La IA no arregla tus datos, amplifica los errores

Según la encuesta de Precisely y el LeBow College of Business de la Universidad de Drexel a 565 profesionales de datos, el 88% de los líderes de datos dice estar preparado para la inteligencia artificial, pero el 43% reconoce que sus datos son hoy un obstáculo. Por eso, antes de automatizar o embarcarnos en un proyecto de IA, conviene saber sobre qué estamos construyendo.

La paradoja de la confianza

Los ingenieros tenemos una regla básica: garbage in, garbage out. Si la entrada está mal, la salida estará mal, por muy sofisticado que sea el proceso intermedio. La inteligencia artificial no ha modificado esta regla, al contrario, la ha acelerado.

La pregunta en los comités de dirección ya no es si adoptar IA, sino a qué velocidad, y sobre todo la pregunta más incomoda, ¿sobre qué datos la estamos construyendo?

Las cifras dibujan una brecha preocupante; si analizamos encuestas publicadas en 2024 por compañías y organismos relevantes en materia de DATA como Precisely y la Universidad de Drexel, apenas el 12% afirmaba que sus datos tenían la calidad y la accesibilidad suficientes para la IA, y el 67% no confiaba plenamente en sus propios datos para tomar decisiones.

En enero de 2026, el mismo estudio, muestra que el optimismo se ha disparado, pero los problemas siguen ahí:

Casi la mitad de quienes dicen estar listos admite, en la misma encuesta, que no lo está. Esa es la brecha entre confianza y preparación. Y en ingeniería, la confianza sin verificación tiene otro nombre: deuda técnica.

Automatizar no corrige el error, al contrario, lo escala

Un proceso o programa manual con datos defectuosos falla despacio. Una persona revisa, duda, pregunta y corrige. Un modelo de IA no duda: aprende el error, lo generaliza y lo aplica miles de veces por segundo con total seguridad. Con los agentes, que ya no solo recomiendan, sino que ejecutan acciones, el error pasa del informe a la operación.

Por mencionar algunos casos documentados:

• Sesgo heredado del histórico. Amazon abandonó en 2017 un sistema experimental de selección de personal. Se había entrenado con diez años de currículos, mayoritariamente masculinos, y penalizaba los que incluían la palabra women’s. El modelo funcionaba bien. Los datos enseñaban lo que no debían.

• Reglas mal definidas, aplicadas a escala. iTutorGroup pagó 365.000 dólares en 2023 para cerrar una demanda en  EE. UU. Su software rechazaba automáticamente a las mujeres de 55 años o más y a los hombres a partir de los 60, dejando fuera del proceso a más de 200 candidatos sin intervención ni supervisión humana.
• Modelos sin contexto real. Zillow cerró en noviembre de 2021 su negocio de compraventa de viviendas guiado por algoritmos. Solo en el tercer trimestre registró un ajuste de unos 304 millones de dólares por comprar casas por encima de lo que podía venderlas, y recortó alrededor del 25% de su plantilla.
• Alucinaciones sin verificación. En el caso Mata contra Avianca (Nueva York, 2023), un tribunal multó con 5.000 dólares a unos abogados que presentaron sentencias inexistentes generadas por ChatGPT. Nadie contrastó la salida con una fuente fiable.

El patrón es el mismo en los cuatro: el fallo no estaba en el algoritmo elegido, sino en los datos de entrada, en su contexto o en la ausencia de control sobre ellos.

Según Gartner, el 63% de las organizaciones no tiene las prácticas de gestión de datos adecuadas para la IA, o no sabe si las tiene. Y según estas mismas fuentes, se prevé que hasta finales de 2026, las empresas abandonarán el 60% de los proyectos de IA que no estén respaldados por datos preparados para ello, y eso a pesar de la inversión multimillonaria que están haciendo las empresas en IA generativa y agentica, sobre el cual la mayoría de las organizaciones no obtiene un retorno medible, principalmente debido a que no se adaptan al contexto ni encajan en los flujos de trabajo reales.

