Dark data: el 60% de empresas admite tener datos sin usar

Qué son los dark data y por qué no son lo mismo que los datos no estructurados

El 60% de los responsables empresariales y tecnológicos encuestados en una investigación de Splunk citada por IBM consideraba que al menos la mitad de los datos de su organización eran oscuros. El dato, recogido por IEBS, no es una medición universal: es una percepción declarada por más de 1.300 directivos. Pero señala un problema real y muy concreto para cualquier founder: llevamos años mejorando la capacidad de capturar información mucho más rápido de lo que mejoramos la capacidad de entenderla.

Los dark data son la información que una empresa recopila y almacena, pero que no utiliza para analizar su actividad ni para tomar decisiones. Conversaciones con clientes, informes olvidados, registros de aplicaciones, correos, documentos acumulados durante años. Algunos contienen conocimiento valioso; otros son duplicados, están desactualizados o directamente no deberían seguir guardándose.

La confusión más habitual es tratarlos como sinónimo de dato no estructurado. No lo son. Un correo electrónico suele ser información no estructurada y un campo del CRM pertenece a una estructura definida, pero ambos se convierten en dark data si la organización los conserva sin aprovecharlos. Tampoco es una categoría tecnológica como el big data ni un formato de archivo: un dato puede estar perfectamente ordenado en una base de datos y seguir siendo invisible para quien debería usarlo.

La misma lógica aparece en la encuesta que Tim Tully, CTO de Splunk, comentó a TechTarget: los participantes en el estudio de True Global Intelligence situaban en un 55% la proporción de datos oscuros a nivel global, y Tully distinguía dos orígenes. Uno es el dato que nunca se recoge, los registros de servidores efímeros que se apagan antes de que nadie los lea. El otro es el dato que se recoge por cumplimiento o por tranquilidad y luego nadie consume.

¿Dónde se esconden los datos oscuros en una startup?

No están en una carpeta llamada datos ocultos. Están repartidos por las herramientas que la empresa usa cada día, y casi siempre en silos que no se hablan entre sí.

• CRM y ventas: notas comerciales, objeciones, oportunidades perdidas. Permiten entender por qué algunos clientes no compran.
• Atención al cliente: tickets, chats y reclamaciones. Revelan problemas recurrentes del producto.
• Marketing: campañas antiguas, respuestas, formularios. Muestran preguntas y necesidades desatendidas.
• Recursos humanos: proyectos, evaluaciones, experiencias. Dejan ver competencias que ya existen en el equipo.
• Operaciones: logs, sensores, incidencias. Contienen patrones asociados a fallos.
• Documentación interna: manuales, procedimientos, informes. Acumulan conocimiento que cuesta localizar.

El valor no aparece en una sola fuente. Aparece cuando se pueden comparar, y eso exige una finalidad legítima y un tratamiento adecuado de los datos.

¿Cómo se pasa de la intuición a una hipótesis comprobable?

IEBS propone seguir el caso de Nébula, una empresa ficticia que comercializa software de gestión para pequeñas empresas: 2.000 clientes, un equipo comercial de ocho personas y un soporte que atiende cientos de consultas al mes. La dirección detecta que una parte de los clientes cancela en los primeros meses. El cuadro de mando dice cuántos se van y cuánto ingreso se pierde, pero no dice por qué.

Ventas cree que es el precio. Producto sospecha que faltan funcionalidades. Soporte piensa que los clientes no saben configurar el sistema. Cada departamento tiene una explicación distinta y todos poseen una parte de la información. Cuando el equipo compara cuatro fuentes —motivos de pérdida del CRM, tickets de soporte, registros de uso de funcionalidades y respuestas a la encuesta de cancelación— aparece una hipótesis nueva: las dificultades de implantación pesan más de lo que nadie suponía.

El ejemplo es explícitamente hipotético y sus resultados no representan datos reales. Pero el aprendizaje del caso es trasladable: recuperar dark data no consiste en generar información nueva, sino en descubrir qué preguntas se pueden responder con la que ya existe. Y los datos, por sí solos, solo permiten formular una hipótesis mejor. Para afirmar que mejorar la implantación reduce las cancelaciones hay que probar una intervención y medir.

El método tiene cuatro pasos que se ejecutan antes de elegir cualquier herramienta:

1. Definir una pregunta concreta. Queremos aprovechar nuestros datos es una intención demasiado amplia. Qué incidencias se repiten entre los clientes que abandonan en los primeros tres meses delimita fuentes, periodo y responsables.
2. Inventariar las fuentes. Para cada una, registrar propietario, tipo de dato, fecha, permisos y limitaciones conocidas. El inventario ya tiene valor por sí mismo: evita que cada departamento vuelva a recopilar lo mismo.
3. Revisar la base legal. Tener acceso técnico a un archivo no habilita a usarlo para cualquier finalidad. Con datos personales, el RGPD exige licitud, limitación de finalidad, minimización, exactitud, conservación limitada y seguridad. Empezar con categorías agregadas y datos mínimos es una forma barata de reducir riesgo.
4. Normalizar y detectar huecos. Dos áreas pueden usar la palabra incidencia para referirse a cosas distintas, un cliente puede haber abierto cinco tickets del mismo problema y una nota comercial puede describir algo ya resuelto. Y si solo se analiza a quienes contactaron con soporte, se está ignorando a los que se fueron sin pedir ayuda.

