Garbage In, Garbage Out: Por Qué Tu Proyecto de IA Falló Antes de Empezar
El 80% de los proyectos de IA fracasan antes de producción. No es culpa del modelo, ni del hardware. Es la falta de 'Data Readiness'. Descubre la jerarquía de necesidades que nadie te cuenta.
Son las 9:00 AM del lunes. El Comité de Dirección espera la demo del nuevo "Sistema Predictivo de Ventas con IA". Han sido seis meses de desarrollo, contrataciones de consultores externos y una factura de licenciamiento que da vértigo.
El CTO conecta la pantalla. Todo parece futurista. Introduce una consulta simple para validar el ROI del proyecto: "¿Cuál es la previsión de stock de seguridad para la referencia X-500 en la campaña de Navidad?".
La IA, conectada a un LLM de última generación y a vuestro ERP, procesa, "piensa" y responde con aplomo: "Basado en el histórico de 2023, se recomienda reducir el stock a cero, ya que la referencia X-500 no tuvo ninguna salida comercial".
El Director de Operaciones se pone pálido. "¿Cero? La X-500 es nuestro best-seller. Lo que pasa es que en 2023 la cambiamos de código a Y-500 durante la migración del SAP, y luego volvimos al original en 2024".
Silencio. La IA no sabía eso. Nadie se lo dijo. Para el modelo, X-500 e Y-500 son dos universos distintos.
Resultado: Una recomendación que, de haberse ejecutado automáticamente, habría costado millones en roturas de stock. El proyecto se pausa indefinidamente. El CEO sentencia: "La IA no está lista".
Pero la IA funcionó perfectamente. Fueron tus datos los que mintieron.
La Mentira del "Big Data"
Durante la última década, las empresas se obsesionaron con acumular datos. "Los datos son el nuevo petróleo", decían. Guardaron todo: logs, transacciones, Excels, correos. Crearon Data Lakes gigantescos.
El problema es que, sin contexto y estructura, un Data Lake se convierte rápidamente en un Data Swamp (Pantano de Datos).
Tener petabytes de información no significa tener conocimiento. Si tus datos de ventas están en un CRM, tus datos de inventario en un ERP antiguo, y la "verdad real" de la operativa vive en los post-its del encargado de planta o en un Excel local llamado PRODUCCION_FINAL_VFINAL_REAL.xlsx, tu empresa no es legible para una máquina.
La Jerarquía de Necesidades de la IA
Antes de correr, hay que andar. En SAUCO visualizamos la IA como la cúspide de una pirámide de necesidades, similar a la de Maslow:
- Recolección (La base): ¿Tienes los datos? ¿Son accesibles?
- Flujo: ¿Se mueven de forma fiable y automatizada entre sistemas? (ETL/ELT).
- Exploración y Limpieza: ¿Están normalizados? ¿Sabemos qué falta?
- Agregación y Etiquetado: ¿Tienen sentido semántico? ¿Están conectados?
- IA / Machine Learning (La cima): Predicción y automatización.
La mayoría de empresas intenta saltar del paso 1 al 5. Compran la API de OpenAI y la conectan a una base de datos sucia. Esto viola el principio fundamental de la computación: Garbage In, Garbage Out (GIGO).
Si entra basura (datos incoherentes, duplicados, sesgados), sale basura (alucinaciones, predicciones erróneas). Y lo peor: sale basura con apariencia de verdad, lo que es mucho más peligroso que un error obvio.
El 80% del Trabajo Invisible
La industria vende la "magia" del algoritmo. Pero cualquier ingeniero de datos senior te dirá la verdad incómoda:
El 80% del éxito de un proyecto de IA es Ingeniería de Datos. Solo el 20% es el modelo en sí.
Preparar tus datos para la IA (Data Readiness) implica:
- Resolución de Entidades: Entender que "Telefónica", "Tfos" y "Cliente 892" son la misma entidad.
- Captura de Contexto: Digitalizar el conocimiento tribal. ¿Por qué bajaron las ventas en mayo? "Ah, porque hubo huelga de transporte". Si ese dato no está digitalizado, la IA aprenderá patrones falsos (ej: "las ventas bajan en mayo porque sí").
- Gobernanza: Quién puede ver qué y cuál es la "fuente de la verdad".
FDE: Ingeniería Inversa de la Realidad
En SAUCO no empezamos instalando modelos. Empezamos poniéndonos las botas y bajando al barro.
Nuestro enfoque de Forward Deployed Engineering (FDE) es radicalmente distinto:
- Mapeo de la Operativa Física: Entendemos primero el proceso real. ¿Cómo se mueve una caja? ¿Quién firma el albarán?
- Construcción de la Ontología: Creamos un modelo digital que refleja cómo funciona TU negocio, no cómo dice el software que debería funcionar. Unimos los puntos entre el ERP, el CRM y la realidad.
- Higiene de Datos en Origen: Implementamos sistemas para que los datos nazcan limpios. Validaciones en tiempo real, interfaces que impiden errores humanos.
Solo cuando los cimientos son de hormigón armado, construimos el rascacielos de la Inteligencia Artificial.
Conclusión: Deja de Comprar Magia
La IA no es una varita mágica que arregla procesos rotos. Es un amplificador.
- Si amplificas procesos eficientes y datos limpios -> Escalabilidad exponencial.
- Si amplificas caos y datos sucios -> Caos exponencial.
La próxima vez que te propongan un proyecto de IA, no preguntes qué modelo van a usar. Pregunta cómo van a garantizar que tus datos digan la verdad.
¿Estás listo para dejar de jugar a la lotería con tus datos? Hablemos de ingeniería seria.