La mayoría de las iniciativas de IA fracasan no porque los modelos sean incorrectos, sino porque los datos subyacentes nunca se prepararon para el trabajo.
PixeloneStocker / Getty Images
Uno de los mayores fabricantes de PC del mundo pasó siete años recopilando datos de telemetría de sus dispositivos. Cuando el equipo de Sachin Dharmapurikar en The Modern Data Company finalmente los examinó, descubrieron que dos de los 70 campos se habían registrado incorrectamente todo el tiempo. Nadie había revisado. Los datos simplemente estaban allí, acumulando volumen y costo pero no valor.
Esa anécdota captura un patrón que se desarrolla en toda la América corporativa. Las empresas pasaron la última década acumulando datos en la nube, apostando a que más información eventualmente generaría mejores decisiones. Luego llegó ChatGPT, y los ejecutivos asumieron que podían alimentar todos esos datos almacenados en un modelo de lenguaje grande y ver aparecer ideas. Dharmapurikar llama a esto la "maldición de ChatGPT."
Los resultados han sido malos. Según la Encuesta Global de IA 2025 de McKinsey AI Survey, que incluyó a unos 2,000 participantes en 105 países, el 88% de las organizaciones ahora usan IA en al menos una función empresarial, pero solo el 39% informa algún impacto a nivel de EBIT empresarial. Un estudio de RAND Corporation encontró que más del 80% de los proyectos de IA fracasan, aproximadamente el doble de la tasa de fracaso de los proyectos de TI que no involucran IA. La tecnología no suele ser el problema. Los datos lo son.
Dharmapurikar identifica cuatro requisitos previos que las empresas omiten rutinariamente: calidad de datos a escala, trazabilidad del linaje, gobernanza y metadatos semánticos. Cada uno es un punto de fallo distinto.
El primer requisito previo es el más obvio y el más descuidado. Gartner estima que la mala calidad de los datos cuesta a las organizaciones un promedio de $12.9 millones por año. Según una encuesta de Gartner de 2020, el 59% de las organizaciones ni siquiera mide la calidad de los datos.
La IA magnifica las consecuencias. Un informe defectuoso puede ser detectado y corregido por un analista humano. Un modelo defectuoso entrenado con los mismos datos producirá errores a la velocidad de la máquina, a escala, sin que nadie verifique los cálculos. Informatica's CDO Insights Una encuesta de 2025 a 600 líderes de datos encontró que el 43% citó la calidad, integridad y preparación de los datos entre los principales obstáculos que impiden que las iniciativas de IA generativa pasen de piloto a producción.
Los costos de los fallos en la calidad de los datos no son hipotéticos. En 2022, Unity Technologies sufrió una pérdida de ingresos de $110 millones en parte debido a que su plataforma de segmentación de anuncios ingirió datos corruptos de un cliente grande, comprometiendo los algoritmos de aprendizaje automático que impulsan su herramienta Audience Pinpointer y resultando en una afectación del 8% a las ganancias anuales. Los propios archivos de la SEC de Unity describieron el problema como "las consecuencias de ingerir datos incorrectos de un gran cliente" y señalaron que la compañía tuvo que redirigir recursos para abordar los desafíos de calidad de los datos.
La lección es directa: los modelos de IA son tan confiables como los datos que consumen. El volumen no es lo mismo que la calidad.
Cuando un modelo de IA produce una respuesta, una empresa necesita saber cómo llegó a esa respuesta. ¿Qué datos se ingresaron? ¿De dónde se originaron esos datos? ¿Qué transformaciones sufrieron? Sin esta cadena de custodia, no hay manera de depurar errores, satisfacer a los reguladores o generar confianza con las partes interesadas.
Este es el problema de la trazabilidad de linaje. Un estudio de Forrester encargado por Capital One $COF estudio de los tomadores de decisiones sobre datos descubrió que el 73% citó la transparencia, trazabilidad y explicabilidad de los flujos de datos como un desafío principal para los despliegues de aprendizaje automático.
Considere lo que sucedió con Zillow. El programa iBuying impulsado por IA de Zillow colapsó en 2021 cuando su algoritmo Zestimate sobrevaloró propiedades en mercados volátiles, resultando en más de $500 millones en amortizaciones y el cierre de toda la unidad de negocio. La empresa podría construir un modelo. No pudo rastrear si las entradas que alimentaban ese modelo aún reflejaban la realidad.
Sin linaje, no hay sistema de alerta temprana. Los errores se acumulan silenciosamente hasta convertirse en crisis financieras.