¿Qué papel juega la inteligencia artificial y dónde está el riesgo?

La IA amplía lo que se puede hacer con datos oscuros, sobre todo cuando hay miles de documentos y el etiquetado manual es inviable. Un modelo de lenguaje puede proponer etiquetas, resumir incidencias o localizar patrones. Lo que no puede es decidir qué conclusiones son válidas.

La forma de controlarlo es medir su desempeño: seleccionar una muestra representativa, hacer que especialistas la clasifiquen y comparar esas etiquetas con las generadas por el modelo. Si el sistema confunde errores de configuración con fallos de producto, la clasificación necesita ajustes. El AI Risk Management Framework de NIST ofrece un marco voluntario para gobernar, identificar, medir y gestionar esos riesgos.

Conviene además no confundir dark data con big data ni con RAG. Un sistema de recuperación aumentada puede hacer accesible un archivo de manuales internos, pero no garantiza que el documento sea correcto, esté actualizado o deba mostrarse a cualquier empleado. Si la documentación contiene procedimientos antiguos, el asistente devolverá instrucciones que ya no deberían aplicarse.

Y hay un límite de expectativas que conviene conocer. Según la encuesta State of AI 2026 de McKinsey, con 1.719 encuestados en 97 países, solo el 37% podía atribuir algún impacto en resultados al uso de IA, y únicamente el 6% calificaba como significativo ese impacto. La consultora señala que cerca del 90% de los casos de uso funcionales siguen atascados en fase piloto. La conclusión práctica para un proyecto de datos es incómoda pero útil: la IA no arregla un dato mal definido, solo lo procesa más rápido.

¿Cuándo conviene eliminar en lugar de recuperar?

No todos los datos oscuros esconden oportunidades. Guardar todo indefinidamente aumenta costes, exposición al riesgo y dificultad para encontrar información fiable. La decisión sobre cada conjunto debería caer en una de cuatro categorías:

• Aprovechar: existe una finalidad legítima, calidad suficiente y una decisión que mejorar.
• Corregir: la información es potencialmente útil pero necesita limpieza, contexto o actualización.
• Restringir: hay información sensible o límites de acceso que exigen controles.
• Eliminar: la conservación ya no está justificada y no hay obligación legal o contractual que exija mantenerla.

En organizaciones que sí se autodenominan data driven, la brecha entre discurso y práctica es amplia. El informe Panorama digital 2024 de Cloud District, recogido por Emprendedores, encontró que el porcentaje de empresas que se consideraban data driven cayó del 93% al 49% en un año, y que apenas tres de cada diez ejecutaban acciones basadas en el análisis de datos.

Qué significa esto para tu startup

Empieza con una pregunta y tres fuentes, no con una plataforma. Elige un proceso concreto que te esté costando dinero —churn temprano, tickets repetidos, propuestas que no se cierran— y haz el inventario de las tres fuentes que contienen información sobre él. Para cada una, anota responsable, finalidad, calidad, permisos, hipótesis que merece comprobarse, coste de preparación y decisión (aprovechar, corregir, restringir o eliminar). Ese documento de una página ya tiene valor: te dice qué información existe y quién responde por ella.

Fija la línea base antes de tocar nada. Si vas a probar un acompañamiento de implantación con un grupo de clientes, define de antemano qué vas a medir —cuántos completan la configuración, qué incidencias aparecen, cuántos siguen activos después de un periodo— y con qué grupo lo vas a comparar. Sin línea base, cualquier mejora parecerá consecuencia de tu intervención aunque no lo sea.

Asigna dueño y fecha de caducidad a cada fuente. El dato oscuro se acumula porque nadie es responsable de retirarlo. Un nombre por repositorio y una política de conservación explícita resuelven más que cualquier herramienta de análisis.

No compres IA para el primer experimento. Un equipo humano puede revisar una muestra de tickets y clasificarla. Si esa muestra ya responde la pregunta, no necesitas un modelo. Si el volumen lo exige, entra la IA, pero con una muestra etiquetada por especialistas para validarla.

Conclusión

El caso de Nébula no termina con una herramienta nueva. Termina con un equipo que descubre que parte del conocimiento necesario para mejorar el negocio ya estaba dentro de la empresa, repartido entre departamentos, sin que nadie lo hubiera mirado en conjunto. Ese es el verdadero rendimiento de un proyecto de dark data: no acumular más información, sino convertir la que ya tienes en conocimiento fiable y ese conocimiento en una decisión que se puede comprobar.

La pregunta que deja abierta es la más incómoda y la más rentable: ¿cuál es esa decisión que llevas meses tomando por intuición y que tus propios datos ya podrían estar respondiendo?

Fuentes

• IEBS — Dark Data: qué son, ejemplos y cómo aprovecharlos
• TechTarget — Dark data raises challenges, opportunities for cybersecurity
• Campus Big Data — La verdad sobre el Big Data
• Emprendedores — Drástica reducción de las empresas que se consideran data driven
• Tech Times — Record AI Spending Can't Move Earnings Needle for 94% of Enterprises, McKinsey Finds