¿Qué es un dato de confianza?

Cuando se pregunta a los líderes de datos qué frena su IA, el modelo no aparece en lo alto de la lista, sino que muchas de las compañías ya señalan e identifican el gobierno del dato y su calidad para entrenamiento e inferencia. También citan la falta de atributos que den contexto a los resultados, la privacidad y la falta de datos suficientes para evitar sesgos.

Dicho de otra forma: el problema no es de modelo, es de dato y de gobierno; un dato preparado para que un agente actúe sobre él debe cumplir cuatro condiciones verificables:

1. Unificado. Integrado desde todos los sistemas, incluidos los heredados como el mainframe. Un modelo que solo ve la mitad de los silos decide con la mitad de la realidad.
2. Fiable. Exacto, completo, sin duplicados y actualizado. Se mide con reglas y umbrales, no con opiniones.
3. Gobernado. Con propietario, linaje y trazabilidad: saber de dónde viene cada dato, quién lo cambió y quién puede usarlo. Los datos personales, identificados y protegidos.
4. Enriquecido con el contexto que el dato interno no tiene: ubicación, información de terceros, variables del mundo real.

La buena noticia es que la estrategia marca la diferencia. Según el estudio de LeBow de 2026, el 71% de las organizaciones con una estrategia y un programa formal de gobierno del dato tiene una confianza alta en sus datos, frente al 50% de las que no los tienen. Y el 32% de las primeras ya espera un retorno positivo de la IA en un plazo de 6 a 11 meses.

La ironía es que la propia IA se ha convertido en una herramienta para resolver el problema. Hoy existen agentes que descubren y etiquetan datos personales, proponen reglas de calidad a partir de patrones o geocodifican direcciones, siempre con aprobación humana. Por ejemplo, plataformas como el Data Integrity Suite de Precisely ya permiten gobernar el dato mediante peticiones en lenguaje natural.

Cinco pasos antes de automatizar

Ninguna empresa necesita esperar a tener datos perfectos para empezar con la IA. Sí necesita saber dónde están sus datos antes de poner un agente a trabajar sobre ellos. Esta es la secuencia que, como ingeniero, recomendaría a cualquier organización:

1. Medir antes de prometer. Hacer un diagnóstico de madurez del dato antes de aprobar el presupuesto de IA. Si no se puede medir la calidad, tampoco se puede afirmar que es suficiente.
2. Empezar por el caso de uso, no por el lago de datos. Identificar qué datos alimentan el proceso que se quiere automatizar y asegurar esos primero.
3. Convertir la calidad en código. Reglas de validación, umbrales y alertas dentro de los pipelines, igual que hacemos con los tests de software. Un dato que no pasa el control no llega al modelo.
4. Dar dueño y trazabilidad a cada dato crítico. Catálogo, linaje y responsables con nombre y apellidos. Cuando un agente se equivoque, habrá que poder explicar por qué.
5. Mantener a una persona en el circuito. Los agentes pueden proponer y ejecutar, pero las decisiones de alto impacto requieren aprobación y supervisión humana.

Hay además una razón regulatoria y es que el reglamento europeo de IA exige prácticas de gobierno y calidad de los datos para los sistemas de alto riesgo, como los que intervienen en selección de personal o en la concesión de crédito.

Construir sobre roca

Ninguna empresa construiría un edificio de veinte plantas sin estudiar antes el terreno. Con la IA lo estamos haciendo a diario. Elegimos el modelo más potente, contratamos el agente más autónomo y lo ponemos a trabajar sobre datos que ni siquiera nosotros terminamos de creernos.

Los agentes de IA serán tan fiables como los datos sobre los que actúan, y ni un punto más. La ventaja competitiva de los próximos años no estará en quién adopta la IA primero, sino en quién la adopta sobre datos en los que puede confiar.

Antes de automatizar, asegúrate de confiar en tus datos.