La IA empresarial no empieza con algoritmos, sino con datos confiables

Los datos confiables para IA empresarial se están convirtiendo en una condición indispensable para transformar las operaciones de las compañías. La inteligencia artificial puede redactar un correo en segundos. También puede identificar clientes que dejaron de comprar, detectar inventario detenido o separar una alerta crítica entre miles de señales operativas. La diferencia entre ambos escenarios no está necesariamente en el modelo utilizado. Está en el contexto que la empresa puede darle.

Esa fue una de las ideas que atravesó Databricks AI Days México, realizado el 14 de octubre en el Hotel Marquis Reforma, en Ciudad de México. El encuentro reunió casos de Kavak, Spin, GEPP y Coca-Cola FEMSA sobre agentes de inteligencia artificial, analítica en lenguaje natural y aplicaciones empresariales de datos. La jornada formó parte de una serie internacional enfocada en mostrar cómo llevar estos sistemas a producción, más allá de las demostraciones.

En entrevistas con Fast Company México, tres directivos de Databricks coincidieron en el diagnóstico: muchas compañías quieren incorporar IA antes de resolver cómo están almacenados, definidos y protegidos sus datos.

“Lo más importante de la IA no son los modelos, son los datos”, dijo Enrique Perezyera, gerente general de Databricks México. La herramienta puede cambiar en cuestión de meses. La información de clientes, ventas, facturación, inventarios y operaciones permanece. Si está fragmentada o tiene definiciones contradictorias, la respuesta de la IA también será incompleta.

La diferencia entre usar IA empresarial y cambiar la operación

Marcos Grilanda, vicepresidente y gerente general de Databricks para Latinoamérica, distingue varios niveles de adopción. En el más básico, los empleados utilizan herramientas generativas para resumir documentos o mejorar correos. En otro aparecen numerosas iniciativas, pero pocas producen un resultado medible.

La transformación comienza cuando la IA puede responder preguntas específicas sobre la empresa: qué productos llevan ocho meses sin moverse, qué clientes redujeron sus compras o cómo se comportaron las ventas durante el día en cada región.

Para conseguirlo, la organización necesita contexto. Eso implica conectar bases de datos que suelen permanecer separadas en sistemas de facturación, recursos humanos, producción, finanzas o inventarios. También requiere una capa de gobierno que determine qué información puede consultar cada persona o agente. Contar con datos confiables para IA empresarial permite que esas consultas se conviertan en información útil para tomar decisiones.

Grilanda mencionó el caso de Grupo Bimbo, cuya operación comercial genera miles de transacciones en rutas de venta. La empresa incorporó herramientas de analítica conversacional para que sus responsables comerciales puedan hacer preguntas en lenguaje natural, sin depender únicamente de tableros estáticos.

Según el directivo, esta aplicación permitió reducir 17% las oportunidades de venta perdidas al identificar clientes que habían dejado de comprar o no habían sido atendidos. El resultado también aparece en la documentación del caso de Grupo Bimbo presentada por Databricks, que explica cómo la compañía utiliza AI/BI Genie para responder preguntas como “¿qué clientes no fueron visitados esta semana?” y entregar información a supervisores de campo.

El dato importa, pero el mecanismo importa más: una herramienta disponible para muchas compañías produjo valor porque se conectó con información propia, organizada y protegida.

El problema de medir la IA por tokens

Otro riesgo aparece cuando las empresas utilizan el consumo como indicador de avance. Grilanda y Adriana Gomes, responsable de Field Engineering de Databricks en México, cuestionaron una práctica conocida como token maxing: fijar objetivos para que los empleados utilicen más herramientas o consuman más tokens.

“En vez de ver el valor por cuántos tokens consumen, el valor debe ser una tarea finalizada y un resultado de negocio tangible”, explicó Gomes.

El número de interacciones demuestra actividad, pero no necesariamente transformación. Una organización puede elevar el uso de IA sin reducir costos, acelerar decisiones o mejorar la experiencia de sus clientes. También puede gastar presupuesto enviando cada tarea al modelo más potente, aunque una alternativa menos costosa pudiera resolverla.

