Por qué la calidad de los datos decide si el AI empresarial tiene éxito o fracasa

Desde que OpenAI lanzó ChatGPT a finales de 2022, todas las empresas han estado compitiendo para avanzar más rápido con el AI. Los grandes jugadores de hardware como Nvidia están vendiendo más GPUs que nunca, mientras que los grandes constructores de modelos como OpenAI y Anthropic siguen construyendo modelos cada vez más grandes.

Aun así, incluso con los modelos más avanzados y los presupuestos más grandes, muchos proyectos de AI siguen fracasando. Hemos visto que esto sucede en diversas industrias, desde la salud hasta el transporte y las finanzas. La razón no es difícil de entender: el AI es solo tan bueno como los datos en los que se entrena y los datos que recibe en tiempo real. Cuando esos datos están mal etiquetados, desactualizados o incompletos, ningún modelo puede producir resultados consistentes o confiables.

Y ese es el gran problema que enfrentan muchas empresas hoy en día. Invierten mucho en herramientas de AI, mientras que sus sistemas de datos siguen siendo dispersos y poco fiables. El resultado es una ilusión de progreso. Mientras que los modelos producen respuestas impresionantes, las ideas suelen basarse en fundamentos débiles. La verdadera barrera para el éxito del AI no es el rendimiento del modelo. Es la calidad de los datos.

Qué significa realmente la buena calidad de los datos

La alta calidad de los datos no se trata solo de precisión. Significa información que es actual, completa y relevante para el problema en cuestión. Imagina a un cliente que intenta cancelar un pedido en un sitio de comercio electrónico. El sistema necesita verificar los detalles del pedido, el estado de envío y el registro de pago. Si alguno de esos puntos de datos viven en sistemas diferentes que no se comunican entre sí, el asistente de AI fallará al dar una respuesta útil.

Los buenos datos conectan estos puntos instantáneamente. Permiten que el AI vea una imagen completa en lugar de fragmentos de ella. Los malos datos, por otro lado, obligan al modelo a adivinar. Y cuando el AI comienza a adivinar, comete errores que cuestan dinero y dañan la confianza. Ejemplos recientes muestran lo peligroso que pueden ser tales suposiciones.

El chatbot de negocios de la ciudad de Nueva York dio consejos ilegales porque se basó en información legal desactualizada o incompleta. El bot de servicio al cliente de Air Canada hizo reclamos de reembolso falsos porque carecía de contexto de la política de la empresa. Incluso los grandes sistemas de contratación han filtrado incorrectamente a los candidatos debido a datos sesgados o mal etiquetados, como se ve en el primer acuerdo relacionado con el AI de la EEOC. Estos fracasos no son solo técnicos. Son reputacionales y financieros, y se derivan de sistemas de AI que se entrenaron con datos poco fiables.

Los estudios de la industria confirman la magnitud de este problema. Gartner informa que el 80 por ciento de los proyectos de AI fracasan en escalar debido a la mala calidad de los datos y la gobernanza. De manera similar, una encuesta de la MIT Sloan Management Review encontró que los problemas de datos, no los algoritmos, son la principal razón por la que los proyectos de AI empresariales colapsan.

La cultura es tan importante como el código

Mejorar la calidad de los datos no es algo que se pueda arreglar con una sola herramienta o comando. Requiere un cambio cultural. Es por eso que los líderes empresariales deben tratar los datos como un sistema vivo que necesita cuidado y responsabilidad. Esto no se trata solo de declarar que “queremos hacer que los datos sean mejores” — eso no es suficiente. Todas las partes de la organización deben entender cómo se mueve la información, quién la posee y qué sucede cuando cambia.

Hemos visto cómo se desarrolla esto en sistemas del mundo real. Muchas aplicaciones de AI dependen de actualizaciones de datos nocturnas. Si su base de datos se actualiza una vez al día, el conocimiento del modelo siempre estará por detrás de la realidad. En entornos de rápido movimiento, ese retraso puede significar ideas desactualizadas y malas decisiones. Las empresas necesitan replantear todo su flujo de datos, desde cómo se recopila la información hasta cómo se entrega al modelo.

