Escalar la IA no debería significar reconstruir los cimientos de datos cada vez

La temporada de planificación de 2027 está a la vuelta de la esquina para las empresas, y las inversiones en IA vuelven a ocupar un lugar destacado en las conversaciones de la alta dirección. Una encuesta reciente de Akeneo a responsables de la toma de decisiones de TI reveló que el 93 % afirmó haber obtenido mejoras de productividad gracias a la IA, pero el 43 % señaló que la IA también había añadido nuevas responsabilidades a sus funciones.

Estos resultados ponen de relieve la considerable preparación que se necesita para hacer realidad los proyectos de IA. En particular, la preparación de datos representa una parte sustancial de ese trabajo. Entre los responsables de TI encuestados por Akeneo, el 36 % afirmó que sus organizaciones dedican más de la mitad del esfuerzo total de un proyecto de IA a preparar los datos. Otro 53 % indicó que destina entre el 26 % y el 50 % del esfuerzo de sus proyectos de IA a la preparación de datos. Aunque esta preparación es necesaria, la oportunidad consiste en garantizar que el trabajo realizado para una implementación de IA pueda reutilizarse como apoyo para la siguiente.

La IA puede eliminar trabajo en una parte de la empresa y, al mismo tiempo, crear un conjunto distinto de tareas para los equipos de TI, que deben preparar los datos y reconstruir el contexto para cada nueva implementación. La oportunidad ahora consiste en hacer que una mayor parte de ese trabajo pueda reutilizarse, de modo que cada implementación se apoye en la anterior en lugar de empezar desde cero.

El contexto humano, en el centro de la IA

Las personas siguen siendo fundamentales en todos los proyectos piloto e implementaciones de IA. Los equipos de TI participan en todo el ciclo de vida de las nuevas tecnologías: desde comprender las necesidades del negocio y evaluar soluciones hasta implementarlas, impartir formación, desarrollar procesos y mantener la seguridad de forma continua. Con el tiempo, los equipos pueden no llegar a documentar las excepciones y las reglas no escritas que encuentran, incluidos los casos en que un mismo término se define de forma distinta en diferentes sistemas. Ese contexto suele convertirse en conocimiento institucional que poseen integrantes individuales del equipo, en lugar de información a la que toda la organización pueda acceder de manera fiable.

Este trabajo puede continuar hasta que la persona que conoce la respuesta deje de estar disponible. Cuando los empleados cambian de puesto, dejan la organización o simplemente no están disponibles cuando surge un problema, el contexto se pierde. Registrar ese conocimiento en un formato estructurado y accesible digitalmente permite que esté disponible más allá de una sola persona. También permite que cada equipo conserve la propiedad de su experiencia y, al mismo tiempo, garantiza que el conocimiento pueda consultarse y reutilizarse en toda la organización, en lugar de tener que descubrirlo de nuevo con cada implementación.

Los buenos datos no siempre están listos para la IA

Es tentador describir todo esto como otro problema de calidad de los datos, pero la investigación de Akeneo apunta a algo más complejo. El 92 % de los responsables de TI califica como buenos o excelentes los datos de productos y operativos que utilizan sus sistemas de IA. Aunque la gran mayoría dedica más de una cuarta parte del esfuerzo total de un proyecto de IA a preparar los datos.

Que los datos sean buenos no garantiza que estén listos para la IA, sobre todo porque lo que se considera «bueno» puede depender de quién o qué los utilice. Los modelos y los agentes necesitan algo más que información precisa. Deben comprender de dónde proceden los datos, cómo se relacionan con otra información, qué fuente tiene prioridad y en qué condiciones pueden utilizarse. Estas reglas pueden pasar fácilmente inadvertidas porque a menudo están implícitas en la forma de trabajar habitual de los equipos con experiencia.

Una investigación reciente de McKinsey sobre la preparación de los datos para la IA plantea una idea similar acerca del contexto. No toda la información será valiosa para los modelos o los agentes. Pero, cuando la información es valiosa, su contexto debe poder transmitirse. Cuando la información se aleja de su fuente original, sus orígenes y sus relaciones con los datos circundantes deben seguir estando claros para que no se pierda su significado.

Aquí es donde la arquitectura que sustenta la IA empieza a ser tan importante como el propio modelo. A diferencia del software tradicional, los modelos de lenguaje de gran tamaño (LLM) a menudo pueden trabajar con datos fragmentados y sistemas desconectados, incluso cuando la información está estructurada o etiquetada de forma distinta en cada fuente. Pueden identificar relaciones que quizá no se habían definido explícitamente. El desafío mayor es la ausencia total de datos. A medida que los modelos y los agentes trabajan con distintos sistemas, la información y el contexto que necesitan deben existir y estar accesibles desde el principio.

