Datos y Analítica
¿Qué datos necesita una empresa para utilizar inteligencia artificial?
Respuesta directa
No se necesita "Big Data": se necesitan datos relevantes para el caso de uso específico, con calidad razonable, actualizados, con identificadores consistentes y suficiente historial para el problema que se quiere resolver. Muchos casos de uso pueden comenzar con volúmenes de datos relativamente pequeños si el problema está bien definido y la arquitectura es adecuada.
Uno de los mitos más costosos sobre inteligencia artificial es que hace falta "mucha información" antes de poder usarla. Esa creencia paraliza proyectos que podrían arrancar hoy con los datos que la empresa ya tiene, y en cambio empuja a inversiones en infraestructura de datos masiva que muchas veces no corresponde al problema que se quiere resolver. Este artículo explica qué tipos de datos importan realmente, qué significa "calidad" en términos prácticos y por qué el volumen necesario depende del caso de uso, no de una cifra universal.
Datos estructurados y no estructurados
Los datos estructurados viven en tablas con campos definidos: ventas, inventario, transacciones, registros de un CRM o ERP. Son los más fáciles de usar con IA porque ya tienen una forma consistente. Los datos no estructurados son texto libre, correos, documentos, imágenes, audio de llamadas o mensajes de WhatsApp: contienen información valiosa, pero requieren un paso previo de extracción o clasificación antes de poder analizarse de forma sistemática.
La mayoría de las empresas tiene más datos no estructurados de los que cree —correos de clientes, notas de vendedores, contratos— y suele subestimar su valor porque no está organizado en una tabla. Convertir ese material en datos utilizables es, muchas veces, el primer proyecto de IA con retorno más claro.
Relacionado: ¿Cómo conectar los datos de una empresa para utilizarlos con inteligencia artificial?
Por qué no hace falta "Big Data"
"Big Data" describe volúmenes masivos, típicamente de empresas globales con millones de transacciones diarias. La mayoría de las empresas mexicanas medianas no opera en esa escala, y no lo necesita para beneficiarse de la IA. Un modelo de segmentación de clientes puede funcionar razonablemente bien con algunos miles de registros bien capturados; un asistente que responde preguntas frecuentes puede entrenarse con un puñado de documentos bien organizados; una automatización que clasifica correos entrantes no requiere historial de años, requiere ejemplos representativos de las categorías actuales.
Lo que sí determina si un caso de uso es viable es si el problema está bien definido, si los datos disponibles son representativos de ese problema y si la arquitectura de la solución está diseñada para ese volumen, en lugar de copiar un enfoque pensado para escalas mucho mayores.
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.
Qué significa "calidad" en la práctica
Calidad no es un concepto abstracto: son criterios verificables que se pueden auditar en cualquier tabla o sistema antes de iniciar un proyecto de IA.
| Criterio | Pregunta que responde |
|---|---|
| Completitud | ¿Los campos clave están llenos, no vacíos ni con "N/A" genérico? |
| Consistencia | ¿El mismo dato se captura igual en todos los registros y sistemas? |
| Actualización | ¿La información refleja la realidad actual o quedó desactualizada? |
| Unicidad | ¿Existen duplicados que distorsionan conteos o segmentaciones? |
| Trazabilidad | ¿Se sabe de dónde vino el dato y quién lo capturó o modificó? |
Relacionado: ¿Qué calidad deben tener los datos para implementar inteligencia artificial?
Identificadores, historial y contexto
Un identificador consistente —el mismo campo usado de la misma forma en todos los sistemas— es lo que permite relacionar información de un cliente, producto o proceso a través del tiempo y entre plataformas. Sin eso, cualquier análisis histórico se vuelve poco confiable, sin importar cuántos registros existan.
El historial importa porque muchos casos de uso —predicción de demanda, detección de riesgo de cancelación— necesitan ver comportamiento a lo largo del tiempo, no solo una foto del presente. Y el contexto es la información que explica por qué ocurrió algo y que rara vez está en una tabla: una promoción, un cambio de precio, un evento de temporada. Documentar ese contexto junto con los datos —aunque sea en notas simples— mejora significativamente la interpretación posterior.
Relacionado: ¿Cómo conectar datos de diferentes sistemas de una empresa?
Checklist de mínimos por tipo de caso de uso
No todos los proyectos de IA requieren el mismo punto de partida. Esta lista ayuda a estimar si ya se tiene lo mínimo indispensable antes de invertir en un proyecto más grande.
Mínimos razonables por caso de uso
- Resúmenes y reportes automáticos: datos estructurados de al menos un periodo completo (mensual o trimestral).
- Segmentación de clientes: algunos miles de registros con campos consistentes (contacto, historial de compra, canal).
- Asistente que responde preguntas frecuentes: documentos internos organizados y actualizados, no necesariamente muchos.
- Clasificación de correos o documentos entrantes: ejemplos representativos de cada categoría actual, idealmente cientos por categoría.
- Predicción de demanda o riesgo: historial de al menos uno o dos ciclos completos del comportamiento que se quiere predecir.
Si el volumen actual es menor, es posible empezar con un piloto acotado y ampliar conforme se acumulan más datos.
Relacionado: ¿Qué es una arquitectura de datos y por qué la necesita una empresa?
Fuentes
Siguiente paso
¿Tienes los datos mínimos para tu primer caso de uso?
Un diagnóstico rápido identifica si ya puedes empezar o qué te falta preparar primero.
Ver servicios de inteligencia artificialPreguntas frecuentes
- ¿Cuántos registros necesito como mínimo para empezar con IA?
- No hay una cifra universal: depende del caso de uso. Un resumen automático puede funcionar con los datos de un solo periodo; un modelo de segmentación suele necesitar algunos miles de registros consistentes. Lo importante es que los datos sean representativos del problema, no que sean muchos.
- ¿Mis datos en hojas de cálculo sirven para usar IA?
- Sí, siempre que estén razonablemente estructurados y consistentes. Las hojas de cálculo son un punto de partida válido para muchos casos de uso, aunque conviene planear su migración a un sistema más robusto conforme crece el volumen.
- ¿Qué hago si mis datos están incompletos?
- Depende de qué tan crítico sea el campo faltante para el caso de uso. Si es un campo esencial, conviene completar o corregir esa información antes de avanzar; si es secundario, se puede empezar con un piloto acotado que no dependa de él.
- ¿Vale la pena esperar a tener "más datos" antes de empezar?
- En la mayoría de los casos, no. Empezar con un piloto acotado usando los datos disponibles permite descubrir huecos reales de calidad y ajustar la captura, algo que rara vez se identifica esperando pasivamente a acumular más volumen.