La mayor barrera para la IA son los datos fragmentados

Cuatro años después del lanzamiento de ChatGPT que encendió el boom de la IA, las empresas entran en lo que se ha dado en llamar «el año del ROI de la IA». Muchas ahora se consideran preparadas para la IA, señalando como prueba los exitosos despliegues de chatbots y copilotos.

Pero experimentar con la IA no es lo mismo que integrarla en procesos empresariales complejos. El autor, el director de producto de Nasuni, sostiene que el mayor obstáculo suele estar por debajo de la capa de modelos: la infraestructura de datos.

Por qué los datos fragmentados bloquean los proyectos de IA

Entornos de archivos disjuntos, gobernanza inconsistente e información repartida en múltiples repositorios eran manejables cuando los datos se consultaban de forma esporádica por empleados humanos. Las personas podían compensar cuando la información carecía de contexto o estaba almacenada en un sitio inesperado.

Recomendado

Por qué el apocalipsis del SaaS puede estar exagerado

Los sistemas de IA no pueden sortear esas lagunas con la misma facilidad. Requieren acceso rápido, fiable y continuo a la información, junto con una gobernanza clara y contexto suficiente. Cuando los datos son difíciles de localizar o el acceso es inconsistente, una empresa puede poseer técnicamente la información pero no poder usarla de forma efectiva.

Los entornos de archivos tradicionales se diseñaron en torno a ubicaciones separadas, acceso gestionado por equipos y compromisos operativos. Esas ineficiencias eran frustrantes para los empleados, pero no necesariamente detenían el trabajo. La IA las convierte en una limitación estructural.

Los primeros éxitos en IA pueden ocultar problemas más profundos

La presión por mostrar avances está animando a las organizaciones a desplegar nuevas herramientas de IA rápidamente. Los chatbots y copilotos ofrecen una barrera de entrada relativamente baja y pueden producir resultados visibles y tangibles.

El riesgo es que esos éxitos iniciales generen exceso de confianza sobre la preparación más amplia de una organización para escalar la IA. Un despliegue útil de copiloto no demuestra que los datos subyacentes sean accesibles, estén gobernados o sean lo bastante resilientes para sistemas de mayor envergadura. Esas mismas organizaciones también pueden tener dificultades con la recuperación de datos tras incidentes cibernéticos, otra señal de que sus cimientos siguen siendo débiles.

A medida que las empresas avanzan hacia proyectos importantes de IA basados en agentes, pueden encontrar retrasos, preguntas sin resolver sobre el retorno de la inversión e implementaciones fallidas. La urgencia por desplegar IA puede, por tanto, ralentizar el progreso a largo plazo cuando se posponen los trabajos de gestión de riesgos y de datos.

Tratar los datos empresariales como un activo estratégico

La mayoría de las empresas no carecen de datos. Su problema es que la información no estructurada —la ubicación de muchos de sus activos de datos— sigue fragmentada y es difícil de gestionar para los equipos de TI. Con frecuencia se sigue tratando los datos como una preocupación operativa relacionada con la planificación de capacidad, los ciclos de actualización y la expansión, en lugar de como un recurso estratégico.

La IA cambia esa ecuación. Los sistemas operan de forma continua, tirando de información creada hoy, ayer y, a veces, hace décadas. Los resultados significativos dependen de datos de confianza, contexto rico, acceso coherente y gobernanza clara.

El autor afirma que la alta dirección debería cambiar su enfoque de la capacidad de almacenamiento en estado estable a la utilidad de los datos: entornos centralizados con menos sistemas, donde la información pueda utilizarse independientemente de dónde esté almacenada. Reducir la fragmentación y crear una visión unificada de los datos empresariales puede facilitar el paso de éxitos aislados en IA a despliegues que mejoren la productividad y la eficiencia.

La adopción de chatbots o copilotos por sí sola no es una medida de preparación para la IA. Esa preparación depende de si los datos detrás de esas herramientas son accesibles, seguros y aptos para su propósito a escala. Las organizaciones que inviertan en la capa de datos y en la gobernanza antes de ampliar sus ambiciones de IA estarán mejor posicionadas para convertir los experimentos iniciales en un valor sostenido.