Una investigación de PwC de 2026 sobre la brecha en la ejecución de la IA concluyó que la integración sigue siendo la principal razón por la que las inversiones en tecnología no cumplen las expectativas. Conectar una amplia red de datos no estructurados lleva tiempo y, a menudo, ralentiza los proyectos antes de que alcancen la implementación plena.

El trabajo necesario para resolver esos problemas en una implementación puede facilitar la siguiente.

Cómo hacer que la infraestructura de IA sea reutilizable

En un proyecto de IA, gran parte de esa preparación puede llevarse a cabo entre bastidores. Los equipos de TI resuelven incoherencias, preparan la información que necesita una aplicación e integran la aplicación con otros sistemas para poner el proyecto en producción.

El problema surge cuando ese trabajo solo resuelve el caso de uso inmediato. La preparación de datos siempre formará parte de la implementación de IA, pero gran parte de ese esfuerzo debería aprovecharse en adelante. Si un equipo descubre que un mismo campo o término tiene significados distintos en dos sistemas, resolver la ambigüedad debería dar lugar a una definición que puedan reutilizar futuras aplicaciones. Si determina en qué fuente se debe confiar cuando los sistemas discrepan, esa decisión debería mantenerse en las implementaciones futuras.

El mismo principio se aplica a las integraciones. En lugar de crear una nueva vía para acceder a productos e información con cada modelo o agente, las organizaciones deberían establecer formas coherentes para que los sistemas de IA encuentren y utilicen información fiable.

La primera implementación aún puede requerir un trabajo considerable, porque los equipos están descubriendo definiciones, relaciones y excepciones que antes formaban parte de la experiencia de las personas. Ese esfuerzo puede aprovecharse en el futuro, a medida que el conocimiento institucional pasa a formar parte de la infraestructura de la organización. Las implementaciones posteriores pueden beneficiarse de ese trabajo, y el alcance de ese beneficio dependerá de cuánto terreno común haya entre sus datos y casos de uso.

Esto cobra cada vez más importancia a medida que la IA deja de limitarse a generar respuestas y empieza a actuar en los sistemas empresariales. La iniciativa de estándares para agentes de IA del NIST destaca la importancia de que los agentes puedan interactuar de forma segura con datos internos y sistemas externos. A medida que asumen más responsabilidades e interactúan con más sistemas y modelos, las organizaciones deben asegurarse de que cada caso de uso cuente con el contexto y los controles adecuados, sin tener que empezar de cero por completo.

La gobernanza debe formar parte del entorno

Una infraestructura reutilizable también requiere una gobernanza reutilizable. La encuesta de EY sobre riesgos y gobernanza de la IA de septiembre de 2026 reveló que el 91 % de los altos ejecutivos de IA afirmó que sus organizaciones estaban probando o implementando IA agéntica; sin embargo, el 49 % de los encuestados cuyas organizaciones utilizan agentes dijo que sus marcos de gobernanza actuales no se habían actualizado específicamente para contemplar los requisitos y riesgos de la IA agéntica.

A medida que la IA asume más responsabilidades dentro de un proceso empresarial, las reglas que lo rigen deben formar parte del entorno en el que opera. Es posible que un agente pueda acceder por su cuenta a cierta información, mientras que otros puntos del proceso requieran una revisión o aprobación humana antes de que pueda continuar. Esas decisiones no pueden quedar únicamente en un documento de políticas ni depender de que alguien sepa cómo se supone que debe funcionar el proceso.

Las decisiones de gobernanza deben ir más allá de las revisiones internas e incorporarse a los sistemas en los que opera la IA. Las políticas, los permisos y los puntos de aprobación que guían un sistema deben definirse como parte de la propia implementación. Sin esos controles integrados en el sistema, los equipos tendrán que volver a interpretar las políticas y los permisos cada vez que se implemente un nuevo caso de uso de IA.

Prepararse para la próxima ola de IA

Cuando las empresas empiecen a invertir sus crecientes presupuestos de IA en 2027, los equipos de TI tendrán a su cargo un conjunto cada vez más amplio de modelos, integraciones y sistemas. La prueba más importante será si las organizaciones construyen una infraestructura capaz de respaldar lo que viene.

Si los equipos siguen resolviendo las mismas definiciones, reconstruyendo las mismas conexiones y traduciendo las mismas reglas, es posible que la IA esté creciendo más rápido que la infraestructura necesaria para respaldarla.

Esto ofrece otra manera de pensar en la preparación para la IA. El progreso no debería medirse solo por la cantidad de modelos o agentes que llegan a producción, sino también por si cada implementación deja a la empresa mejor preparada para la siguiente.

La IA ya está acelerando tareas concretas. El próximo aumento de productividad vendrá de facilitar la reutilización del trabajo que sustenta esos sistemas. La IA se integra cada vez más en los procesos empresariales, lo que exige que más sistemas dependan de los mismos fundamentos de datos. Construir esa base ahora determinará con qué facilidad podrán las organizaciones aprovechar la próxima generación de IA.