Saltar al contenido
IA10 min

Antes de la IA, sus datos: qué tiene que estar listo para que un modelo le sirva

Por · cofundador y Chief Executive Officer de Hábil ·

Cómo preparar sus datos para inteligencia artificial: cinco preguntas sobre origen, calidad, actualización y uso, antes de elegir la herramienta.

En 1 minuto

Una IA conectada a su empresa contesta con los datos que encuentra. Si las ventas dicen una cosa en el sistema y otra en el Excel de Finanzas, la IA no resuelve la diferencia: elige una, y lo dice con la misma seguridad con que diría la correcta. Antes de comprar la herramienta conviene hacer una prueba sencilla: escoger tres preguntas que la dirección le quiere hacer a la IA y contestarlas a mano. Si dos áreas llegan a respuestas distintas, el trabajo que falta no es de IA, es de datos. Este artículo da cinco preguntas para revisarlo.

Imagine una empresa que vende por su tienda en línea y en sucursales. Es ficticia, pero se parece a muchas. La dirección ya vio lo que hace una IA con documentos y quiere lo mismo con su operación: preguntar en lenguaje normal «¿cuánto vendimos ayer en el norte?», «¿qué cliente dejó de comprar?» o «¿cuánto nos debe este cliente?», y recibir la respuesta en segundos.

El proveedor hace una demo con datos de ejemplo y todo funciona. Luego conectan la IA a los sistemas reales y la primera pregunta da un número que nadie reconoce. Ventas dice que el norte vendió más. Finanzas dice que esa cifra incluye devoluciones. Sistemas dice que la tienda en línea se carga al día siguiente. Las tres áreas tienen razón, y la IA no tenía con qué distinguir cuál definición aplicaba.

Este artículo es para quien va a aprobar un proyecto de IA sobre los datos de la empresa. Sostiene una idea: el modelo hereda el desorden de los datos; antes de elegir la IA, cada pregunta de negocio necesita un origen acordado para sus datos, con su fecha y su historia. No hace falta saber de modelos para revisarlo; hace falta saber de dónde sale cada número.

Por qué la IA no arregla los datos: los usa

Una IA de lenguaje es muy buena para entender una pregunta y redactar una respuesta. Lo que no resuelve por sí sola es cuál de dos números es el bueno, si nadie le dio las reglas ni le dijo qué fuente manda. Cuando se conecta a los sistemas de la empresa, contesta con lo que encuentra ahí, y si lo que encuentra está incompleto, duplicado o atrasado, la respuesta también lo está, bien redactada.

El marco de gestión de riesgos de IA del NIST, el instituto de estándares de Estados Unidos, lo pone entre los riesgos que la IA trae de nuevo frente al software tradicional: los datos con que se construye un sistema pueden no representar bien el contexto en que se va a usar, y los problemas de calidad de datos pueden afectar qué tan confiable es el sistema [1].

Lo mismo pasa cuando la IA consulta documentos antes de contestar, la técnica que se conoce como RAG. El artículo que la propuso en 2020 la presenta justo para darle a un modelo acceso a una memoria externa, y señala como problemas abiertos de los modelos solos dar el origen de sus respuestas y mantener al día lo que saben [2]. RAG ayuda con eso, porque la IA consulta información externa antes de responder. Pero lo que encuentra depende de lo que hay: si el manual vigente y el de hace dos años están en la misma carpeta, la búsqueda puede traer el viejo o no dejar claro cuál aplica. Por eso conviene marcar la versión vigente, ordenar los documentos y revisar las respuestas importantes contra su fuente.

Por eso la pregunta útil antes de un proyecto de IA no es qué modelo usar. Es si los datos que va a usar pueden contestar bien, hoy, las preguntas que le van a hacer.

La prueba de las tres preguntas

Antes de revisar sistemas, escoja tres preguntas que la dirección quiere hacerle a la IA. Que sean concretas y de todos los días, como las de la empresa del ejemplo. Luego pida a dos áreas distintas que las contesten a mano, con los datos que usan hoy, por separado.

Si las respuestas coinciden y cada área puede decir de dónde sacó su número, los datos de esa pregunta están en buen camino. Si no coinciden, ya encontró el trabajo que falta, y lo encontró antes de pagar por la herramienta.

La prueba la puede hacer el equipo que hoy conoce los datos, en un plazo corto que no interrumpa la operación. Y deja algo que sirve para lo que sigue: la lista de los datos que cada pregunta necesita.

Cinco preguntas que sus datos tienen que contestar

Para cada dato de esa lista, revise cinco cosas. Las primeras cuatro son preguntas de calidad que reúnen las seis dimensiones del marco de calidad de datos del gobierno del Reino Unido, tomadas de la asociación profesional DAMA [3]. La quinta es distinta: si hay datos personales, si el uso previsto está permitido por la ley mexicana [4].

1. ¿Hay un solo origen para cada dato?

Si «ventas del día» existe en el sistema de la tienda en línea, en el de las sucursales y en un Excel que alguien arma cada lunes, la IA no sabe cuál manda. El marco británico llama consistencia a que los valores que representan lo mismo no se contradigan [3].