Hacer esto bien puede ahorrar enormes cantidades de tiempo y costo. Cuando los pipelines de datos se diseñan con claridad y propósito, los sistemas de AI pueden aprender y actuar con la información más reciente y relevante. Cuando no es así, los equipos pasan más tiempo limpiando los datos que utilizandolos.

Los expertos en gestión de datos a menudo señalan que la clave para una fuerte calidad de los datos es un bucle de retroalimentación entre las personas, los procesos y las plataformas. Sin ese bucle, la información se vuelve obsoleta y los modelos pierden contacto con las condiciones del mundo real — un problema a veces llamado deriva de datos.

Equilibrar la velocidad con la integridad

A menudo hay una tensión entre moverse rápido y mantener la precisión. Muchas organizaciones quieren resultados instantáneos de sus inversiones en AI, pero apresurarse puede llevar a problemas más grandes más adelante. El objetivo debe ser la agilidad de los datos con integridad. En otras palabras, construir sistemas que puedan moverse rápidamente sin perder precisión.

Con este fin, cada empresa debe definir rutas claras para que los datos fluyan desde su fuente hasta el modelo en tiempo real. También ayuda definir qué tipo de información se permite y qué debe mantenerse fuera. Los datos sensibles o privados nunca deben llegar al modelo, incluso si el usuario tiene acceso técnico a ellos. Proteger ese límite construye confianza y evita que los sistemas de AI filtren o malgasten información.

A medida que el AI se vuelve más autónomo, la supervisión humana seguirá siendo fundamental. El modelo no debe tener el control total sobre las acciones comerciales. No debe tomar decisiones. En su lugar, debe hacer solicitudes. Lo más importante es que los humanos deben revisar y aprobar sus acciones para asegurarse de que se alineen con la política de la empresa y la regulación.

Construir la calidad desde el principio

Mantener la calidad de los datos a escala no es solo cuestión de limpiar errores. Comienza con la arquitectura. Necesita identificar dónde viven sus datos más confiables, luego diseñar un sistema que los reúna en un lugar de confianza. Desde allí, puede rastrear qué datos utiliza el modelo y de dónde provienen.

Este enfoque evita la confusión y mantiene el sistema transparente. También ayuda a los equipos a solucionar problemas más rápido cuando algo sale mal. Cuando sabe exactamente qué datos alimentaron la respuesta del modelo, puede verificar y corregir problemas antes de que se propaguen.

El futuro del AI empresarial pertenecerá a las empresas que incorporen la calidad en su infraestructura por defecto. Esperamos ver más sistemas de AI de “plug-and-play” que manejen tanto la razón como la integración de datos en un solo paquete. Estos “electrodomésticos de AI” podrían hacer que sea más fácil para las organizaciones implementar sistemas inteligentes sin perder el control de sus datos.

Los analistas predicen que las organizaciones capaces de unificar y gobernar sus datos de manera efectiva verán una adopción más rápida y un mayor retorno de la inversión en proyectos de AI. Un informe reciente sobre preparación de datos explica que esta capacidad separa a las empresas que innovan continuamente de aquellas que se estancan después de los primeros pilotos. La diferencia a menudo se reduce a si sus sistemas de AI se construyen sobre información consistente y bien estructurada.

La parte inferior de la línea

La calidad de los datos puede no sonar emocionante en comparación con los avances en el diseño de modelos, pero es la fuerza silenciosa que decide si el AI tiene éxito o fracasa. Sin datos limpios, actuales y consistentes, los sistemas más inteligentes tropezarán. Con ellos, incluso los proyectos de AI modestos pueden crear valor duradero.

Cada líder que invierte en AI debe hacerse una simple pregunta: ¿Confiamos en los datos que impulsan nuestras decisiones? Desde lo que hemos visto, las empresas que pueden responder con confianza “sí” son las que ya están liderando la carrera de AI.