Datos y Analítica
¿Cómo preparar los datos de una empresa para inteligencia artificial?
Respuesta directa
Preparar datos para IA significa, en orden: inventariar dónde vive la información y quién es su dueño, definir permisos de acceso, limpiar errores y duplicados, normalizar formatos y catálogos comunes, etiquetar lo que requiera contexto humano y construir un conjunto mínimo viable para la primera prueba. No es un proyecto único: es una disciplina continua que empieza pequeña y se amplía por casos de uso.
Muchos proyectos de inteligencia artificial se retrasan no por falta de tecnología, sino porque nadie preparó los datos antes de empezar. La pregunta que resuelve este artículo no es qué datos hacen falta ni cómo conectarlos técnicamente a un sistema de IA, sino qué trabajo previo —de personas, procesos y reglas— convierte información dispersa y desordenada en un insumo confiable para entrenar, ajustar o alimentar un modelo.
Por qué preparar los datos es distinto a conectarlos
Conectar sistemas resuelve el transporte de información: sacarla de un ERP (sistema de planificación de recursos empresariales) o un CRM (sistema de gestión de relación con clientes) y llevarla a donde un modelo de IA pueda leerla. Preparar los datos resuelve algo anterior: decidir si esa información es correcta, completa y utilizable antes de moverla a ningún lado.
Un dato mal preparado que se conecta perfectamente sigue siendo un dato malo, solo que ahora llega más rápido a un modelo que puede amplificar el error en cada respuesta. Por eso la preparación es el paso que casi ninguna empresa quiere hacer, pero es el que más determina si el proyecto de IA funciona.
Relacionado: ¿Qué datos necesita una empresa para utilizar inteligencia artificial?
Paso 1: inventario de fuentes y dueños de los datos
El primer paso no es técnico: es un mapa de dónde vive cada dato relevante —CRM, ERP, hojas de cálculo, correo, sistemas de tickets— y quién tiene autoridad para decidir sobre él. Sin un dueño identificado, nadie puede aprobar el uso del dato ni responder cuando aparece un error.
Un flujo simple de inventario se representa así: Fuente identificada → Dueño asignado → Nivel de sensibilidad definido → Uso permitido documentado. Cada eslabón faltante es un riesgo que aparecerá más tarde, normalmente en la etapa más costosa de corregir.
Inventario mínimo antes de cualquier proyecto de IA
- Lista de sistemas que contienen datos relevantes para el caso de uso
- Dueño de negocio asignado a cada fuente
- Clasificación de sensibilidad (público, interno, confidencial, personal)
- Volumen aproximado y frecuencia de actualización
- Formato de origen (base de datos, archivo plano, API, documento)
Relacionado: ¿Cómo conectar los datos de una empresa para utilizarlos con inteligencia artificial?
Si necesitas indicadores confiables para dirigir el negocio, conoce nuestro servicio de medición y analítica de negocio.
Paso 2: permisos, gobierno y trazabilidad
Antes de limpiar un solo registro conviene definir quién puede leer, modificar y exportar los datos, y dejar constancia de esas reglas. Esto evita que la preparación termine mezclando datos que legalmente no deberían combinarse, como información de clientes con distintos niveles de consentimiento.
La trazabilidad —o linaje de datos— es el registro de dónde vino cada dato, quién lo transformó y cuándo. No es un lujo de auditoría: es lo que permite explicar por qué un modelo dio una respuesta y corregir el origen del problema, no solo el síntoma.
Relacionado: ¿Qué calidad deben tener los datos para implementar inteligencia artificial?
Paso 3: limpieza y normalización de la información
Limpiar significa corregir o eliminar registros duplicados, incompletos o contradictorios: dos clientes con el mismo nombre pero distinto correo, fechas en formatos diferentes, campos vacíos que deberían tener un valor por defecto. Normalizar significa llevar todos esos datos a un mismo catálogo y formato: una sola lista de estados, un solo formato de fecha, una sola forma de escribir el nombre de un producto.
