Artículo 11 de 16
Por qué fallan la mayoría de los pilotos GenAI y cómo son realmente los datos preparados para IA
Cada equipo de liderazgo empresarial mantiene alguna versión de la misma conversación. ¿Dónde implementamos el AI, qué tan rápido podemos movernos y cuál es el costo competitivo de esperar? Es una pregunta razonable, pero normalmente se salta la pregunta anterior: ¿nuestros datos se encuentran en algún estado para que funcione AI? La investigación conjunta MIT-BCG sobre la adopción del AI, ahora en su octavo año, ha sido consistente en este punto: la barrera dominante al valor del AI no es algorítmica, es fundamental. La calidad de los datos, la integración de los datos y la gobernanza de los datos son los obstáculos. Gartner estima por separado que el 80% de los proyectos de AI no logran llegar a producción. Los dos hallazgos están relacionados: los proyectos que fracasan casi siempre fracasan en la capa de datos, no en la capa del modelo. Los LLM amplifican el problema porque tienen confianza por defecto: alimentados con datos incorrectos, producen respuestas articuladas, plausibles e incorrectas, a menudo a una velocidad que supera cualquier capacidad humana para verificarlas. Esta publicación describe cómo se ven realmente los datos listos para AI, por qué la mayoría de las organizaciones aún no lo han logrado y cómo cerrar la brecha de manera pragmática.
La antigua máxima sobre la calidad de los datos no ha cambiado; las consecuencias tienen. Cuando un conjunto de datos defectuoso alimentaba un panel tradicional BI, un analista podía detectar la anomalía y señalarla. Cuando el mismo conjunto de datos alimenta a un asistente de LLM o a un motor de recomendaciones, el resultado incorrecto se presenta directamente a un cliente, un regulador o una persona que toma decisiones sin verificación intermedia. El modelo no sabe que los datos son incorrectos. Defenderá la respuesta elocuentemente. Y debido a que los LLM están capacitados para ser serviciales y confiados, rara vez ofrecen el tipo de advertencias que un analista humano pondría a un número inestable. El resultado es una categoría de riesgo completamente nueva: alucinación articulada, automatizada y a escala. La mitigación no consiste en mejores indicaciones ni barreras de seguridad. Se trata de datos de entrada limpios, bien gobernados y bien etiquetados.
#1
la calidad y la integración de los datos se clasifican como la principal barrera para el valor del GenAI
Fuente: MIT Sloan / BCG, 2023 ↗~40%
de los ejecutivos dice que la preparación de los datos es el mayor obstáculo para la implementación del AI
Fuente: IBM Institute for Business Value, 2024 ↗Los grandes modelos de lenguaje son extraordinarios reconocedores de patrones, pero tienen modos de falla específicos que interactúan mal con datos empresariales confusos. Tienden a interpolar cuando faltan datos en lugar de señalar la brecha. Resumirán con confianza un conjunto de datos contradictorio promediando las contradicciones. Tratarán las variaciones de esquema como equivalencias semánticas ('customer_id' y 'cust_no' deben significar lo mismo, excepto que a veces no es así). Y alucinarán valores de campo plausibles cuando se les pida que completen registros incompletos. Ninguno de estos comportamientos son errores; son los resultados naturales de un sistema optimizado para la fluidez. La única solución duradera es darle al modelo entradas que no requieran que interpola, contradiga o alucine en primer lugar.
Problema de datos anterior al AI
Los registros de clientes duplicados provocaron recuentos inflados en los informes
Las convenciones de unidades inconsistentes provocaron una deriva métrica entre departamentos
Los valores faltantes fueron detectados y marcados por la revisión de analistas.
Los datos obsoletos aparecieron como valores atípicos obvios en los gráficos de tendencias
Las definiciones ambiguas de las métricas provocaron debates intermitentes en las reuniones
Amplificación posterior al AI
El asistente AI ofrece diferentes recuentos de clientes según la lógica de deduplicación que elija
El modelo promedia toneladas y kilogramos de forma invisible, produciendo tonterías fluidas
El modelo interpola los valores faltantes sin señalar la brecha al usuario
Los datos obsoletos se resumen como actuales, sin advertencia temporal
Diferentes usuarios obtienen diferentes definiciones del mismo asistente el mismo día
Los datos preparados para AI no son exóticos. Son los mismos datos limpios, gobernados y bien modelados los que producen un buen BI, sujeto a un estándar ligeramente más alto en algunas dimensiones específicas. El listón sube en cuanto a integridad, claridad semántica y riqueza de metadatos porque los modelos no pueden depender del contexto humano para llenar los vacíos. A continuación se muestra una lista de verificación práctica que utilizamos con los clientes para evaluar su preparación para el AI antes de comenzar cualquier trabajo piloto.
