Datos antes que IA: la IA no arregla el desorden, lo amplifica

El espejismo de la capa magica

Hay una creencia comoda: que la IA es una capa que se pone encima de lo que ya tienes y lo mejora. Compras la herramienta, la conectas, y el desorden de abajo se resuelve solo. No funciona asi.

La IA no interpreta lo que quisiste decir. Interpreta lo que le das. Si tus datos de cliente viven en cinco sistemas que no se hablan, el modelo no unifica esa realidad: la promedia, la inventa o elige una version al azar. El resultado se ve profesional y esta mal. Ese es el peligro real.

La IA no arregla el desorden. Lo amplifica. Un proceso manual malo produce diez errores al dia. El mismo proceso automatizado produce diez mil, con la misma confianza y sin nadie mirando.

Que es el desorden, en concreto

Desorden no es una palabra abstracta. Es esto, y probablemente lo tienes ahora mismo:

• El mismo cliente registrado tres veces, con tres nombres distintos y ningun identificador comun.
• Sin una definicion compartida de que es una venta cerrada o un cliente activo: cada area cuenta distinto.
• Datos clave atrapados en PDFs, hojas de calculo personales y la cabeza de una persona que se puede ir.
• Fuentes que se contradicen y nadie sabe cual es la verdadera.
• Historial sin fecha, sin trazabilidad, sin forma de saber que paso antes.

Nada de esto se nota mientras un humano con criterio tapa los huecos. La IA no tapa huecos. Los propaga.

Por que un agente lo empeora

Un chatbot que responde una pregunta suelta perdona un dato malo: alguien lee la respuesta y la corrige. Un agente que encadena pasos no perdona nada.

Anthropic lo describe bien en su trabajo sobre agentes efectivos: cada paso adicional acumula probabilidad de error, y por eso recomiendan empezar con lo mas simple que funcione antes de sumar autonomia. Traducido a datos: si el paso uno lee un dato sucio, el paso dos decide sobre ese error, el paso tres actua, y para el paso cuatro ya mandaste un correo, actualizaste un registro y disparaste una tarea, todo basado en algo falso.

El agente no duda. Esa es su virtud y su trampa. Sobre datos ordenados, esa decision en cadena es potencia. Sobre datos sucios, es un multiplicador de caos con permisos de escritura.

El trabajo aburrido es el que paga

Aca esta la tension incomoda. El trabajo que da retorno no es el que se ve en la demo. Es ordenar, unificar y definir. Es aburrido, no luce y casi nadie lo quiere pagar. Nadie aprueba un presupuesto por limpiar la base de clientes. Lo aprueba por el agente que responde solo. Ahi arranca el error.

BCG lo repite en su trabajo sobre IA: la mayor parte del valor no viene del algoritmo, viene de las personas, los procesos y los datos que lo rodean. El modelo es la parte chica. La preparacion es la parte grande y es la que decide si el proyecto suma o se cae.

Cuando una empresa dice que no ve resultados con la IA, casi siempre el problema no esta en el modelo. Esta en que le pidieron pensar sobre una base que ni las propias personas entendian. No es un problema de IA. Es un problema de datos disfrazado de proyecto de IA.

Ordenar no basta: hay que conectar

Limpiar los datos y dejarlos prolijos en cinco silos separados no sirve de mucho. Un dato limpio que no se conecta con el proceso ni con el KPI sigue siendo un dato ciego.

McKinsey, desde QuantumBlack, insiste en el mismo punto: escalar IA con valor real exige arquitectura y calidad de datos, no parches sueltos. Los datos tienen que estar conectados entre si y contra la operacion, con una fuente de verdad y una definicion unica de las entidades del negocio (cliente, producto, venta).

Eso es lo que yo llamo darle memoria y sistema a la empresa. No es un lago de datos por moda. Es que cuando el agente pregunte quien es este cliente y que le paso, haya una sola respuesta correcta y esa respuesta este pegada al KPI que te importa.

El diagnostico va antes del modelo

Antes de elegir modelo, plataforma o agente, se hace un diagnostico de datos del proceso que vas a tocar. No de toda la empresa: del proceso. Las preguntas son secas:

• De donde sale este dato, quien lo genera y cada cuanto se actualiza.
• Hay una fuente unica de verdad o hay cinco versiones peleando.
• Estan definidas las entidades clave igual en todas las areas.
• El dato esta conectado al KPI que quiero mover o vive suelto.
• Que pasa hoy cuando el dato falta o esta mal, y quien lo tapa.

Si estas preguntas no tienen respuesta clara, ese es el primer entregable. No el agente. El orden.

Por donde empezar sin frenar la operacion

Nadie tiene dos anos para ordenar todos los datos antes de tocar IA. Tampoco hace falta. Ese proyecto gigante y perfecto no termina nunca.

Se empieza al reves: eliges un proceso, uno solo, con un KPI claro y un dolor medible en tiempo o dinero. Ordenas y conectas solo los datos que ese proceso toca. Recien ahi pones IA encima. Ganas el caso, muestras el resultado, y usas ese retorno para financiar el siguiente proceso.

Asi se construye una empresa AI Native: proceso por proceso, con los datos ordenados debajo de cada uno. No con un agente encima de un desorden que nadie quiso limpiar.