¿Están tus datos listos para IA? Cómo evaluar la calidad de datos antes de un proyecto

«Tenemos datos. Muchos datos. Pero no sabemos si sirven para hacer algo con IA.» Esta frase aparece en la mitad de las primeras conversaciones que tenemos con empresas que quieren empezar un proyecto de inteligencia artificial. Y es una pregunta honesta, porque la calidad de los datos es lo que determina si un proyecto de IA dará resultados o será una frustración cara.

La buena noticia: evaluar si tus datos están preparados no requiere un consultor ni un proyecto de tres meses. Puedes hacerte una idea bastante fiable con unos criterios claros y un par de horas de trabajo.

¿Cómo saber si tus datos son realmente útiles para IA?

Casi todas las empresas con más de 5 años de vida tienen datos. El problema rara vez es la cantidad. Es la calidad, la consistencia y la accesibilidad. Un data lake con millones de registros no vale nada si la mitad están duplicados, un tercio tiene campos vacíos y el resto cambia de formato cada trimestre.

Para un proyecto de IA —ya sea un modelo predictivo, un sistema de clasificación o un copilot con datos internos—, lo que necesitas es que los datos sean fiables, consistentes y accesibles. No perfectos: fiables.

5 criterios para evaluar si tus datos están preparados

1. Completitud

¿Faltan campos importantes en tus registros? Si tu tabla de clientes tiene el 40% de los emails vacíos o tu historial de ventas no incluye el margen porque «eso lo lleva contabilidad», hay un problema. No necesitas el 100% de completitud, pero sí que los campos críticos para tu caso de uso estén razonablemente cubiertos.

2. Consistencia

¿Un mismo concepto se registra igual en todos los sistemas? Si en el CRM un cliente se llama «Industrias García S.L.» y en el ERP aparece como «IND GARCIA» y en la hoja de comisiones es «García Ind.», cruzar esos datos requiere un trabajo manual que puede invalidar cualquier análisis automático.

3. Actualización

¿Los datos reflejan la realidad actual? Un CRM con 10.000 contactos de los cuales 6.000 no se han actualizado en tres años no es una base de datos de clientes: es un cementerio de registros. Para un modelo predictivo, los datos recientes son mucho más valiosos que los históricos si estos últimos están desactualizados.

4. Accesibilidad

¿Se pueden extraer los datos de forma automática? Si la única forma de sacar datos del ERP es que alguien haga un export manual a Excel cada lunes, hay un cuello de botella. Un proyecto de IA necesita acceso programático a los datos: una API, una conexión a base de datos o al menos exports automatizados.

5. Volumen histórico

¿Hay suficiente historia para entrenar un modelo? Para un modelo predictivo de demanda necesitas al menos 18-24 meses. Para un modelo de churn, 12 meses mínimo. Para un sistema de clasificación documental, unos cientos de documentos etiquetados. La cantidad exacta depende del caso de uso, pero si solo tienes datos de los últimos 3 meses, la mayoría de modelos predictivos no van a funcionar.

Problemas de calidad que matan un proyecto de IA

Estos son los problemas que vemos con más frecuencia y que pueden hacer inviable un proyecto si no se resuelven antes:

• Duplicados masivos en el CRM: el mismo cliente aparece 3-5 veces con variaciones del nombre. Cualquier análisis por cliente queda distorsionado.
• Campos de texto libre donde debería haber categorías: si el motivo de una incidencia se registra como texto libre en lugar de una lista cerrada, clasificar automáticamente se vuelve diez veces más difícil.
• Datos de ventas sin margen o sin coste: si solo registras facturación pero no coste, cualquier análisis de rentabilidad requiere cruzar con contabilidad, que probablemente tiene otra estructura.
• Históricos que cambian de formato cada año: si en 2023 los productos se clasificaban de una forma y en 2025 de otra, el modelo necesita una tabla de equivalencias que alguien tiene que construir a mano.

Cómo hacer un diagnóstico rápido

No necesitas un proyecto formal para evaluar el estado de tus datos. Puedes hacer un diagnóstico básico en una tarde siguiendo estos pasos. Si después necesitas un análisis más profundo, un servicio de gobierno del dato y calidad te da un mapa completo con recomendaciones accionables.

1. 1Exporta las 3-4 tablas de datos principales que usarías en tu proyecto de IA (ventas, clientes, productos, incidencias…).
2. 2Mira la completitud: ¿qué porcentaje de campos críticos están vacíos? Si supera el 20%, hay trabajo previo.
3. 3Busca duplicados: ¿cuántos registros de cliente o producto están repetidos con variaciones?
4. 4Comprueba la consistencia: ¿los mismos conceptos se registran igual en diferentes sistemas?
5. 5Revisa el histórico: ¿cuántos meses de datos limpios y consistentes tienes?

Si tus datos no están listos, qué hacer antes

Que los datos no estén perfectos no significa que haya que parar. Un sprint de calidad de datos de 2-4 semanas puede desbloquear un proyecto: limpiar duplicados, estandarizar categorías, completar campos críticos y documentar reglas de calidad. Es una inversión que beneficia no solo al proyecto de IA, sino a toda la operativa de la empresa. Y si ya tienes claro que necesitas un proyecto de inteligencia artificial aplicada, empezar con una fase de preparación de datos es la forma más segura de asegurar resultados.

El peor escenario no es tener datos malos. Es asumir que son buenos sin comprobarlo y montar un proyecto de IA sobre cimientos que no aguantan.

Cómo cambia el listón según el tipo de proyecto

Mini checklist para salir de la duda en una mañana

1. 1Elige un caso de uso concreto, no hacer IA en general.
2. 2Revisa 2-3 fuentes reales y no la versión idealizada que se cuenta en reuniones.
3. 3Comprueba si los campos críticos pueden extraerse sin trabajo manual heroico.
4. 4Valida con negocio si las definiciones son estables o cambian según quién mire.
5. 5Decide si el siguiente paso es un quick win de calidad, una base de datos mejor o directamente un proyecto.

Si fallas en dos o más criterios, no significa que debas parar para siempre. Significa que antes conviene reforzar la plataforma de datos, activar algo de gobierno del dato y calidad o revisar requisitos más específicos, como los de una base documental para RAG o los de un proyecto de predicción de demanda.

Preguntas frecuentes sobre calidad de datos antes de IA

¿Necesito datos perfectos?

No. Necesitas datos suficientemente fiables para el caso de uso que quieres resolver. La perfección rara vez existe; la consistencia y trazabilidad sí pueden construirse.

¿Qué suele fallar más: volumen o calidad?

En pymes suele fallar más la calidad y la accesibilidad que el volumen puro. Muchas veces hay datos de sobra, pero mal definidos, duplicados o difíciles de extraer.

¿Esto se puede revisar sin hacer un proyecto largo?

Sí. Un diagnóstico corto y bien enfocado suele bastar para saber si conviene avanzar, limpiar primero o cambiar el alcance inicial.