Calidad de datos: solo el 6% de empresas está listo para IA

¿Cuántas empresas españolas usan IA y cuántas tienen los datos listos?

El 33,6% de las empresas españolas de 10 o más empleados utilizó inteligencia artificial durante el primer trimestre de 2026, según la encuesta sobre uso de TIC y comercio electrónico del INE, publicada el 22 de octubre de 2026. En el sector servicios la cifra sube al 38,2% y entre las compañías de menos de 10 trabajadores se queda en el 21,4%.

El mismo informe sitúa en el 29% las empresas españolas de 10 o más trabajadores que vendieron por internet en 2025, con un volumen de negocio de 419.706 millones de euros.

Usar IA, sin embargo, no equivale a usarla bien. Solo el 6% de las organizaciones considera que sus datos están completamente preparados para escalar su uso, según la AI Momentum Survey de Dun & Bradstreet, publicada en julio de 2026 con una encuesta a 10.000 empresas de 32 países. El 47% los ve parcialmente preparados y el 36%, mayormente listos.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

El dato se mueve lento. En su actualización del cuarto trimestre de 2026, difundida el 28 de octubre, Dun & Bradstreet reporta que el 65% de las empresas planea aumentar su gasto en IA en los próximos doce meses, mientras solo el 28% declara retornos amplios o fuertes. Entre las que tienen datos completamente listos, el 81% obtiene ese nivel de retorno; entre las que los tienen parcialmente listos, apenas el 12%. La brecha también se ve por regiones: en India solo el 3% de las empresas se declara con datos totalmente preparados, frente al 8% global, según la misma encuesta recogida por Fortune India.

Esa distancia entre adopción y preparación es el verdadero cuello de botella. Y no es un problema de tecnología: es un problema de datos.

¿Por qué un LLM puede responder con seguridad algo falso?

Los grandes modelos de lenguaje (LLM) generan texto a partir de patrones estadísticos aprendidos durante su entrenamiento y de la información que reciben en cada consulta. Construyen la continuación más probable, no la más verdadera: no verifican automáticamente que cada afirmación se sostenga.

De ahí salen las conocidas alucinaciones de la IA. Una respuesta bien redactada puede estar desactualizada, fuera de contexto o directamente equivocada, y el tono seguro del modelo hace más difícil detectarlo.

Para un founder esto cambia la pregunta. Ya no es si conviene adoptar IA, sino con qué información la vas a alimentar.

¿Qué atributos debe cumplir un dato para ser útil en IA?

La Agencia Española de Protección de Datos (AEPD) aborda la cuestión en su nota técnica sobre calidad de datos en tratamientos con IA, publicada en julio de 2026. A partir de los atributos de la norma ISO 25012, identifica cuatro ejes relevantes para la empresa:

Exactitud. El dato debe reflejar correctamente la realidad de la empresa a la que se refiere.
Completitud. Debe incluir todo lo necesario para la decisión: en un análisis de riesgo, la información financiera completa.
Actualidad. Administradores, domicilio social, estructura societaria y comportamiento de pagos cambian; un dato viejo es, en la práctica, un dato falso.
Adecuación a la finalidad. El nivel de detalle y la frecuencia de actualización deben ajustarse al uso previsto, sea comercial, financiero o de gestión de proveedores.

La calidad no es un concepto absoluto: un mismo conjunto de datos puede ser suficiente para un análisis comercial y resultar inadecuado para evaluar el riesgo financiero de una compañía.

Estructura y trazabilidad: el contexto que la IA no puede adivinar

Tener datos correctos es imprescindible, pero no suficiente. La IA también necesita saber a qué compañía corresponde cada registro, qué relación mantiene con otras organizaciones y de dónde salió cada dato.

Piensa en una empresa duplicada en dos bases, en una filial confundida con su matriz o en dos áreas que definen distinto qué consideran un cliente. La IA puede combinar información individualmente correcta y, aun así, llegar a una conclusión equivocada.

La trazabilidad resuelve la otra mitad del problema: conocer el origen del dato, cuándo se obtuvo, qué modificaciones tuvo y con qué criterios se incorporó. En el caso de datos personales, la AEPD insiste en documentar la procedencia, las transformaciones realizadas y los criterios de selección o exclusión.

Esto también aplica a las arquitecturas de recuperación aumentada (RAG), donde el modelo consulta fuentes externas antes de responder. La técnica mejora la actualidad de las respuestas, pero hereda la calidad de esas fuentes, para bien o para mal.

¿Qué riesgos genera una IA alimentada con datos deficientes?

