Madurez de datos para IA en la pyme 2026: cinco tareas pendientes antes del primer agente en producción
El 7 de abril de 2026, Gartner publicó los resultados de una encuesta entre 782 directivos de TI: el 72 por ciento de los proyectos de IA fracasan o no entregan lo prometido. Combinado con el estudio de IA de Bitkom de febrero de 2026 (41 por ciento de usuarios activos de IA en Alemania), emerge el panorama con el que nos encontramos regularmente en los mandatos de pymes de las últimas semanas: las plataformas Copilot y de agentes ya están disponibles, pero los datos sobre los que deben trabajar todavía no. Estas son las cinco tareas pendientes que deben completarse correctamente antes de poner en marcha el primer agente en producción.
- Gartner informa el 07.04.2026 de una tasa de fracaso del 72 por ciento en proyectos empresariales de IA; Bitkom confirma en febrero un 41 por ciento de usuarios corporativos activos y una duplicación respecto a 2025.
- Siete de cada diez casos de fracaso recaen, según el análisis detallado de Gartner, en la mala calidad de los datos y la falta de gobernanza de datos, no en problemas con los modelos.
- Las cinco tareas pendientes: higiene de datos maestros, documentación de roles y permisos, transparencia de procesos, pista de auditoría y un marco de casos de uso claramente definido por agente.
- Las pymes que completan estas tareas antes de su primer Copilot o agente alcanzan, según nuestras revisiones de proyecto, un tiempo hasta el valor de entre 8 y 12 semanas en lugar de entre 9 y 14 meses.
- El rol del ERP, tan citado, es central pero no exclusivo: los sistemas CRM, DMS y RRHH también requieren el mismo nivel de madurez; de lo contrario, el agente fracasa en la fuente de menor calidad.
Por qué la tasa de fracaso del 72 por ciento no es un problema de modelos
¿Qué es la madurez de datos para la IA? La madurez de datos para la IA describe el estado en el que los conjuntos de datos necesarios para un caso de uso de IA están disponibles de forma completa, actualizada, coherente, conforme a los derechos de uso y legible por máquinas. El término proviene del marco de Gartner «AI-Ready Data» y abarca cinco dimensiones: calidad de contenido, gobernanza, integración técnica, contextualización y admisibilidad legal. Las pymes que omiten una de estas dimensiones fracasan sistemáticamente en la puesta en producción.
El dato de Gartner del 7 de abril de 2026 sorprende por su contundencia, pero no por sus conclusiones. Desde 2024 se venía perfilando que la calidad de los modelos de los grandes proveedores de LLM ha dejado de ser el cuello de botella. Lo que desencadena la interrupción del proyecto es casi siempre la misma cadena: el caso de uso está bien descrito, el prototipo del agente funciona de forma convincente en el entorno de demostración, luego se conecta a los datos del entorno productivo; las respuestas se vuelven contradictorias, incompletas o jurídicamente arriesgadas. El responsable del proyecto debate dos meses con el proveedor de la plataforma hasta que ambas partes comprenden que el problema no está en el modelo, sino en cinco campos del ERP que se mantienen de forma diferente en tres filiales.
La consecuencia no es que las pymes no deban implantar agentes. La consecuencia es que las tareas previas al primer agente en producción requieren una fase de proyecto propia que se subestima en la planificación presupuestaria habitual. En nuestros mandatos de los últimos tres trimestres dedicamos entre cuatro y seis semanas exclusivamente a este trabajo preparatorio antes de que el primer modelo llegue al departamento funcional.
Lo que dicen los datos de Bitkom al respecto
El estudio de IA de Bitkom de febrero de 2026 (604 empresas encuestadas con 20 o más empleados) muestra la duplicación del uso activo de la IA respecto a 2025, pero también una divergencia. Las empresas con más de 250 empleados se sitúan en el 58 por ciento de uso activo, mientras que las empresas de entre 20 y 99 empleados permanecen en el 32 por ciento. La brecha no es técnica, sino operativa. Las pymes más pequeñas a menudo no cuentan ni con roles dedicados de ingeniería de datos ni con una gestión estructurada de datos maestros; precisamente esto se cobra su precio con el primer agente.
