La mala calidad de los datos representa un riesgo oculto para los proyectos de inteligencia artificial en las empresas
19 de noviembre de 2026 · 2 min de lectura
También publicado en हिन्दी
Las empresas están invirtiendo en plataformas de inteligencia artificial y de inteligencia de negocios, pero se enfrentan a análisis y decisiones frágiles debido a que sus datos están duplicados, fragmentados e incoherentes.
Según Gartner, la baja calidad de los datos cuesta a las organizaciones un promedio de 12,9 millones de dólares al año. El 67% de las organizaciones afirma que no confía plenamente en los datos utilizados para tomar decisiones, mientras que solo el 12% considera que sus datos poseen la accesibilidad y calidad suficientes para la inteligencia artificial.
Existe una tendencia recurrente de priorizar la adquisición de software y licencias antes de identificar la ubicación de los datos que alimentarán dichos sistemas. Los datos deben ser tratados como una infraestructura que requiere diseño, construcción y mantenimiento previo, y no como un subproducto de los sistemas informativos.
En el contexto de las pequeñas y medianas empresas, es común que los sistemas hayan crecido por capas sucesivas y urgencias, donde aplicaciones de diferentes épocas rara vez se comunican entre sí. A menudo, la información se encuentra dispersa en hojas de cálculo, bases de datos antiguas, archivos adjuntos de correo electrónico, carpetas compartidas o plataformas en la nube activadas por departamentos individuales sin el conocimiento del área de tecnología de la información.
La falta de limpieza en los datos genera ruido invisible, como clientes que aparecen varias veces con códigos distintos o formatos de fecha inconsistentes. Asimismo, la falta de normalización provoca que conceptos básicos, como la definición de cliente activo o de facturación, varíen entre oficinas, convirtiendo las reuniones en discusiones sobre la veracidad de las cifras en lugar de centrarse en la toma de decisiones.
La inteligencia artificial no puede solucionar estos problemas por sí misma. Un algoritmo entrenado con datos incorrectos no corrige los errores, sino que los aprende y los multiplica, entregando respuestas convincentes pero equivocadas.