Su empresa aprobó un proyecto de inteligencia artificial. Contrató gente, pagó licencias, y ya pasaron varios meses. Los resultados no llegan, o llegan y nadie se atreve a usarlos.
Antes de cambiar de proveedor, de modelo o de equipo, vale la pena revisar una escena que probablemente ya vivió.
La escena que se repite en todas las juntas directivas
Comité de dirección. Alguien presenta las ventas del trimestre. Comercial dice una cifra. Financiera dice otra. La diferencia no es enorme —un tres por ciento, tal vez— pero es suficiente para que la conversación se detenga.
Empieza la parte conocida: ¿de dónde sacó ese número? Del reporte. ¿Qué reporte? El del sistema. Pero el sistema tiene el otro dato. Es que yo le apliqué el ajuste de devoluciones. ¿Cuál ajuste?
Nadie miente. Los dos números son defendibles. Y esa es exactamente la razón por la que la reunión no avanza: cuando dos cifras correctas se contradicen, el problema no está en las cifras. Está en que nadie puede explicar cómo se produjeron.
La junta termina pidiendo que alguien “concilie los números”. Alguien pasa tres días haciéndolo. Y el trimestre siguiente vuelve a pasar lo mismo.
Por qué esto tiene todo que ver con la inteligencia artificial
Un modelo de inteligencia artificial no verifica nada. No sabe que “Bogotá” y “BOGOTA” son la misma ciudad. No sabe que ese cliente está tres veces en la base con el documento escrito distinto. No sabe que la columna de fechas trae dos formatos porque un sistema exporta en formato estadounidense y el otro no.
El modelo reproduce lo que recibe, con toda la confianza del mundo.
Y aquí está la parte incómoda: cuando un humano recibe datos malos, duda. Nota que algo no cuadra, pregunta, revisa. Un modelo no duda. Devuelve una respuesta redactada con seguridad absoluta, y esa seguridad es lo que hace que el error escale.
Por eso la conclusión que importa es más simple de lo que parece:
La inteligencia artificial no fracasa por falta de modelos. Fracasa porque los datos que la alimentan no son confiables.
El diagnóstico equivocado que cuesta caro
Cuando el proyecto no da resultados, casi siempre se culpa a lo más visible: el modelo era el equivocado, el proveedor prometió de más, el equipo no tenía la experiencia, la herramienta se quedó corta.
Entonces la empresa hace lo natural: compra otra herramienta. Otra plataforma de visualización, otro conector, otro tablero.
Y no funciona, por una razón estructural: una herramienta de analítica lee los datos, no los produce ni los gobierna. Si el problema está aguas arriba —en cómo nace, se transforma y se distribuye la información— una herramienta nueva le va a mostrar los mismos datos, con mejor diseño y más rápido.
La confiabilidad no se construye en el reporte. Se construye antes.
Las seis preguntas
Aquí está el criterio práctico. Tome cualquier cifra que su empresa use para decidir —la venta del mes, el margen por producto, la rotación de inventario— y hágase estas seis preguntas sobre ella.
No son preguntas técnicas. Son preguntas de negocio, y cualquiera en su organización debería poder responderlas sin abrir un sistema.
1. ¿De dónde proviene?
La pregunta: ¿de qué sistema salió originalmente y por qué manos pasó hasta llegar a esta diapositiva?
Cómo se ve cuando no tiene respuesta: la cifra vive en un archivo que alguien descargó, cruzó con otro y guardó en una carpeta compartida. Si esa persona se va de la empresa, nadie puede reconstruir el número.
Qué significa tenerla: cada dato conserva su historia completa —origen, transformaciones, destino— y esa historia se puede consultar sin depender de la memoria de nadie. Es lo que se llama linaje.
2. ¿Quién lo modificó?
La pregunta: ¿quién tocó este dato por última vez, cuándo, y qué cambió exactamente?
Cómo se ve cuando no tiene respuesta: el archivo se llama ventas_final_v3_REVISADO.xlsx. Hay cuatro versiones en cuatro computadores. Nadie sabe cuál es la buena, y quien sabía está de vacaciones.
Qué significa tenerla: existe un registro de auditoría. No para vigilar a nadie: para que cuando un número se cuestione, la respuesta tome segundos en vez de tres días.
3. ¿Qué reglas se le aplicaron?
La pregunta: ¿qué se le hizo a este dato entre el sistema de origen y el reporte? ¿Se eliminaron duplicados? ¿Se unificaron los nombres de ciudad? ¿Con qué criterio?
Cómo se ve cuando no tiene respuesta: las reglas viven en la cabeza de una persona y se aplican a mano cada mes. Cada quien limpia a su manera, y por eso comercial y financiera llegan a números distintos: aplicaron reglas distintas sin saberlo.
