Datos deficientes frenan el potencial de la IA en las empresas

Por qué los datos deficientes se convirtieron en el cuello de botella de la IA

El 76 % de las empresas costarricenses ya usa IA generativa o agentes digitales para apoyar sus operaciones, pero apenas el 9 % cuenta con políticas formales para gobernarlas. Esa brecha entre adopción y control —revelada por el estudio Caracterización del Sector TIC Costa Rica 2025 de PROCOMER, con una muestra de 86 empresas— describe un patrón que se repite en toda Latinoamérica y Europa: las organizaciones corren más rápido construyendo pilotos de inteligencia artificial que resolviendo los cimientos sobre los que esos pilotos se sostienen.

El dato importa porque cambia la conversación. Durante tres ejercicios fiscales la atención se concentró en modelos, GPUs y benchmarks; hoy el verdadero freno está del lado de los datos. Un relevamiento de IDC encargado por Everpure y publicado en junio de 2026 encontró que el 94 % de los líderes de TI cita la calidad de los datos como el factor principal del éxito o el fracaso de un proyecto de IA, según reportó Forbes en julio de 2026.

La advertencia cobra aún más fuerza cuando la IA deja de analizar y empieza a ejecutar.

El problema no es la velocidad, es el contexto

Una herramienta puede procesar miles de registros por segundo, pero esa capacidad pierde valor cuando opera con información incorrecta o con conceptos que significan cosas distintas dentro de una misma compañía. El ejemplo que pone el artículo original —el término ventas, que en una organización puede significar pedidos recibidos, productos entregados, facturas emitidas, ingresos reconocidos o pagos cobrados— es la mejor radiografía del problema: cada área habla un idioma distinto y la IA recibe todos como si fueran sinónimos.

Cristóbal Vergara, director de la región Andina, Centroamérica y Caribe de SAP, lo resume con una frase que debería pegar en las oficinas de los CTO: "La inteligencia artificial empresarial no puede operar de manera confiable con datos sin contexto". Antes de permitir que un agente recomiende o ejecute una acción, las empresas deben asegurarse de que comprenda el significado y las relaciones de los datos, así como las reglas que debe respetar.

Y el problema se multiplica cuando los registros están fragmentados. Un mismo cliente puede aparecer con tres nombres distintos en Ventas, Finanzas y Atención al Cliente; una dirección puede estar actualizada en una app y desactualizada en otra. Para un agente de IA, cada inconsistencia es una oportunidad para emitir una previsión equivocada, elegir al proveedor incorrecto o ejecutar una acción sobre el cliente equivocado.

De los informes a los agentes: la gobernanza se vuelve crítica

Cuando la IA se limita a producir un reporte, un humano puede detectar el error antes de decidir. Cuando un agente ejecuta procesos —modifica un registro, inicia una comunicación, activa un flujo— el margen de corrección desaparece. Esa es la diferencia que separa una IA de analítica de una IA agéntica, y es donde la gobernanza deja de ser opcional.

En esa transición, las empresas descubren inconsistencias que durante años convivieron sin causar daño visible: duplicados en proveedores, direcciones desactualizadas, clientes con identidades múltiples. El agente las amplifica. Un reporte mal escrito se descarta; un agente que dispara un correo al cliente equivocado ya escribió a la base de datos, ya movió dinero en una variable contable, ya notificó a un regulador.

La consecuencia operativa es directa: una estrategia empresarial de IA debe contemplar la calidad de la información, definiciones compartidas, permisos, gobernanza y mecanismos para auditar cómo se generan las decisiones. No alcanza con comprar la licencia.

¿Qué significa esto para tu startup?

El mensaje para founders y CTOs es incómodo pero liberador: no necesitás otro modelo más caro, necesitás datos limpios y reglas explícitas. La presión competitiva por anunciar "usamos IA" está dejando paso a una pregunta más rentable —¿podemos explicar qué hizo nuestro agente y por qué?— y eso no se resuelve con un prompt.

Acciones concretas que podés implementar esta semana:

• Mapeá las definiciones de tus 5 KPIs principales antes de tocar un modelo. Si ventas, cliente activo o MRR significan cosas distintas en Comercial, Finanzas y Producto, cualquier agente va a fallar. Documentá una sola definición compartida y hacé que todos los dashboards la usen.
• Auditoría express de duplicados. Sacá un reporte de clientes y proveedores con al menos tres campos clave (nombre fiscal, email, CUIT/RFC/NIT, país). Donde encuentres más del 5 % de duplicados, tenés un problema urgente que ningún modelo va a arreglar.
• Trazabilidad por defecto. Cualquier salida de un agente que afecte dinero, datos de clientes o cumplimiento regulatorio debe registrar: qué datos consultó, con qué reglas, y qué acción tomó. Si no podés responder esas tres preguntas en 30 segundos, no estás listo para producción.
• Políticas escritas antes del piloto, no después. El 91 % de las empresas del estudio costarricense no las tiene. Escribir tres páginas con quién puede consultar qué dato, qué puede modificar un agente y cómo se auditan las decisiones tarda una tarde y te ahorra un incidente.

La nueva pregunta estratégica

La pregunta ya no es "¿qué modelo usamos?" sino "¿qué datos le podemos confiar a un modelo?". IDC estima que el mercado mundial de almacenamiento externo empresarial movió US$9.200 millones en el primer trimestre de 2026, un 22,7 % más interanual, y Forrester, Everpure, Dell y NetApp están reposicionando sus plataformas alrededor de la idea de "datos listos para IA" —datos descubiertos, clasificados, gobernados y entregables a modelos en minutos, no en meses.

Para una startup, eso tiene una lectura práctica: el cuello de botella dejó de ser el cómputo y pasó a ser el significado. El fundador que invierta las próximas semanas en limpiar, definir y gobernar sus datos va a obtener más de cualquier agente que compre el próximo trimestre que el que invierta a la inversa.

Fuentes

• Datos deficientes frenan el potencial de la IA en las empresas - El Día (fuente original)
• Enterprise Storage Is Rebuilding Itself Around AI-Ready Data - Forbes