadas para cada organización y acompañando su implantación, operación y evolución. Este trabajo incluye la definición de responsabilidades y la colaboración con los equipos que van a utilizar y mantener la información.
La preparación de los datos se construye también en la actividad diaria: al corregir una incidencia, actualizar una fuente, revisar un permiso o asignar un responsable. Conseguir que estas prácticas formen parte de la operativa permite mantener las condiciones que necesita la IA para funcionar. Para valorar si una organización está preparada, debemos empezar por una necesidad concreta del negocio y comprobar si cuenta con la información, las personas y los controles necesarios para abordarla.