Lo que hay que decidir no es técnico: cuál es el origen oficial de cada dato y quién responde por él. Si ese acuerdo no existe, conviene empezar por ahí; de eso trata otro artículo de esta serie, Antes de mover un dato, nombre a su dueño.

2. ¿Está completo y sin duplicados?

Un cliente que aparece tres veces con tres correos distintos se ve, para la IA, como tres clientes. Uno que no tiene región asignada no aparece en «el norte». El marco británico separa las dos cosas: completitud, que estén todos los registros y lo importante dentro de ellos, y unicidad, que haya un solo registro por cada cosa que representan [3].

Una forma rápida de empezar: medir cuántos registros de clientes tienen vacío el campo que la pregunta necesita, y buscar posibles duplicados con reglas acordadas —coincidencias de nombre, correo, RFC y domicilio— antes de confirmarlos, porque un correo o un RFC compartido no siempre es un duplicado.

3. ¿Está al día para la pregunta que le van a hacer?

«¿Cuánto vendimos ayer?» necesita los datos de ayer. Si la tienda en línea se carga al día siguiente, la respuesta de la mañana sale incompleta aunque cada dato esté bien. El marco británico llama oportunidad a que los datos reflejen el periodo que dicen representar y estén actualizados [3].

No todas las preguntas necesitan lo mismo. Las ventas de ayer piden datos de ayer; el margen del trimestre aguanta una carga semanal. Lo que importa es que cada respuesta diga de qué fecha son sus datos.

4. ¿Es lo que dice ser?

Una fecha de entrega anterior a la del pedido, un importe negativo en una venta normal, un código postal con cuatro dígitos. El marco británico llama validez a que el dato esté en el rango y el formato esperados, y exactitud a que coincida con la realidad [3]. La validez se revisa con reglas. La exactitud se contrasta, cuando hace falta, con evidencia de lo que ocurrió en la operación; comparar contra el sistema de origen sirve para encontrar diferencias y rastrear dónde empezó el problema, pero no prueba que el origen esté bien.

Aquí ayuda algo que el mismo marco recomienda: corregir los problemas en el origen y no en la copia [3]. Si la fecha está mal en el sistema de pedidos, arreglarla solo en el reporte deja el error esperando la siguiente carga.

5. ¿Se puede usar para esto?

Que un dato exista no quiere decir que se pueda usar para cualquier cosa. La Ley Federal de Protección de Datos Personales en Posesión de los Particulares, publicada en el Diario Oficial el 20 de marzo de 2025, pide al responsable observar, entre otros, los principios de finalidad, proporcionalidad y calidad en el tratamiento de datos personales [4].

En la práctica, antes de conectar la IA a datos de clientes conviene preguntar: ¿la finalidad para la que se recabaron cubre este uso? ¿La IA necesita el dato completo o le basta una parte, como la región en vez de la dirección? ¿Quién puede ver la respuesta? Las respuestas las da su área legal, no el proveedor de la herramienta; el proyecto tiene que poder cumplirlas.

Una ficha por cada conjunto de datos

Las cinco respuestas sirven más si quedan escritas. En el aprendizaje automático hay una propuesta conocida para eso: acompañar cada conjunto de datos de una ficha, como la hoja técnica de un componente electrónico, que diga para qué se armó, qué contiene, cómo se recolectó y para qué se recomienda usarlo [5].

No hace falta el formato completo para empezar. Quién responde por cada dato y con qué reglas se decide en el trabajo de gobierno de datos; si todavía no está claro, Antes de mover un dato, nombre a su dueño explica cómo acordarlo. Para preparar una pregunta de IA, basta una página por cada dato que va a usar, con cuatro campos:

Una ficha por cada conjunto de datos
CampoEjemplo (ventas del día)
Origen acordadoSistema de pedidos; la tienda en línea entra por su propia carga
Al día hastaCierre del día anterior, cargado a las 6:00
Qué cubreSucursales y tienda en línea; las devoluciones van aparte, marcadas como tales
Uso previstoReportes internos y respuestas a la dirección; sin datos de cliente

Datos inventados para ilustrar el formato.

Con esa página, cuando la IA conteste, alguien puede decir de dónde salió el número y de qué fecha es. Sin ella, la discusión de la junta se repite, ahora con la IA en medio.

Las señales de que sus datos todavía no están listos

  • Dos áreas llegan a la junta con números distintos para la misma pregunta.
  • Nadie puede decir, sin investigar, de qué sistema sale un número del tablero.
  • El reporte importante se arma a mano y solo una persona sabe hacerlo.
  • Los errores se corrigen en el Excel y no en el sistema donde nacieron.
  • No está escrito qué datos de clientes se pueden usar y para qué.

Estas señales no descartan por sí solas el uso de IA: indican por dónde empezar.