Las cinco tareas en detalle
Tarea 1: Higiene de datos maestros
Los datos maestros son el núcleo subestimado de toda implantación de agentes. Los datos de clientes, artículos, proveedores y empleados deben verificarse en cuatro aspectos antes de poner en marcha el primer agente en producción: identificadores únicos a través de los límites de sistema, campos clave coherentes sin duplicados, campos obligatorios completos por caso de uso y un proceso de mantenimiento documentado. Quien aporte aquí lo que el ERP ha generado de forma aleatoria obtendrá respuestas en las que tres variantes del mismo cliente son tratadas como tres entidades distintas.
Una sencilla prueba de pragmatismo: tome sus 20 principales clientes y cuente las variantes de escritura en el ERP, el CRM y el sistema de tickets. Más de tres variantes significa que el agente terminará alucinando o abandonando. La depuración rara vez lleva más de dos semanas, pero evita el 80 por ciento de las frustrantes conversaciones posteriores con el departamento especializado.
Tarea 2: Documentación de roles y permisos
Los agentes actúan. No solo leen: escriben, envían, contabilizan y documentan. Esto significa que lo que puede hacer una persona, también debe poder hacerlo el agente; lo que una persona no puede hacer, el agente tampoco puede hacerlo en absoluto. En la práctica, esto implica una matriz de roles y permisos bien definida, que idealmente está representada de forma idéntica en Entra ID, en el concepto de autorizaciones del ERP y en las aplicaciones especializadas. Las medianas empresas con autorizaciones heredadas históricamente necesitan aquí una ronda de consolidación antes de que un agente cree contabilizaciones o envíe correos electrónicos.
Las decisiones de liderazgo más interesantes en un proyecto de IA no son las que aparecen en el informe trimestral. Son las que alguien toma en la tercera semana, cuando por primera vez queda claro que el agente interpreta la matriz de permisos de forma más estricta que las personas que la escribieron.
Tarea 3: Transparencia de procesos
Los agentes no comprenden los procesos implícitos. Todo lo que reside en la mente de la administrativo con 15 años de experiencia debe convertirse en una forma explícita antes de la puesta en producción. Esto no equivale a una documentación de procesos ISO clásica, pero es más que un diagrama de flujo en PowerPoint. En nuestros proyectos utilizamos una forma ligera compuesta por una narrativa de proceso (media página, en lenguaje natural), puntos de decisión con criterios y normativas de excepciones. Quien no sea capaz de redactar el caso de uso en esta forma, aún no ha encontrado el caso de uso adecuado para el primer agente.
Tarea 4: Registro de auditoría y trazabilidad
A partir de la puesta en producción, cobra importancia la pregunta que en la demo parecía secundaria: ¿quién tomó la decisión y sobre qué base de datos? Los agentes necesitan un registro de auditoría que vincule la entrada, las fuentes de datos utilizadas, la versión del modelo y la salida de modo que la revisión pueda rastrear la decisión seis meses después. Para la mediana empresa, esto significa concretamente: una capa de protocolo entre la plataforma (Copilot Studio, LangChain, Azure AI Foundry) y la aplicación especializada, que almacene al menos cinco campos por ejecución del agente y los conserve durante tres meses.
Tarea 5: Marco del caso de uso
La primera implantación de un agente no es una decisión de plataforma, sino una decisión de caso de uso. Un marco claro define tres cosas: qué debe hacer concretamente el agente, qué límites son tabú absoluto (por ejemplo, ninguna comunicación autónoma con el cliente sin Human-in-the-Loop) y qué métricas decidirán tras doce semanas si se continúa o se detiene el proyecto. Quien no fije este marco por escrito antes del inicio del proyecto lo debatirá más tarde en el comité de escalación.
