La preparación para la IA empieza en los datos

La conversación sobre inteligencia artificial en las direcciones suele empezar por el caso de uso: un asistente para atención al cliente, previsión de demanda, lectura automática de contratos. La prueba de concepto funciona en la demostración. Tres meses después, el proyecto está parado porque el equipo descubrió que el maestro de clientes tiene cuatro versiones, que nadie sabe qué sistema tiene el precio correcto y que la base histórica de pedidos perdió dos años en una migración.

Este guion se repite con tanta frecuencia que ya debería estar en el plan. La preparación para la IA depende de estrategia, personas y tecnología, pero el factor que más frena proyectos en empresas medianas es el estado de los datos.

Qué dice la investigación sobre la preparación

Jöhnk, Weißert y Wyrtki (2021) entrevistaron a especialistas para identificar los factores de preparación organizacional para la IA. Organizaron los resultados en cinco categorías: alineación estratégica, recursos, conocimiento, cultura y datos. En la categoría de datos aparecen disponibilidad, calidad, accesibilidad y flujo de datos entre sistemas.

El aporte del estudio es mostrar que la preparación no es una característica única. Una empresa puede tener un fuerte patrocinio de la dirección y una cultura abierta a la experimentación, y aun así no estar preparada porque los datos necesarios para el caso de uso elegido no existen en la forma que el modelo necesita.

La gestión de datos es la base, y tiene una referencia consolidada

El DAMA-DMBOK, publicado por DAMA International, es la referencia más usada para organizar la gestión de datos. La segunda edición (2017) describe áreas de conocimiento que incluyen gobierno de datos, arquitectura, modelado, almacenamiento, seguridad, integración, datos maestros y de referencia, calidad de datos y metadatos.

No hace falta implementar todas las áreas antes de usar IA. Pero algunas son requisito previo para cualquier caso de uso serio.

• Gobierno: quién es dueño de cada dominio de datos y quién decide sobre definiciones y acceso.
• Datos maestros: una versión confiable de cliente, producto, proveedor.
• Calidad: métricas conocidas de completitud, exactitud y actualidad para los datos que alimentarán el modelo.
• Metadatos: un glosario mínimo que diga qué significa cada campo y de dónde viene.
• Seguridad: clasificación de los datos y reglas de acceso, sobre todo para datos personales.

Riesgo y cumplimiento entran temprano

El NIST AI Risk Management Framework (AI RMF 1.0), publicado en 2023, organiza la gestión de riesgos de IA en cuatro funciones: gobernar, mapear, medir y gestionar. Es voluntario y no sectorial, lo que lo hace útil como estructura para empresas que todavía no tienen una obligación regulatoria específica. La ISO/IEC 42001:2023 va más allá y especifica requisitos para un sistema de gestión de IA, en el mismo formato que otras normas de sistemas de gestión, lo que facilita integrarla con una ISO 9001 o ISO/IEC 27001 ya existente.

En el plano regulatorio, la Unión Europea aprobó el Reglamento (UE) 2024/1689, conocido como AI Act, con obligaciones escalonadas por nivel de riesgo. Las empresas que venden a Europa u operan allí necesitan seguir su calendario de aplicación. En Brasil, el proyecto de ley PL 2338/2023 fue aprobado por el Senado en diciembre de 2024 y, al momento de escribir este texto, sigue en trámite en la Cámara de Diputados, donde se discute en una comisión especial y aún no ha sido votado en el pleno. El texto final puede cambiar; lo que ya se sabe es que la lógica de clasificación por riesgo probablemente se mantendrá.

Para la preparación, la consecuencia práctica es simple: un caso de uso que involucra datos personales, decisiones sobre personas o sectores regulados necesita una evaluación de riesgo antes del piloto, no después.

Una evaluación en tres preguntas

Antes de aprobar un caso de uso, recomendamos que la empresa responda por escrito tres preguntas sobre los datos involucrados.

Pregunta	Señal de preparación	Señal de alerta
¿Los datos existen y son accesibles?	Fuente identificada, con dueño y acceso documentado	"Está en las planillas de cada sucursal"
¿Se conoce su calidad?	Métricas de completitud y exactitud medidas en los últimos meses	Nadie sabe la proporción de registros incompletos
¿El uso está permitido?	Base legal registrada, clasificación de sensibilidad, contrato con el proveedor revisado	Datos personales enviados a un servicio externo sin análisis

Si dos de las tres respuestas están en la columna de alerta, el proyecto de IA es en realidad un proyecto de datos. No es una mala noticia. Muchas veces, ordenar la base para un caso de uso específico genera valor incluso antes del modelo: informes que por fin cuadran, registros que dejan de duplicarse, decisiones que ya no dependen de quien armó la planilla.

Checklist de preparación de datos

• Dominios de datos críticos mapeados, con un dueño de negocio nombrado.
• Glosario mínimo para los campos usados en los casos de uso prioritarios.
• Métricas de calidad medidas periódicamente para esos campos.
• Inventario de datos personales y base legal registrada según la LGPD, la ley brasileña de protección de datos.
• Criterio de clasificación de riesgo de los casos de uso, inspirado en el NIST AI RMF o en la ISO/IEC 42001.
• Un responsable de seguir la evolución regulatoria en Brasil y en los mercados de exportación.

La preparación para la IA es una medida compuesta. Pero si hay que elegir un único punto de partida, empiece por los datos que consumirá el primer caso de uso. Ahí es donde la mayoría de los proyectos descubre, demasiado tarde, lo que debió evaluarse al principio.