La gobernanza, en el marco de Dharmapurikar, no es un ejercicio de cumplimiento. Es el conjunto de reglas y controles que determinan a qué datos puede acceder un sistema de IA, cómo se clasifican esos datos y qué sucede cuando el modelo encuentra brechas.
Sin gobernanza, los modelos de IA llenan los vacíos con disparates que suenan plausibles. Una encuesta de Gartner a líderes de gestión de datos encontró que el 63% de las organizaciones carecen o no están seguras de tener las prácticas adecuadas de gestión de datos para la IA. Gartner predice que, hasta 2026, las organizaciones abandonarán el 60% de los proyectos de IA que carezcan de datos preparados para IA.
BCG's Informe de octubre de 2024, "¿Dónde está el valor de la IA?", encuestó a 1,000 ejecutivos senior en 59 países y encontró que el 74% de las empresas aún no han mostrado un valor tangible de la IA, con alrededor del 70% de los desafíos de implementación derivados de problemas relacionados con personas y procesos en lugar de tecnología. La gobernanza se sitúa en la intersección de las personas y el proceso. Requiere que alguien se encargue de la clasificación de datos, establezca políticas de acceso y haga cumplir los estándares en todos los departamentos. En la mayoría de las organizaciones, no existe esa propiedad.
Los equipos de ventas, los equipos de fabricación y los equipos web recopilan datos en sus propios silos, y transferir información entre departamentos requiere burocracia. La IA necesita datos de toda la organización. La realidad, como demuestra el trabajo de Dharmapurikar, son sistemas fragmentados que no se comunican entre sí.
El cuarto requisito previo es el menos intuitivo, pero puede ser el más consecuente. Los metadatos semánticos son la capa de contexto empresarial que le dice a un modelo de IA lo que realmente significa un campo de datos.
Una columna etiquetada como "customer_LTV" en un conjunto de datos minoristas significa algo diferente que la misma etiqueta en una base de datos de software empresarial. El valor de por vida de un consumidor que compra zapatillas para correr se mide en cientos de dólares a lo largo de varios años. El valor de por vida de un cliente de Fortune 500 con un contrato de software de varios años se mide en millones. Sin metadatos que capturen esta distinción, un modelo entrenado en ambos conjuntos de datos producirá promedios que no describen con precisión a ninguno de los clientes.
Este problema se extiende a términos básicos. Las definiciones de conceptos fundamentales como "cliente," "pedido" y "ingresos" difieren entre departamentos en la mayoría de las organizaciones. Los registros históricos contienen lagunas, inconsistencias y desajustes en el formato. "Ingresos" en un sistema puede significar pedidos reservados; en otro, enviados y facturados; en un tercero, ingresos reconocidos bajo las reglas ASC 606.
Dos tercios de los líderes de datos encuestados por Informatica revelaron que no han podido trasladar ni siquiera la mitad de sus pilotos de IA generativa a producción. La capa semántica es una razón importante. Los proyectos piloto funcionan con conjuntos de datos pequeños y seleccionados donde el contexto empresarial es comprendido por el equipo que realiza el experimento. Las implementaciones en producción se extraen de almacenes de datos a nivel empresarial donde no existe tal entendimiento compartido.
"La gente ahora es más calculadora, más racional y pragmática sobre estas cosas," Dharmapurikar le dijo a Quartz. "La realidad está asimilándose de manera significativa de que no hay una solución fácil."
Los datos respaldan su evaluación. Según la encuesta de 2025 de S&P Global $SPGI Market Intelligence a más de 1,000 empresas, el 42% de las compañías abandonaron la mayoría de sus iniciativas de IA, frente al 17% en 2024, y la organización promedio descartó el 46% de las pruebas de concepto de IA antes de que llegaran a producción.
Los cuatro requisitos previos que Dharmapurikar identifica no son una lista de deseos. Son un diagnóstico. Las empresas que omiten la calidad de los datos entrenarán modelos con ruido. Las empresas que omiten la procedencia no podrán explicar o depurar resultados. Las empresas que omiten la gobernanza verán modelos alucinar. Las empresas que omiten metadatos semánticos generarán conclusiones que suenan correctas pero no significan nada.
La investigación de BCG encontró que los líderes en IA asignan recursos siguiendo una regla 10-20-70: 10% a algoritmos, 20% a tecnología y datos, y 70% a personas y procesos. Las empresas que tienen éxito en IA no comienzan con el modelo. Comienzan con los datos subyacentes.
Únete a más de 500.000 lectores que comienzan su día con Quartz.
Al suscribirte, aceptas nuestros Términos de servicio y Política de privacidad.