Fuente única de verdad: cada entidad clave (cliente, producto, transacción) tiene una representación canónica, con deduplicación y resolución de identidad aplicadas.
Disciplina de esquema: esquemas estables y documentados con nombres de campo, unidades y dominios de valor explícitos; sin sorpresas escondidas en los campos de texto libre
Líneas de base de integridad: cada campo crítico tiene una tasa de integridad medida y las brechas por debajo del umbral activan alertas.
Capa semántica: los términos comerciales tienen una definición, asignada explícitamente al SQL subyacente, por lo que el modelo y el humano ven la misma métrica.
Linaje y seguimiento de auditoría: cada resultado se puede rastrear hasta los registros de origen; no negociable para ninguna característica del AI relacionada con decisiones reguladas.
Clasificación de sensibilidad: los campos PII, confidenciales comerciales y restringidos están etiquetados a nivel de fila o columna, por lo que las funciones del AI pueden aplicar la política de acceso sin fugas.
Historial suficiente: suficiente historial limpio para respaldar el ajuste fino, la recuperación y el razonamiento de tendencias (normalmente entre 18 y 36 meses para casos de uso operativos).
El patrón de falla del piloto del AI es deprimentemente consistente. Un líder senior defiende un caso de uso de alta visibilidad. Un pequeño equipo crea una demostración a partir de un subconjunto de datos seleccionados. La demostración deslumbra en un comité directivo. Luego, el equipo intenta extender el mismo enfoque al conjunto completo de datos de producción, descubre que los datos subyacentes son mucho más confusos que el conjunto de demostración seleccionado y el proyecto se estanca en una fase de remediación extendida para la que nadie presupuestado. Para el noveno mes, el apetito político ha avanzado. El patrón que funciona es el opuesto: evaluar primero la preparación de los datos, fijar las bases en paralelo con un piloto pequeño y estrecho y solo después escalar. Menos dramático, tasa de acierto mucho mayor.
Una pregunta de diagnóstico útil para cualquier caso de uso propuesto de AI: ¿de qué conjunto de datos depende esto? ¿Confiaría en ese conjunto de datos para informar una decisión trimestral de la junta directiva hoy? Si la respuesta es no, el caso de uso AI no está listo: los datos son el proyecto.
La secuencia importa. La mayoría de las organizaciones obtienen más valor al gastar una cuarta parte en la preparación de datos y una cuarta parte en un piloto limitado que al gastar seis meses en un piloto ambicioso construido sobre cimientos inestables. El orden de las operaciones es la diferencia entre AI como capacidad estratégica y AI como una costosa serie de demostraciones.
Elija un caso de uso de alto valor con economía mensurable: no el más ambicioso, sino el más mensurable.
Audite los datos subyacentes para ese caso de uso específico con la lista de verificación preparada para AI; remediar antes del piloto
Construya el piloto de manera estricta, con datos reales explícitos para la evaluación, y ejecútelo en modo oculto en comparación con los procesos existentes.
Mida rigurosamente: precisión, latencia, costo por consulta, puntajes de confianza del usuario, no solo el sentimiento del patrocinador ejecutivo.
Solo después de que el caso concreto sea sólido, generalice las inversiones en la plataforma (almacenamiento de vectores, gobernanza, observabilidad) al siguiente caso de uso.
Delta BI ejecuta este trabajo de preparación como precursor de cualquier interacción AI. El error más caro del AI es no elegir el modelo equivocado; está implementando el modelo correcto con los datos incorrectos.
El resultado final
AI no sustituye a una base de datos funcional; es el consumidor más exigente de uno. Los modelos amplifican la calidad de sus entradas en ambas direcciones: los datos limpios producen un valor de cambio radical, los datos desordenados producen respuestas claramente equivocadas a escala industrial. Las organizaciones que ganan con AI no son las que tienen los presupuestos de modelo más grandes. Ellos son quienes hicieron el poco glamoroso trabajo de limpiar, gobernar y modelar sus datos antes de que comenzaran los pilotos. Delta BI construye esa base: el almacén, la gobernanza, la capa semántica, la observabilidad: la capa que hace que AI sea útil en lugar de simplemente impresionante. El trabajo de datos es el trabajo AI.
Empieza por la decisión
Cuéntanos tu reto. Te responderemos para organizar una evaluación y definir una ruta práctica.
Solicitar una evaluación de datos