La calidad de los datos: el desafío silencioso que define el éxito de la inteligencia artificial

Mientras empresas de todos los sectores aceleran inversiones en inteligencia artificial, una realidad comienza a repetirse: los resultados dependen menos del modelo elegido que de la calidad de los datos disponibles. Sin información confiable, incluso las herramientas más avanzadas generan respuestas poco precisas o automatizan errores ya existentes.

El problema no es nuevo, pero cobra una dimensión distinta con la llegada de la IA generativa. Hoy los modelos son capaces de trabajar no solo con bases estructuradas, sino también con documentos, contratos, imágenes, correos electrónicos, manuales, conversaciones con clientes y otros contenidos que hasta hace poco resultaban difíciles de aprovechar. Esa capacidad redujo las barreras de entrada a la inteligencia artificial, pero también dejó en evidencia un desafío mayor: ordenar y validar toda esa información.

La consultora McKinsey identifica este fenómeno como uno de los principales cuellos de botella de la nueva etapa de adopción de IA. Según sus estudios, apenas el 7% de las empresas logró escalar completamente la inteligencia artificial en toda su organización y más de dos tercios señalan que los problemas relacionados con los datos son la principal limitación para implementar IA generativa a gran escala.

La inteligencia artificial solo es tan buena como los datos que recibe

“Las empresas sienten la presión por incorporar inteligencia artificial porque saben que representa una enorme oportunidad competitiva. Pero muchas veces quieren empezar por el último paso de un proceso que tiene varias etapas previas. Cuando los datos no están preparados, la inteligencia artificial simplemente reproduce esos mismos problemas a mayor velocidad”, explica Tobías de Marcos, Head of Growth de Arbusta, empresa especializada en preparación de datos e implementación de soluciones de IA para compañías como Mercado Libre, Kavak, PedidosYa y TGN.

La posibilidad de automatizar procesos a gran escala también implica multiplicar las consecuencias de trabajar con información deficiente. Si una base de datos contiene errores, esos errores pueden propagarse automáticamente a miles de decisiones, recomendaciones o procesos.

Cuatro olas de la transformación digital

Desde Arbusta sostienen que la inteligencia artificial no representa un cambio aislado, sino la cuarta gran etapa de un proceso de transformación digital que comenzó hace décadas.

La primera ola, entre mediados de los años noventa y principios de los 2000, estuvo enfocada en digitalizar documentos que originalmente nacían en papel. El objetivo era conservar información y facilitar su consulta.

La segunda etapa incorporó eficiencia operativa. Los documentos comenzaron a digitalizarse durante los procesos de trabajo mediante formularios electrónicos, captura automática de datos y validaciones.

Posteriormente llegó la adopción masiva del cloud computing, las APIs, la firma digital y las plataformas colaborativas. Muchos procesos dejaron de depender completamente del papel y comenzaron a desarrollarse íntegramente en entornos digitales.

La cuarta ola es la que atraviesan actualmente las organizaciones: la incorporación de inteligencia artificial, aprendizaje automático y agentes capaces de interpretar información, ejecutar tareas y asistir en la toma de decisiones.

Sin embargo, todas esas capacidades siguen dependiendo de un requisito básico: disponer de datos correctamente estructurados y confiables.

Preparar los datos antes de automatizar

“Todo proceso de transformación comienza construyendo datos confiables; luego esa información se convierte en conocimiento útil; después llegan la automatización y finalmente la inteligencia artificial agéntica”, sostiene Martín Senderey, COO de Arbusta.

Ese trabajo previo suele conocerse como Data Foundations e incluye tareas como normalizar información, eliminar duplicados, enriquecer registros, validar contenidos y estructurar grandes volúmenes de datos para que puedan ser utilizados por algoritmos de manera consistente.

Casos concretos

Diversas empresas latinoamericanas ya trabajan sobre esta etapa previa para mejorar el rendimiento de sus sistemas de inteligencia artificial.

Mercado Libre implementó procesos de etiquetado de imágenes mediante visión artificial y revisión humana para fortalecer la detección de publicaciones fraudulentas, uso indebido de marcas y venta de productos prohibidos.

Kavak optimizó la calidad de los datos utilizados por sus algoritmos de pricing, automatizando cerca del 70% del procesamiento de información y mejorando la precisión en la estimación del valor de los vehículos.

En Transportadora de Gas del Norte (TGN) se estructuraron cerca de 8.000 registros históricos de incidentes escritos en texto libre mediante una combinación de inteligencia artificial y validación humana, alcanzando un nivel de calidad superior al 95%.

Por su parte, PedidosYa trabajó sobre el etiquetado de más de 10.000 productos para mejorar la relevancia de los resultados de búsqueda y optimizar la experiencia de compra de los usuarios.

Tecnología y supervisión humana

Fundada hace más de doce años, Arbusta evolucionó desde un modelo basado en servicios intensivos en talento hacia soluciones especializadas que combinan automatización, inteligencia artificial y supervisión humana mediante metodologías conocidas como Human in the Loop, donde las personas continúan interviniendo en aquellas tareas donde el criterio humano sigue siendo determinante.

“Durante muchos años pusimos el foco en las personas que hacían posible nuestro trabajo. Hoy nuestra conversación con los clientes empieza mucho antes: hablamos de los problemas que necesitan resolver. Toda la experiencia que construimos en operaciones digitales durante más de una década hoy se transforma en productos capaces de escalar procesos de datos, automatización e inteligencia artificial sin perder el criterio humano donde sigue siendo indispensable”, afirma Clemencia Nicholson, CEO de Arbusta.

En un contexto donde la inteligencia artificial se consolida como prioridad estratégica para empresas de todos los sectores, la conclusión comienza a repetirse entre especialistas y organizaciones: el verdadero diferencial competitivo ya no pasa solamente por tener acceso a la IA, sino por contar con datos confiables capaces de alimentar esos sistemas con precisión y consistencia.