Cinco preguntas para su próximo comité

  1. ¿Cuáles son las tres preguntas que queremos hacerle a la IA, y quién las contestó a mano?
  2. ¿Cuál es el origen oficial de cada dato que necesitan, y quién responde por él?
  3. ¿De qué fecha son los datos con que contestaría, y es suficiente para la pregunta?
  4. ¿Qué datos de clientes usaría, para qué finalidad, y quién la revisó?
  5. Si la IA da un número que nadie reconoce, ¿cómo averiguamos de dónde salió?

Por dónde empezar esta semana

Escoja las tres preguntas y pida que dos áreas las contesten por separado. Anote, para cada número, de qué sistema salió y de qué fecha es. Si coinciden, tiene una buena primera prueba para un piloto de IA; si no, tiene la lista de lo que hay que ordenar antes.

Cuando llegue el momento de probar la IA, el artículo El piloto de IA salió bien en la demo explica cómo medir si sirve; y si la duda es la técnica, ¿RAG o fine-tuning? explica cuál conviene para cada caso.

Qué hace Hábil

En Hábil ordenamos los datos de la empresa y conectamos la IA a ellos, en ese orden.

Si sus números no coinciden entre áreas, la propuesta está en Hábil Lake, la plataforma de datos de su empresa. Reúne en un solo lugar los datos de sus sistemas, con toda su historia y ya ordenados. En cada carga los concilia —los cuadra— contra el sistema de donde salieron, así que Dirección, Finanzas y Comercial llegan a la junta con el mismo número y cualquiera puede ver de dónde salió.

Guarda los datos en formatos abiertos y corre en su infraestructura o en la nuestra, con Hábil a cargo de la operación.

Cuando los datos ya contestan bien, Hábil AI conecta la IA a ellos: responde con sus datos reales, con permisos y registro, y consulta sus documentos antes de contestar. Se contratan por separado: puede empezar por la que resuelva su problema de hoy.

La conversación puede empezar con sus tres preguntas y lo que contestó cada área, aunque no coincidan. Con eso revisamos juntos qué datos faltan, cuáles hay que ordenar y si conviene empezar por los datos o por la IA. Escríbanos por WhatsApp; para proteger su información, no comparta por ese medio datos de sus clientes ni de sus sistemas: acordaremos en la conversación el canal para el caso.

Pida su primera conversación, sin costo.

Consultadas el 18 de noviembre de 2026. Cada referencia lleva su confianza: alta (fuente primaria leída).

Referencias

  1. NIST, «Artificial Intelligence Risk Management Framework (AI RMF 1.0)» (NIST AI 100-1, enero de 2023), apéndice B, entre los riesgos nuevos o mayores de la IA frente al software tradicional: «The data used for building an AI system may not be a true or appropriate representation of the context or intended use of the AI system» y «harmful bias and other data quality issues can affect AI system trustworthiness». Es de uso voluntario. Abierta en vivo el 18-nov-2026. Confianza: alta. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf
  2. Lewis, P. et al., «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks» (2020), resumen: «providing provenance for their decisions and updating their world knowledge remain open research problems», y la propuesta de combinar el modelo con una memoria externa («explicit non-parametric memory»). Abierta en vivo el 18-nov-2026. Confianza: alta. https://arxiv.org/abs/2005.11401
  3. Government Data Quality Hub (Reino Unido), «The Government Data Quality Framework», sección de las seis dimensiones de calidad «as defined by DAMA UK»: «Accuracy describes the degree to which data matches reality»; «Completeness describes the degree to which records are present»; «Uniqueness describes the degree to which there is no duplication in records»; «Consistency describes the degree to which values in a data set do not contradict other values representing the same entity»; «Timeliness describes the degree to which the data is an accurate reflection of the period that they represent, and that the data and its values are up to date»; «Validity describes the degree to which the data is in the range and format expected». Recomienda tratar los problemas «at source». Abierta en vivo el 18-nov-2026. Confianza: alta. https://www.gov.uk/government/publications/the-government-data-quality-framework/the-government-data-quality-framework
  4. Cámara de Diputados, «Ley Federal de Protección de Datos Personales en Posesión de los Particulares», «Nueva Ley publicada en el Diario Oficial de la Federación el 20 de marzo de 2025»; última reforma publicada en el DOF el 14-11-2025. Artículo 5: «El responsable deberá observar los principios de licitud, finalidad, lealtad, consentimiento, calidad, proporcionalidad, información y responsabilidad en el tratamiento de datos personales». Abierta en vivo el 18-nov-2026. Confianza: alta. https://www.diputados.gob.mx/LeyesBiblio/pdf/LFPDPPP.pdf
  5. Gebru, T. et al., «Datasheets for Datasets» (2018), resumen: «we propose that every dataset be accompanied with a datasheet that documents its motivation, composition, collection process, recommended uses, and so on», por analogía con la hoja técnica de los componentes electrónicos. Abierta en vivo el 18-nov-2026. Confianza: alta. https://arxiv.org/abs/1803.09010

¿Su operación tiene estos desafíos?

Platiquemos su caso

¿Prefiere correo? Escríbanos a hola@habil.mx