IA y Big Data: el 90% de los datos no está estructurado

La distinción que plantea la clase de IEBS: tener datos no es lo mismo que saber usarlos

El punto de partida de la clase del archivo de IEBS —una Talent Master Class grabada en septiembre de 2020— es una pregunta simple y todavía incómoda para la mayoría de las empresas: una compañía puede acumular años de pedidos, búsquedas y devoluciones, pero qué tendría que aprender un sistema de ese historial para anticipar la demanda de la semana que viene.

Esa brecha entre disponer de datos y usarlos para predecir es el eje del contenido. La respuesta que da IEBS es directa: el Big Data aporta el volumen masivo que necesitan los algoritmos de inteligencia artificial para entrenarse, y sin esa base los modelos tienen límites serios para aprender y mejorar.

El resto del material se organiza en cinco preguntas: el papel del Big Data en el desarrollo de la IA, las aplicaciones empresariales, los desafíos de integración, los beneficios para la toma de decisiones y la contribución al desarrollo sostenible. Vale la pena recorrerlas porque varias siguen abiertas años después de la grabación.

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 →

¿Qué papel juega el Big Data en el desarrollo de la inteligencia artificial?

Según la clase, el Big Data proporciona el volumen masivo de datos que permite a los modelos detectar patrones y hacer predicciones precisas. Sin esa materia prima, la IA se queda sin capacidad de aprendizaje.

Los números del mercado respaldan esa dependencia. Statista estimó que en 2024 se generaron 2,5 quintillones de bytes por día y que el volumen total de datos alcanzaría los 147 zettabytes ese año, según recoge El Español. El mismo medio señala que Fortune Business Insights valoró el mercado de big data en unos 316.871 millones de euros en 2024 y proyectó 841.195 millones para 2032.

El problema no es el volumen, es la forma. El 90% de los datos globales no está estructurado y crece tres veces más rápido que el estructurado, de acuerdo con Statista vía El Español. Ahí está el cuello de botella real para cualquier equipo que quiera entrenar un modelo propio.

¿Cómo se aplican IA y Big Data en el sector empresarial?

La clase menciona tres usos concretos: analizar datos de clientes para personalizar ofertas, predecir tendencias de mercado y automatizar tareas rutinarias. Nada exótico, pero es exactamente donde se juega el retorno.

El gasto empresarial confirma que esa agenda dejó de ser experimental. El informe 2026: The State of Enterprise AI de Menlo Ventures, difundido por Business Insider, calculó que el gasto empresarial en IA llegó a 176.800 millones de dólares en 2026, 5,4 veces más que los 33.000 millones del año anterior. El mismo informe encontró que por cada dólar destinado a entrenar modelos, las empresas gastan 1,70 dólares en poner esa IA a trabajar.

Ese último dato es el más relevante para un founder: la inversión se está moviendo del modelo hacia la implementación. El cuello de botella dejó de ser la capacidad de cómputo y pasó a ser la integración con los procesos reales del negocio.

¿Qué cambió desde 2020: de modelos que predicen a agentes que ejecutan?

La clase de IEBS describe una IA que aprende de un historial y anticipa la semana siguiente. Ese marco sigue siendo válido, pero el mercado se movió hacia sistemas que no solo predicen: ejecutan.

Menlo Ventures atribuye buena parte de ese salto a los agentes autónomos y reporta un reacomodo veloz del mercado de modelos: Anthropic pasó de 40% a 55% del gasto empresarial en API, mientras Google cayó de 21% a 9%. Los laboratorios de frontera capturan casi siete de cada diez dólares que las empresas gastan en IA, según el mismo informe.

La adopción, mientras tanto, sigue siendo desigual. El AI Diffusion Report del Microsoft AI Economy Institute indicó que en el segundo trimestre de 2026 el 18,8% de la población mundial en edad laboral usó herramientas de IA generativa, frente al 17,8% del trimestre anterior. Los líderes fueron Emiratos Árabes Unidos (73,3%), Singapur (64,3%) e Irlanda (49,9%).

¿Cuáles son los desafíos de integrar Big Data con inteligencia artificial?

La clase enumera cuatro: gestionar grandes volúmenes, asegurar la calidad del dato, proteger la privacidad y contar con infraestructura y talento capacitado. Ninguno se resolvió solo con el paso del tiempo.

En España, Cloudera reportó que el 31% de las empresas ya aloja sus datos en arquitecturas de tipo data lakehouse, según El Español. El dato importa porque muestra que la modernización de la infraestructura avanza más rápido que la capacidad de explotarla.

En el País Vasco, el Diagnóstico de Inteligencia Artificial de Euskadi citado por El Correo situó la penetración de IA en las empresas en 17,4%, con ocho de cada diez organizaciones percibiendo un cambio real en su forma de trabajar. El mismo medio describe que BBVA entrega licencias de ChatGPT y Gemini a toda su plantilla y ofrece a sus pymes dos licencias gratuitas de ChatGPT Business durante un año.

¿Qué beneficios ofrece combinar Big Data e IA para la toma de decisiones?

La clase sostiene que la combinación permite insights más precisos, mejor capacidad de predicción, identificación de oportunidades y mitigación de riesgos. Es una promesa razonable, pero condicionada: si el dato de entrada es malo, la predicción también lo será.

¿Cómo contribuyen la IA y el Big Data al desarrollo sostenible?

El material de IEBS menciona dos casos: predecir patrones de consumo energético para mejorar la eficiencia y usar sensores en agricultura para maximizar el rendimiento de cultivos reduciendo agua y pesticidas. Son aplicaciones donde el ahorro es medible, no retórico.

¿Qué significa esto para tu startup?

Cuatro movimientos concretos:

Audita el dato antes de comprar el modelo. Antes de evaluar herramientas de IA, revisa qué porcentaje de tu información está estructurada y accesible. Si la mayoría vive en correos, PDFs y hojas sueltas, tu primer proyecto no es de IA sino de datos.
Empieza por un caso de uso con retorno medible. Personalización de ofertas, predicción de demanda y automatización de tareas repetitivas son los tres que menciona la clase de IEBS, y los tres tienen métricas claras. Elige uno y define la línea base antes de implementar.
Presupuesta la implementación, no solo la herramienta. El dato de Menlo Ventures, 1,70 dólares en aplicación por cada dólar en entrenamiento, es una buena referencia para dimensionar tu presupuesto: la licencia es la parte barata.
Cuida la privacidad desde el diseño. La clase lo pone entre los desafíos centrales y las regulaciones europeas lo confirman. No introduzcas datos estratégicos ni contratos en plataformas gratuitas y abiertas.

Conclusión

La clase de IEBS plantea una idea que resiste el paso del tiempo: la IA no reemplaza al criterio, lo amplifica cuando hay datos que lo alimenten. Lo que cambió desde 2020 es la escala del gasto y la llegada de agentes que ejecutan, no la lógica de fondo. Para un founder, la ventaja competitiva sigue estando en la calidad de sus datos y en su capacidad de convertirlos en una decisión concreta.