Comparación de tareas: mediana empresa frente a gran corporación
Las mismas cinco tareas tienen un aspecto fundamentalmente distinto en la mediana empresa y en la gran corporación. La corporación dispone de equipos, presupuestos y estructuras de gobernanza existentes, pero debe sanear entornos legacy con años de historia acumulada. La mediana empresa parte de un panorama tecnológico manejable, pero rara vez cuenta con un rol dedicado a tiempo completo a la calidad de los datos. Ambos puntos de partida son una oportunidad, pero requieren órdenes distintos de prioridades.
| Tarea | Mediana empresa (típico) | Gran corporación (típico) |
|---|---|---|
| Higiene de datos maestros | Depuración manual de las 20 entidades principales, dos semanas de trabajo. | Programa de datos maestros, de seis a doce meses, varios FTE. |
| Documentación de roles | Entra ID como sistema de referencia, consolidación en tres o cuatro semanas. | Refactorización de IAM a través de SAP, Salesforce y ServiceNow. |
| Transparencia de procesos | Narrativas obtenidas en entrevistas con el departamento especializado, de cinco a diez días. | Arquitectura empresarial y suites BPM, habitualmente ya disponibles. |
| Registro de auditoría | Capa de log a nivel de plataforma, respaldada por SIEM ligero. | Integración en el SOC existente y la gestión de cumplimiento normativo. |
| Marco del caso de uso | Un caso de uso, claramente delimitado, aprobación de la dirección general en una reunión. | Portfolio de cinco a diez casos de uso, comité de dirección. |
La lectura de la tabla no es «la mediana empresa lo tiene más fácil», sino «la mediana empresa es más rápida cuando los roles están bien definidos». Quien inicia un proyecto de IA en una gran corporación debe contar con más partes interesadas, más legacy y más políticas, pero dispone a cambio de recursos dedicados. La mediana empresa es más ágil en la ejecución, pero solo si la dirección general participa activamente en el marco del caso de uso y no se limita a dar el visto bueno.
El campo de juego de las plataformas: Copilot, Gemini, Claude, Llama
El estudio de Bitkom sitúa a Microsoft Copilot con un 28 por ciento de cuota de mercado como plataforma líder en el mercado alemán, seguida de Google Gemini con un 22 por ciento. Llama (7 por ciento), Claude (2 por ciento) y Amazon Q (2 por ciento) no son opciones serias para las pymes del espacio DACH en la mayoría de los casos, ya sea por la falta de estructuras de soporte o por la ausencia de mapeos de cumplimiento normativo. Para la pyme típica esto significa: la decisión de plataforma rara vez es Copilot contra Claude, sino Copilot Studio contra Power Platform contra Azure AI Foundry; y en ese debate se trata menos de los modelos que de la profundidad de integración y del modelo de licencias.
Una mirada honesta al debate sobre plataformas: quien ya vive en un entorno Microsoft apenas necesita plantearse la pregunta. Quien en cambio trabaja en un ecosistema heterogéneo debería pilotar dos o tres casos de uso concretos en dos plataformas y contrastar los resultados con los cinco deberes pendientes. La plataforma que resuelva esos deberes de forma menos dolorosa se lleva el contrato.
Qué cambia realmente después de la fase de deberes
La observación más práctica de nuestros mandatos: las pymes que completan los cinco deberes antes del primer agente alcanzan un time-to-value de entre ocho y doce semanas. Las pymes que arrancan con un piloto de plataforma y abordan los deberes en paralelo necesitan entre nueve y catorce meses, y con frecuencia abandonan en el camino. Los deberes no son la fase más apasionante del proyecto, pero sí la que al final determina el ROI.
Existe además un segundo efecto que observamos en casi todos los mandatos: en cuanto los deberes se completan correctamente, el debate interno cambia. En lugar de discutir sobre modelos, prompts y plataformas, de repente se habla de portfolios de casos de uso, escalabilidad y gobernanza. Ese es el momento en que la IA deja de ser un proyecto de TI para convertirse en un proyecto de negocio. Los directores y directoras generales que viven esta transición coinciden en señalar que a partir de ese momento conducen el debate sobre IA en su organización de forma diferente: con menos enfoque tecnológico y más orientación al negocio.