El riesgo central es que los errores no se ven. La IA construye explicaciones coherentes sobre datos equivocados, y eso hace que sus conclusiones se acepten sin cuestionarlas. En el día a día entre empresas se manifiesta así:

Confundir compañías con denominaciones similares o pertenecientes a un mismo grupo.
Realizar análisis financieros con información desactualizada.
Recomendar proveedores ignorando cambios recientes en su situación o sus datos identificativos.
Duplicar registros o contabilizar como clientes independientes a empresas de un mismo grupo.
Fundamentar recomendaciones en fuentes que nadie puede verificar.

El ejemplo clásico: un asistente consulta la situación de un proveedor, recupera datos de otra sociedad del grupo y devuelve un informe impecable sobre la empresa equivocada. Añadir más información no arregla nada; hay que garantizar identificación correcta, vigencia y origen comprobable.

Y aun así, ningún dataset vuelve infalible a un LLM. Las alucinaciones pueden producirse incluso cuando el modelo trabaja con fuentes fiables, por lo que la verificación y la supervisión humana siguen siendo obligatorias en las decisiones de mayor impacto.

¿Cómo preparar los datos de tu empresa para IA?

El punto de partida no es la herramienta, sino la pregunta de negocio. Estas son las prácticas del enfoque que describe INFORMA D&B, filial de Cesce según su propia web, que agrupa su propuesta de datos preparados para IA, trazabilidad y acompañamiento experto bajo la iniciativa ConfIA, con acceso a información de más de 650 millones de empresas y 375 millones de datos actualizados a diario:

Definir los objetivos de uso. Qué consultas debe resolver la IA y qué decisiones va a apoyar.
Seleccionar fuentes fiables y fijar criterios para resolver discrepancias entre ellas.
Identificar correctamente a las empresas, evitando duplicidades y reconociendo matrices, filiales y sociedades vinculadas.
Garantizar la trazabilidad: origen, fecha y transformaciones de cada dato utilizado.
Proporcionar información relevante y actualizada, sin ruido ni datos desfasados.
Evaluar los resultados con consultas reales del negocio y casos diseñados para detectar fallos.
Mantener mecanismos de supervisión humana en las decisiones de mayor impacto.

Qué significa esto para tu startup

La adopción va por delante de la preparación, y ahí hay una oportunidad concreta. Según el estudio La inteligencia artificial en la empresa española 2026 de la agencia latevaIA, elaborado con datos del INE y recogido por Metrópoli Abierta (El Español), el 57,6% de las empresas españolas de 10 o más empleados ni usa IA ni se lo ha planteado, y el 86,7% de las que no la usan nunca lo consideró. El uso escala con el tamaño: del 29,1% en compañías de 10 a 49 empleados al 74,4% en las de 250 o más. Por sector, informática y telecomunicaciones llega al 78,9% frente al 18,5% de la metalurgia.

Traducción para un equipo pequeño: la ventaja no está en tener el modelo más potente, sino en tener los datos más ordenados. Y eso se puede construir con pocos recursos.

Dos acciones para esta semana:

Elige un caso de uso y documenta su fuente de verdad. Antes de conectar cualquier asistente, define qué decisión va a apoyar y de qué sistema sale el dato. Si no puedes nombrar la fuente y la fecha de cada campo crítico, ese caso de uso todavía no está listo.
Corre una prueba de identidad de entidades. Toma 50 registros de clientes o proveedores y busca duplicados, filiales contadas como independientes y campos sin actualizar en los últimos 12 meses. Es el test más barato para medir si tus datos aguantan una consulta de IA.

Y una tercera, si ya tienes IA en producción: monta un set de preguntas trampa con respuestas conocidas y revísalo cada trimestre. La supervisión no es burocracia; es la diferencia entre un piloto que se queda en demo y un resultado que llega al P&L.

Conclusión

El 33,6% de las empresas españolas de 10 o más empleados ya usa IA, pero solo el 6% cree que sus datos están listos para escalar. Esa asimetría explica por qué tantos pilotos no pasan de la fase de prueba. La IA no arregla datos malos: los amplifica, y lo hace con una prosa convincente que dificulta detectar el error.

Para un founder, la prioridad es incómoda pero clara: antes de comprar otra licencia, ordena la identidad de tus entidades, la vigencia de tus datos y el origen de cada afirmación. La calidad, la verificabilidad y la fiabilidad de la información son hoy factores diferenciadores, como señala Isaac Martín Barbero, CEO de INFORMA. La IA puede multiplicar el valor de una buena información, pero también amplifica los errores de unos datos deficientes.