Casi todas las empresas que han probado la Inteligencia Artificial este año se han encontrado con la misma sorpresa: el problema no estaba en el modelo, sino en lo que le dieron de comer. Es una situación habitual en los proyectos de datos e IA que acompaña CONVOTIS Iberia. Un algoritmo entrenado sobre inventarios duplicados, clientes repetidos en tres sistemas o cifras sin actualizar no produce inteligencia, sino errores a mayor velocidad. 

El error más repetido de 2026 

Durante años el mensaje dominante ha sido acumular: más sensores, más fuentes, más volumen. Pero el salto competitivo no lo da quien más información almacena, sino quien convierte datos fiables en decisiones más rápidas. Es un cambio de enfoque, no de tecnología, y muchas organizaciones lo siguen postergando. Mientras tanto, el almacén de datos crece cada trimestre y la confianza en lo que contiene no crece al mismo ritmo. 

Acumular no es lo mismo que ordenar 

Es la paradoja de muchas pymes y medianas empresas: invierten en IA generativa o analítica sin haber resuelto antes algo menos vistoso, la calidad y el orden de los datos que la alimentan. El resultado son pilotos que no escalan o que siembran dudas en el propio comité que los impulsó. Y cada piloto fallido encarece el siguiente, porque la organización empieza a desconfiar de la tecnología cuando el problema estaba en su materia prima. 

Un ejemplo habitual 

Imaginemos una empresa mediana que lanza un asistente de IA para su equipo comercial. La demo funciona, pero al conectarlo con el CRM real aparecen fichas duplicadas, campos vacíos y contactos desactualizados. El asistente responde con incoherencias, no porque el modelo sea malo, sino porque nadie limpió la base antes. Corregirlo después cuesta semanas de trabajo que habrían sido innecesarias con una revisión previa. 

La pregunta que debería hacerse cualquier comité 

Para quien decide el presupuesto de digitalización, la pregunta no es qué herramienta de IA comprar, sino si sus datos están en condiciones de alimentarla. Tres preguntas ayudan a saberlo: dónde vive cada dato relevante, quién es responsable de su calidad y con qué frecuencia se revisa. Saltarse ese paso suele traducirse en proyectos que tardan el doble y cuestan más de lo previsto. 

Una disciplina, no un proyecto puntual 

La calidad del dato no es una tarea puntual de IT, sino una disciplina continua: los datos, los procesos y los sistemas cambian, y su orden tiene que evolucionar con ellos. Por eso, en los proyectos de Data & IA de la compañía, el primer paso suele ser un mapa de los datos, no un modelo. Saber qué se tiene, dónde está y quién responde de ello es poco vistoso, pero es lo que decide si un proyecto de IA llega a producir valor real o se queda en una demo que nadie vuelve a abrir. 

Las empresas que quieran conocer el estado de sus datos antes de lanzar un proyecto de IA pueden empezar por una revisión de calidad del dato con los especialistas de la compañía.