Tres señales de alarma que anuncian el próximo abandono
Desde la perspectiva contraria: ¿cómo reconoce la dirección general que un proyecto de IA se encamina hacia uno de esos rincones del 72 por ciento? En las revisiones prestamos atención a tres señales. Primera, el comité de dirección debate principalmente sobre funcionalidades de la plataforma en lugar de sobre los resultados de los casos de uso. Segunda, el departamento funcional aún no ha entregado una descripción escrita del proceso, a pesar de que el prototipo ya está en marcha. Tercera, el tema de la calidad de los datos se etiqueta como «problema heredado» y se externaliza, en lugar de reconocerlo como el deber central que es. Cuando dos de estas señales aparecen simultáneamente, la probabilidad de abandono en los próximos tres meses aumenta de forma significativa.
Preguntas frecuentes
¿Cuánto dura una fase de deberes realista en una empresa mediana?
Para una empresa de entre 50 y 250 empleados con una primera familia de casos de uso bien definida, calculamos entre cuatro y seis semanas para la fase de deberes antes de que el primer prototipo de agente entre en producción. Quien aborde un alcance más amplio (varios casos de uso en paralelo) debería contar de forma realista con diez a doce semanas.
¿Necesito un data lake o basta con el ERP?
Para el primer agente, en la mayoría de los escenarios de empresas medianas es suficiente con un ERP correctamente integrado más un número limitado de sistemas especializados conectados. Un data lake empieza a tener sentido a partir de tres o cuatro casos de uso en paralelo, o cuando los datos deben consolidarse desde más de cinco sistemas. Antes de ese punto, el data lake suele ser lo que retrasa el caso de uso seis meses.
¿Cómo gestiono el cumplimiento de la Ley de IA de la UE?
La mayoría de los agentes de empresas medianas se encuadran en la categoría de «riesgo limitado» o «mínimo», lo que implica obligaciones de transparencia y documentación interna, pero no una evaluación de conformidad exhaustiva. Lo importante es registrar por escrito la clasificación de cada caso de uso antes de ponerlo en producción y diseñar el registro de auditoría (deberes 4) de forma que cumpla con los requisitos.
¿Qué papel debe asumir la dirección general en un proyecto de agentes?
La dirección general decide tres cosas: el marco de casos de uso, los umbrales de escalado para el control humano en el bucle y la disposición inversora para la fase de deberes. Todo lo demás puede delegarse, pero estos tres puntos, no. Quien los delega acaba en un bloqueo al cambio porque el departamento especializado percibe las decisiones del agente como un dictado de TI.
¿Cómo sé que un deber está realmente completado?
Cada uno de los cinco deberes tiene un test de aceptación concreto. Higiene de datos maestros: las 20 entidades principales se procesan sin duplicados. Documentación de roles: el agente no puede hacer nada que el humano no pueda hacer. Transparencia de procesos: el departamento especializado describe el caso de uso con sus propias palabras y coincide con TI. Registro de auditoría: una consulta de prueba puede reconstruirse completamente pasadas 24 horas. Marco del caso de uso: las métricas están fijadas por escrito y aprobadas por la dirección general.
¿Cuánto cuesta la fase de deberes?
Para una empresa mediana típica con una primera familia de casos de uso, la fase de deberes se sitúa entre 25.000 y 60.000 euros. Es sensiblemente más barato que el coste de un proyecto de agente fracasado tras seis meses, que en los mandatos que hemos visto oscilaba entre 80.000 y 200.000 euros. El cálculo del ROI es, por tanto, conservador y frecuentemente inequívoco.
Red: Seguir leyendo en MyBusinessFuture
- Nuestro análisis sobre la tasa de fracaso del 80% en IA y las preguntas estructurales de fondo
- Contexto sobre la encuesta de Gartner acerca de la estrategia AI-First en muchas empresas
- Revisión del informe Deloitte State of AI 2026 y la brecha de ejecución en empresas medianas
Fuente imagen de portada: Pexels / Yan Krukau (px:7691673)