10 señales de que tus datos no están listos para IA

La forma más rápida de saber si tus datos están listos para inteligencia artificial no es una evaluación de seis semanas: son diez preguntas que puedes contestar esta tarde. Cada una tiene una prueba concreta, y si tres o más te salen mal, cualquier iniciativa de IA va a producir respuestas seguras y equivocadas.

Esto no es una lista de aspiraciones. Es lo que revisamos antes de recomendar cualquier proyecto de IA.

1. Dos áreas reportan cifras distintas para el mismo indicador

La prueba: pídele a dos áreas su número de clientes activos del mes pasado, por separado y sin avisarles por qué.

Si no coinciden, no tienes un problema de reportes: tienes múltiples definiciones de la misma métrica y ninguna es la oficial. Un modelo de IA sobre esos datos elegirá una interpretación sin decírtelo.

2. Cruzar dos sistemas requiere Excel

La prueba: pide el ingreso del último trimestre segmentado por tipo de cliente. Observa si alguien exporta dos archivos y los cruza a mano.

Si es así, tus datos no están integrados, están yuxtapuestos. Ningún agente va a poder responder preguntas que cruzan sistemas si la integración vive en la cabeza y el Excel de una persona.

3. Nadie puede decir de dónde viene un dato

La prueba: elige una cifra de tu tablero principal y pregunta qué sistema la origina y qué transformaciones sufrió en el camino.

Si nadie lo sabe con certeza, no puedes auditar una respuesta de IA. Y cuando el modelo dé una cifra rara, no tendrás forma de determinar si el modelo falló o el dato ya venía mal.

4. Los datos llegan con días de retraso y nadie sabe cuántos

La prueba: pregunta con qué frecuencia se actualiza cada fuente de tu tablero principal. Pide el dato, no la impresión.

La IA no advierte que está trabajando con información vieja. Responde con lo que tiene. Un agente que dice “las ventas de hoy van bien” con datos de anteayer es peor que no tener agente.

5. Los permisos viven en el tablero, no en los datos

La prueba: pregunta si un director regional que consulta directo la base de datos vería datos de otras regiones.

Si la respuesta es sí, tus permisos están en la capa de presentación. Un agente que consulta por debajo los rodea, y la fuga no produce ningún error visible.

6. Hay campos de texto libre donde debería haber categorías

La prueba: cuenta los valores distintos del campo “industria” o “motivo de contacto” en tu CRM.

Si hay 40 variantes de lo mismo —“Manufactura”, “manufactura”, “MANUF.”, “Industrial”— cualquier agregación es inexacta. La IA no las va a unificar por su cuenta de forma confiable, y si lo intenta, lo hará con criterios que nadie revisó.

7. Nadie responde por la calidad de un dato

La prueba: encuentra un dato que sepas que está mal. Pregunta quién lo va a corregir y para cuándo.

Si la respuesta es “depende” o “el área de datos”, va a seguir mal. Los datos se degradan solos; sin un responsable por dominio, la calidad baja de forma constante y silenciosa.

8. La documentación son las personas

La prueba: pregunta qué pasa si la persona que entiende el modelo de datos se va de vacaciones tres semanas.

Si la respuesta genera incomodidad, tu conocimiento del negocio no está en el sistema, está en la cabeza de alguien. Eso es exactamente el contexto que un modelo necesita y no tiene forma de inferir. Herramientas como Alation existen para esto, pero la decisión de documentar es previa.

9. Cada pregunta nueva es un proyecto

La prueba: cuánto tarda en responderse una pregunta que no está en un tablero existente.

Si la respuesta se mide en días o semanas, tu arquitectura no es consultable, es una colección de reportes prefabricados. La promesa de “pregúntale a tus datos” requiere que los datos sean interrogables, no solo presentables.

10. Ya hay tres herramientas de BI en uso simultáneo

La prueba: cuenta cuántas herramientas de visualización se usan hoy. Incluye Excel y Google Sheets.

Tres o más suele indicar que ninguna resolvió el problema de fondo y cada área buscó su salida. Comprar una cuarta no lo arregla: el problema está una capa más abajo, en las definiciones y en el acceso. Sobre eso escribimos en por qué tu empresa no aprovecha sus datos.

Cómo leer tu resultado

Señales presentes	Qué significa	Por dónde empezar
0–2	Listo para pilotos de IA con alcance definido	Elige un caso de uso valioso, no demostrable
3–5	El cimiento tiene huecos que la IA va a amplificar	Centraliza e integra primero
6 o más	Cualquier IA sobre esto va a producir respuestas confiadas y equivocadas	Proyecto de arquitectura antes de IA

Un matiz importante: no necesitas cero señales para empezar. Necesitas cero señales en el dominio específico del caso de uso que quieres atacar. Si vas a poner IA sobre cobranza, arregla los datos de cobranza; no hace falta arreglar toda la empresa primero.

Esa distinción es la que hace la diferencia entre un proyecto de dos años que nunca entrega y uno de tres meses que entrega y financia el siguiente.

El orden que recomendamos

1. Integrar — los datos del dominio elegido en un solo lugar consultable, con Fivetran hacia Snowflake.
2. Definir — una sola definición por métrica, en una capa semántica.
3. Gobernar — permisos en los datos y un responsable por dominio.
4. Después, IA — con el contexto ya modelado y auditable.

Es la secuencia de la AI-Ready Foundation, y el orden es lo que la hace funcionar. Saltarse los tres primeros pasos es lo que produce los pilotos que nunca llegan a producción.

¿Quieres una lectura externa de cuántas señales tienes? Agenda una llamada — el diagnóstico suele tomar una sesión.