La escena que se repite
Una empresa prueba un asistente de IA sobre sus propios datos. Las primeras demos son espectaculares: preguntas en lenguaje normal y recibes respuestas. Tres semanas después, alguien del área comercial le pregunta "¿cuáles son mis cinco clientes más rentables?" y la IA devuelve una lista que no cuadra con la realidad que esa persona conoce. La conclusión apresurada es siempre la misma: "la IA no funciona".
La IA funciona perfectamente. Está respondiendo, con total seguridad, a partir de datos que se contradicen entre sí. El fallo no está donde todo el mundo mira.
Los modelos no inventan de la nada: amplifican lo que les das
Cuando un agente de IA recibe contexto fragmentado y contradictorio de tu CRM, tu ERP y tres carpetas compartidas, toma decisiones firmes sobre información mala. Las alucinaciones, los sesgos y las recomendaciones inconsistentes casi siempre vienen de datos ruidosos, incompletos o mal gobernados, no de un defecto del modelo.
Dicho de otro modo: una IA potente sobre datos malos es solo una forma cara y muy rápida de equivocarte. Cambiar de herramienta cuando el problema está en los datos es como cambiar de cámara porque las fotos salen movidas mientras sigues con el pulso tembloroso.
Los números que deberían frenar a cualquiera antes de invertir
Y no es una opinión mía. El 95% de las organizaciones que despliegan IA generativa no han visto retorno medible, y ese fracaso se rastrea a la falta de datos preparados y de gobernanza, no a la capacidad del modelo. Se calcula además que las empresas acabarán abandonando el 60% de sus proyectos de IA por no tener datos listos para usarlos.
El dato que más me gusta es el del otro lado: las empresas cuyos proyectos de IA sí funcionan invierten hasta cuatro veces más en calidad de datos, gobernanza y bases sólidas. La diferencia entre la IA que aporta y la que decepciona no está en el modelo. Está en lo de debajo.
Nadie fracasa en IA por elegir el modelo equivocado. Fracasan por dárselo a unos datos que ni ellos mismos entienden.
Qué significa "datos listos para IA" en una pyme
No hablo de un data lake de millones de registros ni de un proyecto de dos años. Hablo de algo más aburrido y mucho más útil: que los datos relevantes estén en un sitio común y no repartidos, que cada métrica importante tenga una definición acordada, que se sepa de dónde viene cada dato y con qué calidad, y que haya alguien que responda de eso. Eso es gobernanza, y es exactamente lo que falta cuando una IA empieza a dar respuestas raras.
El error de orden: comprar la IA antes de ordenar la casa
Lo que veo una y otra vez son empresas que invierten en la herramienta de IA antes de haber resuelto la base. Es la misma secuencia inversa que aparece en casi cualquier proyecto de datos mal planteado: empiezas por la tecnología en vez de por el problema. Y acabas adaptando el negocio a la herramienta en lugar de al revés. La herramienta, por buena que sea, no puede arreglar lo que tú todavía no has definido.
Cómo saber si tu problema es de modelo o de datos
Hay una prueba sencilla. Coge tres preguntas de negocio importantes y pídele a una persona de confianza que las responda a mano, yendo a las fuentes. Si esa persona tarda horas, se encuentra números que no cuadran o tiene que decidir "cuál de los dos es el bueno", tu IA va a tener exactamente el mismo problema, solo que más rápido y con más aplomo.
Si una persona competente no puede responder con tus datos sin pelearse con ellos, ninguna IA lo va a hacer por arte de magia. El cuello de botella no es el modelo.
Por dónde empezar
Antes de cambiar de IA, el orden que funciona es este. Eliges dos o tres preguntas que la IA debería responder bien. Sigues el rastro de los datos que necesita y arreglas las definiciones y la fuente. Le expones a la IA solo datos curados, no el almacén entero (los sistemas que llegan a una fiabilidad usable suelen apoyarse en unas pocas vistas limpias, no en las tablas en bruto). Y recién entonces evalúas el modelo. En ese orden, casi cualquier modelo decente del mercado funciona.
La conclusión
La próxima vez que una IA te dé una respuesta mala, no cambies de modelo por reflejo. Pregúntate primero si tú mismo podrías contestar esa pregunta con tus datos sin pelearte con ellos. Si la respuesta es no, ya sabes dónde está el trabajo de verdad. Y es justo el trabajo que hace que la IA, la que tengas, empiece por fin a aportar.