La inteligencia artificial funciona con datos. Pero no cualquier dato sirve. Qué información necesitás tener —y en qué condiciones— para que una herramienta de IA genere valor real en tu empresa.
La inteligencia artificial funciona con datos. Esa frase, repetida en cada presentación sobre el tema, esconde una verdad incómoda: la mayoría de las empresas no tiene sus datos en condiciones de ser aprovechados por una herramienta de IA. No es que no tengan datos —todas las empresas generan datos todo el tiempo— sino que esos datos están dispersos, desordenados, incompletos o atrapados en formatos que una máquina no puede interpretar.
Antes de pensar en qué herramienta de IA comprar o qué modelo contratar, conviene hacerse una pregunta más básica: ¿mis datos están listos para que una máquina los entienda? La respuesta, en la mayoría de los casos, es que no del todo. Pero la buena noticia es que ponerlos en orden no requiere un proyecto de un año ni un equipo de ingenieros de datos.
El primer paso para ordenar la conversación es distinguir entre tipos de datos, porque no todos tienen el mismo valor ni requieren el mismo nivel de preparación para ser útiles.
Datos estructurados son los que viven en planillas, bases de datos y sistemas de gestión: listas de clientes con nombre, mail y fecha de alta; registros de ventas con producto, monto y fecha; inventarios con código, cantidad y ubicación. Son los más fáciles de aprovechar porque ya vienen en un formato que las máquinas entienden. Si tu empresa tiene esta información en un sistema —no en planillas sueltas ni en la cabeza de alguien— ya diste el primer paso.
Datos no estructurados son los que viven en documentos, correos, notas, conversaciones de WhatsApp, PDFs escaneados. Representan la mayoría de la información que maneja una empresa, pero son mucho más difíciles de procesar automáticamente. Una IA puede leerlos, pero necesita que estén digitalizados, preferiblemente en formato texto —no como imagen— y con un mínimo de organización que permita encontrarlos cuando se necesitan.
Datos de proceso son los que describen cómo se hacen las cosas: quién aprueba qué, en qué orden ocurren los pasos, cuánto tarda cada etapa. No suelen estar documentados porque viven en la práctica diaria del equipo. Sin embargo, son esenciales para cualquier automatización que quiera replicar o asistir un flujo de trabajo. Si el proceso solo existe en la memoria de las personas que lo ejecutan, la IA no tiene de dónde aprender.
Ninguna herramienta de inteligencia artificial —por avanzada que sea— puede generar valor sobre datos que no existen, que están incompletos o que son inconsistentes. La IA no reemplaza la necesidad de tener información ordenada: la vuelve más urgente.
Más allá del tipo de dato, hay tres condiciones que determinan si la información de tu empresa puede alimentar una herramienta de IA con resultados confiables.
Accesibilidad. Los datos tienen que estar donde la IA pueda llegar a ellos. Si la información de clientes está en un CRM en la nube, perfecto: la IA puede consultarla mediante una API. Si está en una planilla de Excel que solo abre una persona desde su computadora, no. La accesibilidad no requiere tecnología compleja: a veces alcanza con mover archivos a una carpeta compartida o migrar datos de planillas personales a un sistema centralizado.
Consistencia. Los datos tienen que decir lo mismo en todos lados. Si el nombre de un cliente aparece como "Constructora del Sur S.A." en el CRM, como "Const. del Sur" en el ERP y como "CDS" en la planilla de cobranzas, la IA no va a poder relacionar esas tres piezas de información. La consistencia no se logra de un día para el otro, pero se puede empezar por los datos más críticos: nombres de clientes, códigos de producto, estados de pedido.
Completitud. Los datos que faltan son datos que la IA no puede usar. Si la mitad de los clientes no tiene registro de industria, cualquier análisis por rubro va a ser incompleto. Si las fechas de entrega no se registran sistemáticamente, no se puede medir el cumplimiento de plazos. No hace falta tener el cien por ciento de los campos completos, pero sí los que son necesarios para responder las preguntas que querés hacerle a la IA.
La secuencia lógica es: primero ordenar los datos básicos —estructurados, consistentes, accesibles—, después probar la IA con un caso de uso acotado, y recién después expandir. Empezar a usar IA sin cambiar toda la empresa es posible si los datos están listos, y mucho más difícil si no lo están.
Hay fuentes de datos que están al alcance de casi cualquier empresa y que suelen estar subutilizadas.
Registros de atención al cliente. Cada consulta, cada reclamo, cada interacción con un cliente es un dato que describe qué funciona y qué no. Si esa información está dispersa en correos y mensajes, se pierde. Si está centralizada, una IA puede identificar patrones: los cinco problemas más frecuentes del último mes, los clientes con mayor riesgo de fuga, los productos que generan más consultas posventa.
Historial de transacciones. Las ventas, los pagos, las devoluciones cuentan una historia que casi ninguna empresa lee completa. Una IA puede detectar estacionalidades, clientes que están comprando menos que antes, productos cuyo margen se está erosionando. Para que eso sea posible, el historial tiene que estar en un sistema que permita consultarlo, no en carpetas de facturas escaneadas.
Documentación interna. Manuales de procedimiento, políticas, guías de producto: todo ese contenido es el conocimiento acumulado de la empresa. Convertir ese conocimiento en un asistente interno al que los empleados puedan consultar es uno de los usos más inmediatos y de mayor retorno de la IA en PYMES. Pero requiere que la documentación exista y esté actualizada.
El riesgo más común en proyectos de IA no es que la tecnología falle, sino que los datos no estén a la altura de lo que la tecnología promete. Una herramienta de IA entrenada con datos incompletos o inconsistentes produce resultados que parecen correctos pero no lo son, y tomar decisiones basadas en esos resultados puede ser peor que no tomar decisiones.
Preparar los datos no es glamoroso. No hay un demo que impresione al directorio ni un comunicado de prensa que celebrar. Pero es el paso que determina si la inversión en IA va a generar valor o va a convertirse en otro proyecto que prometía mucho y entregó poco. La diferencia entre una empresa que aprovecha la IA y una que solo compra herramientas que después no usa no está en la tecnología que eligen: está en los datos que tenían antes de elegirla.
¿Quieres evaluar cómo aplicar esto a tu proyecto?
Cuéntanos tu caso →