Qué significa tenerla: las reglas están declaradas, son reutilizables y se aplican igual siempre. Dejan de ser criterio personal y pasan a ser política de la empresa.
4. ¿Qué versión se está usando?
La pregunta: el reporte que aprobó la junta el mes pasado, ¿se puede reproducir hoy exactamente igual?
Cómo se ve cuando no tiene respuesta: alguien corrigió la regla de descuentos en marzo, y ahora los números de febrero salen distintos. El informe que se presentó ya no existe. Si un auditor lo pide, no hay forma de reconstruirlo.
Qué significa tenerla: cada modificación genera una nueva versión y nunca se pierde la anterior. El dato se trata como el código fuente: con historial completo y capacidad de volver atrás.
5. ¿Qué calidad tiene?
La pregunta: ¿qué tan completo y consistente está este dato? ¿Cuántos vacíos tiene? ¿Cuántos duplicados?
Cómo se ve cuando no tiene respuesta: la calidad se descubre tarde, cuando alguien nota que el total no cuadra. El costo ya se pagó: la decisión se tomó sobre información incompleta.
Qué significa tenerla: la calidad es un número visible antes de usar el dato, no una sorpresa después. Se sabe en qué se puede confiar y en qué no.
6. ¿Quién puede consumirlo?
La pregunta: ¿quién tiene acceso a esta información, quién la está usando hoy, y qué se rompe si cambia?
Cómo se ve cuando no tiene respuesta: los datos sensibles circulan por correo. Y cuando alguien modifica una fuente, nadie sabe qué reportes quedaron mal hasta que alguien reclama.
Qué significa tenerla: el acceso se administra y el consumo se registra. Antes de cambiar algo, se sabe a quién afecta.
El test
Vuelva a la última cifra importante que presentó. Cuente cuántas de las seis preguntas puede responder hoy, con evidencia y sin llamar a nadie.
- Cinco o seis. Su empresa tiene una base sólida. La inteligencia artificial es un paso natural.
- Tres o cuatro. Sus datos probablemente son correctos, pero nadie puede demostrarlo. Va a poder usar IA para explorar; no para decidir.
- Dos o menos. Cualquier proyecto de IA que arranque hoy va a producir resultados que su equipo no va a poder defender. Y con razón.
Fíjese en algo: ninguna de las seis preguntas es sobre inteligencia artificial. Son preguntas sobre cómo su empresa administra su información. Esa es toda la tesis de este artículo.
Un dato correcto no es lo mismo que un dato confiable
Vale la pena separar dos cosas que suelen confundirse.
Un dato correcto coincide con la realidad. Un dato confiable es un dato correcto que además puede demostrarse: se sabe de dónde salió, qué se le hizo, quién lo tocó y qué versión es.
La diferencia parece sutil y no lo es. Un dato correcto que nadie puede explicar no sirve para decidir, porque cualquiera lo puede cuestionar y nadie lo puede defender. Es exactamente lo que pasa en la escena del comité: los dos números son correctos y ninguno es confiable.
La confianza empieza con la trazabilidad. Sin ella no hay confianza, solo costumbre.
Por qué esto es infraestructura y no una compra más
Aquí está el cambio de perspectiva que más cuesta y más rinde.
Responder las seis preguntas no es una función que se activa. Es una capa que se pone debajo de todo lo demás: de los reportes, de los tableros, de los modelos y de los agentes que vengan después.
Es la diferencia entre poner un filtro al final de la tubería y arreglar la tubería.
Si esa capa existe, cada herramienta que su empresa conecte encima hereda la confiabilidad. Si no existe, cada herramienta nueva hereda el problema — y lo presenta con mejor diseño.
Y hay una razón de plazo para hacerlo ahora. Durante años el principal consumidor de datos fue una persona mirando un tablero, y una persona duda. En los próximos años el principal consumidor va a ser un sistema automático que no duda. El costo de tener datos poco confiables va a subir, no a bajar.
Qué cambia cuando las seis tienen respuesta
No es magia y no es inmediato. Pero el cambio se nota en cosas concretas:
- La discusión del comité pasa de “¿cuál número es el bueno?” a “¿qué hacemos con este número?”.
- Conciliar deja de ser un trabajo mensual, porque no hay dos verdades que conciliar.
- Una auditoría se responde con una consulta, no con un proyecto.
- Y cuando por fin llegue el turno de la inteligencia artificial, va a alimentarse de datos que su equipo puede defender frente a quien sea.
Ese es el punto. La inteligencia artificial no es el primer paso: es el resultado de haber hecho bien el anterior.
En Lorian Analytics construimos exactamente esa capa: una plataforma DataOps donde los datos de su empresa nacen, se transforman y se gobiernan, con linaje, versiones, reglas de calidad y registro de auditoría desde el primer día. No para reemplazar sus herramientas de analítica, sino para que por fin todas lean lo mismo.