“¿Nuestros datos están listos para IA?” es una pregunta sin respuesta mientras nadie diga para qué. Los mismos datos pueden sostener bien una consulta de procedimientos internos y ser inútiles para prever la demanda del próximo trimestre. Estar listo no es una nota que la empresa recibe de una vez: es una evaluación hecha para una tarea específica, con orígenes específicos, para personas específicas.

Empiece por la tarea, no por la tecnología

La primera conversación no debería tratar de modelos, plataformas ni proveedores. Debería describir una tarea real:

  • qué se hace hoy (responder una duda sobre un procedimiento, revisar los campos de un documento, explicar la variación de un indicador);
  • quién lo hace, con qué frecuencia y cuánto tarda;
  • dónde busca esa persona la información;
  • qué pasa cuando la respuesta sale mal, y quién lo nota.

Una tarea bien descrita ya descarta muchas ideas. Si nadie puede decir dónde está la información correcta, la IA tampoco la va a encontrar. Si un error tiene consecuencias serias y no hay forma de verificar la respuesta, el proyecto necesita revisión humana desde el diseño, o no debería empezar.

Orígenes, calidad, responsables y permisos

Con la tarea definida, liste los orígenes que la sostienen y evalúe cada uno en cuatro puntos.

Origen. Dónde está la información: la base del ERP, un modelo de Power BI, una carpeta de documentos, el sistema de tickets, hojas de cálculo. ¿Existe una versión oficial o cada área tiene su copia? ¿Hay documentos antiguos que contradicen a los actuales?

Calidad. ¿Los datos están completos en el período que interesa? ¿Los campos que usa la tarea se llenan de forma consistente? ¿Los documentos tienen texto buscable o son imágenes escaneadas que necesitarían reconocimiento de texto antes? En indicadores, ¿existe una definición escrita de la regla de cálculo?

Responsable. ¿Quién responde por el contenido y decide cuándo cambia? Un origen sin responsable envejece sin que nadie lo note, y una respuesta construida sobre él envejece con él.

Permisos. ¿Quién puede ver qué hoy? Si finanzas ve datos que el área comercial no ve, un asistente que consulta ambos orígenes tiene que respetar la misma separación para cada usuario. Un permiso otorgado “a todos” por comodidad en una carpeta de red se convierte en una fuga cuando un asistente empieza a responder con base en ella.

Mida el proceso actual antes

Sin una línea base no hay forma de saber después si la IA ayudó. Antes de cualquier piloto, registre cómo funciona la tarea hoy:

  • tiempo promedio para completar la tarea u obtener la respuesta;
  • cuántas veces hay que corregir o rehacer la respuesta;
  • cuánto cuesta el proceso actual, incluido el tiempo de las personas;
  • un conjunto de casos reales con el resultado correcto, validado por quien conoce el tema.

Ese conjunto de casos es el que después sirve para evaluar el piloto. Debe dividirse en dos partes: una que se usa durante el desarrollo y otra que se reserva para la evaluación final, para que la prueba no se haga con las mismas preguntas que se usaron para ajustar la solución.

Cuando una mejora de datos o de BI resuelve el problema sin IA

Una buena evaluación a veces concluye que la IA no es el siguiente paso. Algunas señales:

  • la información existe, pero está dispersa en hojas de cálculo que nadie concilia. Una base consolidada y un tablero lo resuelven;
  • la duda se repite porque el procedimiento está desactualizado o mal redactado. Revisar el documento lo resuelve;
  • el área pide “preguntas en lenguaje natural”, pero las preguntas son siempre las mismas cinco. Un informe con filtros lo resuelve, con menor costo de operación;
  • los números no coinciden entre informes. Mientras la regla no esté definida, cualquier asistente solo repetirá la diferencia con más seguridad.

Estas mejoras no son tiempo perdido: forman la base que un proyecto de IA va a necesitar de todos modos.

Conviene tener cuidado con las funciones de IA ya incluidas en plataformas de datos. Copilot en Power BI y los agentes de datos de Fabric, por ejemplo, exigen capacidad de pago y configuración del administrador, que en algunas regiones incluye permitir que los datos se procesen fuera de la región de la capacidad. Los requisitos cambian con frecuencia; consulte la documentación vigente de Microsoft antes de contar con ellas en un plan.

Checklist para una tarea

  • La tarea está descrita: quién la hace, con qué frecuencia, cuánto tarda y cuál es el costo de un error.
  • Los orígenes que sostienen la tarea están listados, con la versión oficial identificada.
  • Cada origen tiene un responsable del contenido.
  • La calidad se verificó en los campos y el período que usa la tarea.
  • Los permisos actuales están mapeados y tienen sentido para quienes usarán la solución.
  • Los datos personales involucrados están identificados, con finalidad y base legal evaluadas por el área jurídica.
  • Existe una línea base de tiempo, retrabajo y costo del proceso actual.
  • Existe un conjunto de casos con resultado correcto, validado por especialistas y separado entre desarrollo y evaluación.
  • Alguien evaluó si una mejora de datos, de documentos o de BI resolvería el problema sin IA.
  • Está definido quién revisa las respuestas al inicio y qué detiene la operación si la calidad baja.

Los puntos sin respuesta no impiden la conversación, pero muestran lo que hay que hacer antes del piloto.

Datos personales y lo que no se debe enviar a los modelos

La ley brasileña de protección de datos (LGPD) sigue vigente cuando los datos pasan por un modelo de IA. Se aplican los principios de finalidad y necesidad: use solo los datos personales que la tarea realmente requiere. Los datos sensibles, como salud, biometría y origen racial o étnico, tienen reglas más estrictas. Si el servicio procesa los datos fuera de Brasil, hay una transferencia internacional, que también tiene requisitos propios. Las decisiones sobre base legal y transferencia corresponden al área jurídica y al delegado de protección de datos (DPO); la parte técnica necesita saber exactamente qué datos viajan y hacia dónde. Un buen mapeo de datos personales es el punto de partida.

Algunas reglas prácticas:

  • nunca envíe contraseñas, claves de acceso, tokens ni cadenas de conexión a un modelo;
  • no pegue documentos internos ni datos de clientes en herramientas de uso personal, sin un contrato corporativo que defina retención, uso para entrenamiento y lugar de procesamiento;
  • prefiera datos agregados o seudonimizados cuando la tarea no depende de la identidad de la persona;
  • registre qué orígenes alimentan la solución y quién aprobó cada uno, para poder retirar un origen después.

¿Quiere evaluar un caso de uso?

Si hay una tarea candidata y la duda es si los datos sostienen el proyecto, un diagnóstico identifica orígenes, permisos y línea base, y compara la IA con alternativas más simples. Conozca el servicio de datos e IA corporativa o solicite un diagnóstico.