Datos y Analítica
¿Qué calidad deben tener los datos para implementar inteligencia artificial?
Respuesta directa
Los datos para IA deben cumplir siete dimensiones de calidad: exactitud, completitud, consistencia, actualidad, unicidad, accesibilidad y trazabilidad. No existe un umbral universal de "suficientemente bueno"; el nivel exigible depende del caso de uso, y se decide midiendo cada dimensión con indicadores concretos antes de avanzar, no por percepción.
"Nuestros datos son buenos" es una afirmación que casi nunca se sostiene con evidencia. La calidad de datos no es una opinión ni un sentimiento de confianza del equipo: es un conjunto de dimensiones medibles que determinan si una inteligencia artificial —un sistema capaz de aprender patrones o generar respuestas a partir de información— puede apoyarse en esos datos con un nivel de riesgo aceptable. Este artículo define cada dimensión, cómo medirla y qué umbrales orientan la decisión de avanzar o corregir primero.
Por qué la calidad de datos se mide y no se supone
Un modelo de IA no distingue entre un patrón real y un patrón producido por errores en los datos; simplemente aprende lo que ve. Si los datos de entrenamiento o de consulta tienen sesgos, huecos o inconsistencias, el modelo los reproducirá con la misma confianza que si fueran correctos.
Por eso medir la calidad antes de un proyecto no es un paso burocrático: es lo que permite decidir con evidencia si conviene avanzar, corregir primero una dimensión específica, o reducir el alcance del caso de uso mientras se resuelve el problema de fondo.
Relacionado: ¿Cómo conectar los datos de una empresa para utilizarlos con inteligencia artificial?
Las siete dimensiones de calidad de datos
Estas dimensiones son un marco de referencia usado ampliamente en gestión de datos empresarial, no una invención de un proveedor de IA. Cada una responde una pregunta distinta sobre el mismo conjunto de datos, y un dato puede ser excelente en una dimensión y deficiente en otra.
La tabla siguiente resume cada dimensión, el síntoma típico de su ausencia y una forma habitual de medirla en la práctica.
| Dimensión | Definición | Síntoma cuando falla | Cómo se mide |
|---|---|---|---|
| Exactitud | El dato refleja la realidad que representa | Direcciones, precios o cantidades incorrectas | Muestreo y verificación contra la fuente original |
| Completitud | Los campos necesarios están presentes | Registros con campos clave vacíos | Porcentaje de campos obligatorios sin valor |
| Consistencia | El mismo dato se representa igual en todos los sistemas | Un cliente activo en un sistema y de baja en otro | Comparación cruzada entre fuentes para el mismo identificador |
| Actualidad | El dato refleja el estado más reciente disponible | Decisiones basadas en información de meses atrás | Antigüedad promedio del dato frente al momento de uso |
| Unicidad | Cada entidad existe una sola vez en el conjunto | Clientes o productos duplicados con variaciones | Porcentaje de registros identificados como duplicados |
| Accesibilidad | Quien lo necesita puede obtenerlo con los permisos adecuados | Datos que existen pero nadie puede consultar a tiempo | Tiempo promedio para obtener el dato con permiso vigente |
| Trazabilidad | Se puede reconstruir el origen y las transformaciones del dato | Nadie sabe explicar de dónde salió una cifra | Existencia de un registro de linaje (origen, transformación, destino) |
Relacionado: ¿Cómo preparar los datos de una empresa para inteligencia artificial?
Si necesitas indicadores confiables para dirigir el negocio, conoce nuestro servicio de medición y analítica de negocio.
Cómo decidir umbrales según el caso de uso
No existe un porcentaje universal de calidad que aplique a cualquier proyecto. Un sistema de recomendaciones de contenido tolera más ruido que un modelo que decide límites de crédito o prioriza atención médica; el umbral exigible sube con el impacto de una decisión equivocada.
Un enfoque práctico es fijar, antes de empezar, el nivel mínimo aceptable por dimensión para ese caso de uso específico —por ejemplo, completitud mínima del 95% en los campos que alimentan la decisión— y tratar cualquier valor por debajo como una condición de alto (bloqueo) o de riesgo aceptado y documentado.
- Casos de bajo impacto (recomendaciones, borradores internos): umbrales más flexibles, con revisión humana como respaldo.
- Casos de impacto medio (priorización comercial, reportes ejecutivos): umbrales exigentes en exactitud y actualidad.
- Casos de alto impacto (decisiones financieras, de salud o legales): umbrales estrictos en todas las dimensiones y trazabilidad obligatoria.
Con datos confiables es posible optimizar el ecosistema digital con datos.
Relacionado: ¿Cómo conectar datos de diferentes sistemas de una empresa?
Quién debe medir la calidad y con qué frecuencia
Medir calidad de datos no debería recaer solo en el equipo de tecnología. Cada dimensión combina criterio técnico (cómo detectarla) y criterio de negocio (qué tan grave es el problema para la operación); por eso conviene que dueños de proceso y equipo de datos revisen juntos los indicadores.
La medición tampoco es un evento único: conviene establecer una revisión periódica —mensual o trimestral, según la criticidad del dato— con indicadores fijos, para detectar deterioro antes de que afecte una decisión importante.
- Linaje de datos (data lineage)
- Registro documentado del recorrido de un dato: de dónde vino, qué transformaciones sufrió y a qué sistemas llegó. Es la base técnica de la dimensión de trazabilidad.
Relacionado: ¿Qué es una arquitectura de datos y por qué la necesita una empresa?
Cómo se integra la calidad de datos a un proyecto de IA
La calidad de datos no se resuelve una sola vez antes del proyecto: conviene integrarla como una etapa recurrente dentro del ciclo de vida del proyecto de IA, con revisiones antes de cada expansión de alcance o de fuente de datos.
En Inovática Digital abordamos esta medición dentro de Connected Intelligence™, nuestra metodología propia (diagnosticar → diseñar → integrar → medir → optimizar); no sustituye estándares de la industria, es simplemente la forma en que ordenamos el trabajo con cada cliente.
Fuentes y referencias
Relacionado: ¿Data warehouse, data lake o lakehouse: cuál necesita una empresa?
Preguntas frecuentes
- ¿Qué porcentaje de calidad de datos es suficiente para IA?
- No hay un porcentaje universal. El umbral depende del impacto de la decisión que apoya el modelo: casos de bajo riesgo toleran más imperfección, mientras que decisiones financieras, de salud o legales requieren umbrales mucho más estrictos en cada dimensión.
- ¿Se puede empezar un proyecto de IA con datos de calidad media?
- Sí, siempre que el caso de uso sea de bajo o medio impacto y se documenten los riesgos aceptados. Para decisiones de alto impacto conviene elevar la calidad antes de avanzar, no después de detectar fallas.
- ¿La calidad de datos se mide una sola vez?
- No debería. La calidad de datos se deteriora con el tiempo si no hay mantenimiento; conviene establecer una medición periódica con indicadores fijos por dimensión, sobre todo antes de ampliar un proyecto de IA a nuevas fuentes o casos de uso.
- ¿Quién debe ser responsable de la calidad de los datos en la empresa?
- Idealmente una responsabilidad compartida entre el dueño del proceso de negocio, que conoce el significado y la criticidad del dato, y el equipo técnico, que conoce cómo medirlo y corregirlo a escala.