IA en pymes: por qué fracasa sin datos limpios
7 min de lectura
Los proyectos de inteligencia artificial fracasan, pero rara vez por la propia IA. En la mayoría de los casos, el problema se encuentra un nivel más abajo: en los datos. Quien invierta en IA generativa en 2026 sin haber verificado previamente la calidad de sus datos, desperdiciará presupuesto y perderá confianza en la tecnología.
Lo más importante
- 57 % no están preparados: Más de la mitad de las empresas considera que sus propios datos no son aptos para IA (Gartner, tercer trimestre de 2024).
- Tasa de abandono del 60 %: Según las previsiones de Gartner, la mayoría de los proyectos de IA sin una base de datos garantizada en calidad serán abandonados (Gartner, febrero de 2025).
- El 73 % señala los datos como barrera: La calidad de los datos es el obstáculo más citado para el éxito de la IA entre los responsables de decisión (Capital One/Morning Consult, julio de 2024).
- La regulación intensifica la presión: El Reglamento de IA de la UE (artículo 10) exige, a partir de agosto de 2026, una calidad de datos demostrable para los sistemas de IA de alto riesgo.
- Seis dimensiones deciden: Completitud, exactitud, actualidad, coherencia, unicidad y validez conforman el marco DAMA para una calidad de datos medible.
La incómoda verdad: la mayoría de los datos no están listos para IA
Alemania está invirtiendo masivamente en inteligencia artificial. Según el estudio de Bitkom 2025, ya el 36 % de las empresas alemanas utiliza activamente IA – casi el doble que el año anterior -. Otro 47 % planea o está evaluando su implementación. Sin embargo, la euforia oculta un problema fundamental: los datos sobre los que deben basarse estos proyectos de IA en las pymes no están, en su mayor parte, preparados.
Una encuesta de Gartner realizada entre 248 responsables de gestión de datos en el tercer trimestre de 2024 arroja cifras desalentadoras: el 57 % de las empresas califica sus propios datos como no aptos para IA. Aún más grave: el 63 % declara no disponer de prácticas adecuadas de gestión de datos o no tener claridad al respecto. En febrero de 2025, Gartner endureció su previsión: el 60 % de todos los proyectos de IA que no se basen en datos preparados para IA serán abandonados.
Fuentes: Gartner, tercer trimestre de 2024; Gartner, febrero de 2025; Capital One/Morning Consult, julio de 2024
Por qué la IA generativa agrava el problema de los datos
La IA generativa reacciona con mayor sensibilidad ante la calidad de los datos que la analítica clásica. Un panel de control con cifras erróneas de ventas acabará llamando la atención tarde o temprano. Un modelo de IA entrenado con datos maestros inconsistentes produce resultados que parecen plausibles, pero que son falsos – y nadie lo detecta de inmediato. Ese es el núcleo del problema: la IA generativa hace invisibles los datos deficientes, en lugar de visibilizarlos.
En la información clásica, las inconsistencias de datos provocan contradicciones evidentes. Si el informe de ventas muestra dos cifras distintas, alguien planteará la pregunta. En un modelo predictivo impulsado por IA esto no ocurre: calcula una respuesta aparentemente plausible basada en datos sesgados. Solo cuando la previsión de demanda se desvía sistemáticamente durante meses o el chatbot ofrece a los clientes información incorrecta sobre productos se vuelve visible el problema de los datos – demasiado tarde y demasiado caro.
Las CDO Insights 2025 de Informatica – una encuesta entre 600 directores de datos (CDO) de todo el mundo – revelan la consecuencia: el 67 % de los responsables de datos encuestados no logró llevar ni siquiera la mitad de sus proyectos piloto de IA generativa a producción con éxito. El 43 % de los líderes de datos señala la calidad de los datos, la completitud de los datos y la preparación de los datos como el mayor obstáculo en los proyectos de IA. Al mismo tiempo, el 92 % de los CDO declararon estar preocupados porque los pilotos de IA avancen sin haber resuelto previamente los problemas existentes con los datos.
El estudio global NTT DATA Global GenAI, publicado en noviembre de 2024 y basado en 2.300 responsables de decisión de 34 países, confirma este panorama: entre el 70 % y el 85 % de las implementaciones de IA generativa no alcanzan el retorno sobre la inversión (ROI) deseado. La causa más frecuente: la base de datos no era lo suficientemente fiable para su uso productivo.
Especialmente engañoso: la pyme típica trabaja con cinco a quince sistemas diferentes, desde ERP y CRM hasta soluciones sectoriales especializadas y listas manuales en Excel. Cada sistema tiene sus propios formatos de datos, sus propios procesos de mantenimiento, sus propios responsables – y, con frecuencia, también sus propias definiciones de conceptos aparentemente sencillos como «cliente activo» o «pedido pendiente». La calidad de los datos se erosiona en las interfaces entre estos sistemas – justamente allí donde los modelos de IA deben entrenarse de forma transversal. Quien no conozca sistemáticamente estas brechas, no podrá repararlas.
Las seis dimensiones de la calidad de los datos
La calidad de los datos no es una cuestión de intuición. El marco DAMA International (Data Management Body of Knowledge) define seis dimensiones medibles. Para las pymes resulta útil realizar una comparación sincera con su propia base de datos:
| Dimensión | ¿Qué mide? | Problema típico en las pymes |
|---|---|---|
| Completitud | ¿Están rellenados todos los campos requeridos? | Contactos en CRM sin sector o tamaño de empresa |
| Exactitud | ¿Reflejan los datos correctamente la realidad? | Direcciones de clientes obsoletas, números de artículo erróneos |
| Actualidad | ¿Son los datos lo suficientemente recientes para su propósito? | Existencias en almacén que solo se sincronizan una vez al día |
| Coherencia | ¿Coinciden los datos entre distintos sistemas? | Base de clientes en ERP y CRM difiere |
| Unicidad | ¿Existen duplicados? | El mismo proveedor aparece tres veces en el sistema, escrito de distinta manera |
| Validez | ¿Cumplen los datos las reglas definidas? | Campos de texto libre en lugar de entradas estructuradas |
La consultora BARC confirma su relevancia: en su Data, BI and Analytics Trend Monitor anual, la gestión de la calidad de los datos lleva seis años entre los dos temas principales – en 2024, nuevamente justo detrás de la seguridad de los datos. No es un problema nuevo, pero uno que con la IA se vuelve claramente más costoso.
Un ejemplo concreto de la práctica: una pyme fabricante de maquinaria quiere introducir previsiones de demanda impulsadas por IA. Los datos maestros de artículos en el ERP tienen una completitud del 85 % – suena aceptable. Pero el 15 % que falta corresponde, de forma desproporcionada, a nuevos productos y piezas de repuesto con altos márgenes. Así, el modelo predictivo aprende sistemáticamente de forma errónea, pues desconoce los productos más rentables. La desviación no se detecta hasta pasados seis meses – seis meses de optimización perdida.