Los modelos cambian con rapidez. Por eso, los entrevistados recomendaron evitar contratos y arquitecturas que aten toda la estrategia de una empresa a un solo proveedor. Las tareas sencillas pueden resolverse con modelos abiertos o más económicos; los problemas complejos pueden justificar sistemas de mayor capacidad.

Esta postura favorece naturalmente la propuesta comercial de Databricks, que ofrece una plataforma para conectar distintos modelos con datos empresariales gobernados. Sin embargo, deja una pregunta útil para cualquier director general: ¿la estrategia de IA de su compañía está diseñada alrededor de un problema de negocio o alrededor de la herramienta que está de moda?

En este escenario, disponer de datos confiables para IA empresarial resulta tan importante como seleccionar el modelo adecuado. La tecnología puede acelerar procesos, pero sus resultados dependen de la calidad de la información que recibe.

Datos confiables para IA empresarial: control central y experimentación distribuida

La adopción tampoco debería quedar exclusivamente en manos del departamento de tecnología. Marketing conoce sus campañas y clientes; ventas entiende el proceso comercial; el área legal identifica riesgos regulatorios; operaciones sabe dónde se acumulan retrasos.

Gomes propone centralizar las reglas, pero distribuir la experimentación. Un equipo común debe controlar seguridad, permisos, costos y acceso a los datos. Cada área puede entonces desarrollar casos de uso dentro de esos límites. Cuando un proyecto funciona, se revisa y se incorpora a un catálogo disponible para el resto de la organización.

“No hay que cambiar a los equipos; hay que habilitarlos”, afirmó.

El modelo reconoce al operador real. El área de tecnología construye las condiciones, pero las personas que viven el problema cotidiano identifican dónde puede producir valor la tecnología.

Perezyera recomienda comenzar con una parte relevante del negocio cuyos datos ya tengan calidad razonable. Puede ser ventas, distribución, cadena de suministro o flujo de efectivo. En lugar de intentar transformar toda la compañía al mismo tiempo, la empresa termina de ordenar esa información, habilita una primera aplicación y permite que los responsables del área la utilicen.

Si el resultado es visible, el cambio cultural empieza a extenderse sin depender únicamente de una campaña interna sobre innovación. Esta aproximación también permite avanzar hacia aplicaciones de inteligencia artificial capaces de ejecutar tareas reales, en lugar de permanecer en demostraciones aisladas.

México ya experimenta con IA empresarial, pero todavía no transforma toda la empresa

Gomes ubica a buena parte de las grandes compañías mexicanas en una segunda etapa de adopción. Ya dejaron atrás el uso individual del chatbot y comenzaron a experimentar con casos de negocio específicos. Algunas iniciativas llegaron a producción, aunque todavía no generan un impacto transversal.

México no está necesariamente rezagado. La diferencia está entre las grandes organizaciones que pueden invertir en infraestructura y aquellas que aún conservan información dispersa en hojas de cálculo, sistemas propietarios y áreas que no comparten datos.

La línea base se está moviendo. Hace poco, adoptar IA significaba permitir que los empleados utilizaran un asistente. Ahora exige saber qué información consulta, quién puede verla, cuánto cuesta cada tarea y cuándo debe intervenir una persona. El desafío también está relacionado con la gobernanza de la inteligencia artificial en las empresas mexicanas, especialmente a medida que estos sistemas adquieren mayor autonomía.

En ese contexto, los datos confiables para IA empresarial dejan de ser únicamente una preocupación tecnológica. Se convierten en parte de la estrategia de negocio, porque determinan qué información puede utilizar una organización y con qué seguridad puede actuar sobre ella.

El nuevo estándar no será cuántas herramientas compró una compañía. Será qué decisión puede tomar hoy que antes no podía, y qué evidencia tiene para demostrar que esa decisión mejoró el negocio.