Este paso rara vez se automatiza por completo en el primer intento. Conviene tratarlo como un ciclo: limpiar, medir cuánto mejoró, y volver a limpiar los casos que persisten, en lugar de esperar una limpieza perfecta antes de avanzar.
| Problema | Ejemplo | Corrección típica |
|---|---|---|
| Duplicados | El mismo cliente registrado dos veces con variaciones de nombre | Reglas de coincidencia (matching) y fusión de registros |
| Formatos inconsistentes | Fechas en DD/MM/AAAA y MM-DD-AA en la misma tabla | Estandarización a un formato único |
| Campos vacíos | Registros sin categoría de producto asignada | Reglas de valor por defecto o marcado explícito como desconocido |
| Catálogos divergentes | "CDMX", "Ciudad de México" y "DF" como valores distintos | Tabla maestra de valores válidos (diccionario de datos) |
Relacionado: ¿Cómo conectar datos de diferentes sistemas de una empresa?
Paso 4: etiquetado y conjunto mínimo viable
Algunos casos de uso de IA requieren etiquetado: marcar ejemplos con la respuesta correcta para que un modelo aprenda el patrón, por ejemplo clasificar correos como "queja", "consulta" o "venta". Ese trabajo suele necesitar criterio humano de negocio, no solo capacidad técnica, y conviene documentarlo con reglas claras para que distintas personas etiqueten de forma consistente.
En lugar de esperar a tener todos los datos perfectos, conviene definir un conjunto mínimo viable: el volumen y la calidad de datos suficientes para una primera prueba controlada. Esa prueba revela qué tan lejos está el resto de los datos del estándar necesario, con evidencia real en lugar de suposiciones.
Cómo construir el conjunto mínimo viable
Acotar el caso de uso
Elegir un proceso concreto y limitado, no todo el negocio a la vez.
Seleccionar la fuente más confiable
Usar el sistema con mejor calidad conocida como punto de partida.
Limpiar solo lo necesario
Aplicar la limpieza mínima suficiente para el caso, no una limpieza total.
Probar y medir
Ejecutar la prueba y registrar en qué falla por causa del dato, no del modelo.
Ampliar por iteración
Incorporar más fuentes y volumen solo cuando la primera prueba es estable.
Relacionado: ¿Qué es una arquitectura de datos y por qué la necesita una empresa?
Errores frecuentes al preparar datos para IA
El error más costoso es tratar la preparación como un evento único antes del lanzamiento, en lugar de una disciplina continua. Los datos siguen entrando al negocio todos los días, y sin reglas permanentes de calidad, el desorden regresa en semanas.
Otro error común es delegar toda la preparación al equipo técnico sin involucrar a quienes conocen el negocio. Decidir qué es un dato "correcto" —qué cliente cuenta como activo, qué producto pertenece a qué categoría— es una decisión de negocio, no solo técnica.
Preguntas frecuentes
- ¿Cuánto tiempo toma preparar los datos para un proyecto de IA?
- Depende del desorden inicial y del alcance del caso de uso. Un conjunto mínimo viable acotado puede prepararse en semanas; preparar datos a nivel de toda la empresa es un trabajo de meses que conviene avanzar por fases, no de una sola vez.
- ¿Se necesita un equipo técnico grande para preparar los datos?
- No necesariamente. Se necesita al menos una persona con criterio técnico y una con criterio de negocio trabajando juntas; el volumen del equipo depende del tamaño y desorden de las fuentes, no de un mínimo fijo.
- ¿Preparar los datos es lo mismo que migrarlos a otro sistema?
- No. Preparar los datos es mejorar su calidad y orden donde sea que estén; migrarlos es moverlos de un sistema a otro. Muchas veces conviene preparar antes de migrar, para no trasladar el mismo desorden a la nueva plataforma.
- ¿Qué pasa si empezamos un proyecto de IA sin preparar los datos?
- El proyecto puede avanzar, pero los resultados heredarán los errores, duplicados e inconsistencias existentes, lo que suele traducirse en respuestas poco confiables y en retrabajo posterior más costoso que haber preparado los datos desde el inicio.