¿Tus datos estan listos para IA? Como evaluarlo en tu PYME

¿Tus datos están listos para IA? La pregunta no se responde en abstracto, se responde contra un caso de uso concreto. Si para ese caso la información existe, se puede consultar, está completa y con el mismo formato, tiene a alguien a cargo, cubre el tiempo que la tarea necesita y se puede tratar legalmente, hay piso para probar. Gartner proyecta que, hasta 2026, se abandonará el 60% de los proyectos de IA que no estén respaldados por datos listos, y revisarlo antes baja bastante ese riesgo.

¿Por qué esto se volvió el cuello de botella?

Porque las herramientas se abarataron y la información no se ordenó al mismo ritmo. En una PYME de servicios lo típico es que los datos que importan estén repartidos entre correos, hojas de cálculo, la bandeja de entrada de tres personas y sistemas que no se hablan. La IA termina trabajando sobre una foto incompleta y proponiendo cosas razonables para una realidad que no es la tuya.

Lo que sigue es esa revisión: una pregunta por cada condición, sobre dónde vive la información, quién puede consultarla, cómo está registrada, quién responde por ella, cuánto historial cubre y si se puede tratar legalmente. Respóndelas pensando en un caso concreto, no en los datos de la empresa en general, y sabrás antes de invertir si tus datos aguantan un primer proyecto.

Seis comprobaciones permiten saber si los datos están realmente listos para sostener una iniciativa de IA.

¿Cuáles son las seis preguntas?

1. ¿La información existe en algún lado?

Para el caso que elegiste, ya sea propuestas, seguimiento comercial, conocimiento interno o reportes, los datos básicos tienen que estar registrados en algún lugar consultable: un sistema, una hoja, un archivo compartido. Si viven en correos sueltos y en la memoria de la gente, no existen para efectos prácticos.

2. ¿La puede consultar quien la necesita?

Que exista no alcanza. La prueba es si alguien del equipo autorizado puede llegar a esa información sin pedirle el favor a una persona específica. Cuando cada consulta pasa por la misma persona buscando y exportando, no hay acceso: hay una dependencia.

3. ¿Está completa y con el mismo formato?

Los campos que el caso necesita deberían estar llenos en la mayoría de los registros y con el mismo formato. Lo contrario se reconoce rápido: vacíos frecuentes, fechas escritas de tres maneras y la misma empresa registrada como "S.A. Ltda", "SA Ltda" y "Sociedad Anonima". No hace falta perfección; hace falta que el mismo dato se escriba siempre igual para que un patrón se pueda leer.

4. ¿Alguien responde por esos datos?

Cada registro debería tener claro quién lo creó, quién lo mantiene y a quién preguntarle cuando algo se ve raro. Los registros huérfanos, esos que nadie sabe si siguen vigentes, son los que después producen respuestas equivocadas con mucha seguridad.

5. ¿Cubren el tiempo que la tarea necesita?

No hay un número fijo de meses. El historial que necesitas depende de cuántos registros generas, de si tu operación tiene temporadas marcadas y del peso de la decisión que vas a tomar con ellos. Lo que hay que revisar es si el historial disponible incluye la variación que importa. Un cambio de sistema que dejó seis meses incompletos puede invalidar la comparación aunque haya años de registros.

6. ¿Se pueden compartir legalmente con la herramienta?

Cuando hay datos personales de por medio, el tratamiento debe estar revisado conforme a la Ley 8968: con qué base se tratan, para qué finalidad, con qué controles y en qué herramienta autorizada. Si no está claro eso, o no está claro qué hace el proveedor con la información después, la respuesta es no todavía.

¿Cómo lees tus respuestas?

Con seis respuestas afirmativas, tiene sentido validar una prueba controlada con lo que ya tienes. Con cuatro o cinco, ordena lo que falta y fíjate si alguna de las faltas frena todo. Con tres o menos, preparar los datos es el proyecto, no el paso previo.

Importa más cuál falta que cuántas. Un problema legal o de acceso puede detener el caso aunque el resto esté impecable, y por eso el conteo es una lectura orientativa de esta guía, no un semáforo.

El antes y después muestra el valor de depurar, estructurar y centralizar la información antes de implementar IA.

¿Necesitas construir una plataforma de datos?

Casi nunca. Lo que hay que preparar es lo que el caso exige, con el armado técnico más simple que cumpla acceso, calidad, seguridad y trazabilidad. A veces basta con ordenar una fuente que ya existe. A veces sí hace falta integrar dos sistemas. Empezar por la plataforma grande es la forma más cara de descubrir que el caso estaba mal elegido.

McKinsey reportó en 2025 que solo el 21% de las organizaciones que usan IA generativa había rediseñado de raíz alguno de sus flujos de trabajo. Con los datos pasa algo parecido: el rediseño suele empezar por aclarar de dónde sale cada cosa y quién responde por ella, no por comprar infraestructura.

En una PYME, tener los datos listos casi siempre se parece a una hoja bien estructurada con alguien a cargo, y muy poco a un proyecto de tecnología.

¿Dónde ayuda la IA a ordenar antes de empezar?

En tres tareas de preparación que son tediosas para una persona y baratas para una máquina: emparejar formatos de nombres, fechas y sectores en una hoja existente; clasificar registros sueltos, como prospectos o casos, en categorías consistentes; y detectar duplicados que parecen distintos pero son la misma empresa. Ninguna de las tres es el proyecto: son el paso previo cuando falta ordenar.

Conviene aclarar qué no cuenta como datos listos. No lo garantiza tener un sistema de clientes moderno, porque la marca del software no dice nada de la calidad de lo que hay adentro. Tampoco que el equipo sepa dónde está todo, porque eso es dependencia de personas. Y menos que nada la promesa de arreglarlo en el camino: lo que no se ordenó antes se acumula y termina explicando por qué el proyecto no dio resultados. La calidad del dato tampoco es un tema del área técnica, es de quien usa el dato para decidir.

Las empresas que llegan con los datos listos suelen hacer tres cosas: revisan los seis puntos antes de comprar la herramienta, tienen nombrada a la persona a cargo de esos datos con tiempo asignado para mantenerlos, y revisan la consistencia con una frecuencia definida en lugar de mirarla al final. Para el filtro completo previo, está "Que evaluar antes de abrir un proyecto de IA en tu PYME".

¿Quieres saber si tu caso tiene piso?

El Discovery web de VegasiO toma 5 minutos y revisa la situación de tus datos frente al caso que quieres atacar. Al final indica si el siguiente paso es un Diagnóstico de Adopción IA para ordenar primero, una Implementación de IA con lo que ya tienes, o dedicar un tiempo a consolidar antes de invertir.