IA en tu empresa: lo que no puede faltar antes de empezar

La inteligencia artificial (IA) promete automatizar tareas y mejorar la eficiencia, pero antes de pensar en modelos o licencias, hay un paso previo que suele determinar si el proyecto funcionará o fracasará: preparar los datos y la estructura interna.

Carles Abarca, vicepresidente de Transformación Digital del Tecnológico de Monterrey, dijo que la IA, aunque nos sorprenda a veces con sus resultados, no es más que un algoritmo. 

"La precisión y la calidad de los resultados depende íntegramente de los datos con que la alimentamos”, agrega.

En la misma línea, Adolfo Ernesto Arroyo, catedrático del Tec, señala que preparar los datos es “la parte fundamental” para que un modelo funcione: “Es el verdadero cuello de botella que tenemos en los modelos”. 

En CONECTA te presentamos los principales puntos clave sobre cómo usar la inteligencia artificial (IA) en empresas y negocios.
 

Un objetivo claro y medible

El primer paso no es elegir ChatGPT, un agente o un software “de moda”, sino definir qué problema quieres resolver: atención al cliente, mantenimiento predictivo, ventas, riesgo financiero, inventario o analítica.

“El gran error es subirse por moda, no por necesidad. Lo primero que tienes que identificar es qué problema quieres resolver”, explica Abarca.

Checklist rápido:

• ¿Qué área quieres mejorar y por qué?
• ¿Cómo se medirás el éxito? (tiempo, costo, errores, satisfacción, ingresos)
• ¿Qué indicador mostrará que sí funcionó?

Procesos definidos: la IA puede replicar el desorden

Según Abarca, muchas organizaciones suponen que la IA rellena los vacíos de información como lo hace una persona, pero no funciona así. Si el proceso está incompleto o mal documentado, la IA solo replicará ese desorden.

“La inteligencia artificial no va a imaginar. O tenemos una buena definición de procesos y una buena calidad de datos o el proyecto está abocado al fracaso”, dice Abarca.

Antes de IA, define:

• Flujo real del proceso (de inicio a fin)
• Entradas y salidas de cada paso
• Excepciones (“¿qué pasa si…?”)
• Responsables por etapa

Datos listos, no solo “muchos datos”

Para Arroyo, el cambio está en pasar de volumen a calidad, con datos útiles para el caso de uso. Uno de los errores frecuentes es creer que basta con “tener mucho”. 

“Capturar datos hoy en día es muy fácil, lo importante es la calidad y que estén bien regulados por el caso de uso”, explica.

Señales de que tus datos NO están listos:

• Duplicados (mismo cliente aparece varias veces)
• Inconsistencias en nombres/direcciones
• Datos incompletos o sin estándares
• Falta de metadatos (origen, fecha, responsable)

Limpieza, orden y una trazabilidad mínima de datos

Preparar datos, según el catedrático, implica que la empresa pueda responder preguntas básicas: ¿de dónde viene este dato?, ¿quién lo generó?, ¿cuándo se actualizó?, ¿en qué sistema vive?

Arroyo lo resume así: “Sin un dataset bien estructurado, auditable y bien definido, la IA se va a comportar como un instrumento mal calibrado”, aseguró.

Acción recomendada:

Crear una estructura mínima de clasificación de datos.

• Catálogo de datos (qué existe y dónde)
• Definiciones comunes (mismo significado en toda la empresa)
• Campos obligatorios por sistema
• Indicadores de calidad

Cerrar brechas tecnológicas antes de escalar la IA

Si la empresa aún depende de procesos manuales o papel, o su infraestructura digital es frágil, la IA no podrá escalar.

Abarca lo explica como uno de los tres errores típicos: intentar IA cuando hay “una enorme deuda técnica" y procesos que no están digitalizados o estandarizados.

Qué revisar:

• ¿Qué procesos aún son manuales?
• ¿Qué sistemas no se conectan entre sí?
• ¿Cuántas tareas dependen de capturas “a mano”?

Detectar y corregir que los datos estén fuera del sistema

Uno de los riesgos más comunes es que la información “real” viva fuera de los sistemas oficiales: hojas de cálculo, macros, bases personales o archivos en laptops.

Para Abarca, este es el problema más habitual: “Como no encuentro respuesta, me bajo todo a un Excel... pero ese Excel ya está fuera del perímetro de gestión y ya no se tendrá en cuenta cuando diseñen IA”.

Acciones clave:

• Identificar reportes “críticos” hechos en Excel
• Ubicar quién los actualiza y con qué fuentes
• Migrar gradualmente a fuentes institucionales

Gobernanza de datos: roles, permisos y trazabilidad

La gobernanza es lo que evita que el dato sea “tierra de nadie”. Para Arroyo, no es un tema técnico, sino organizacional: se definen responsabilidades, procesos y límites.

“La gobernanza de los datos no es un tema técnico, es una institución organizacional, hay que definir roles formales”, explica.

Roles que menciona como necesarios:

• Data Owner (responsable de calidad/uso/seguridad)
• Data Steward (políticas diarias de calidad y acceso)
• MLOps (gestión del ciclo de vida del modelo)
• Legal y privacidad

Arquitectura documentada: saber qué sistemas existen y cómo se conectan

Abarca explica que una buena arquitectura debe tener pensado “qué información está en qué servidores”, cuáles son las fuentes primarias y cómo se relacionan aplicaciones, además de conexiones formales vía APIs.

“Ordenar la arquitectura” empieza con algo muy concreto: documentar lo que ya existe. 

Requisito mínimo:

• Mapa de sistemas y flujos de datos
• Fuentes “golden” (la verdad oficial)
• Integraciones estables (no intercambio de archivos)
   

Seguridad y cumplimiento: cifrado, anonimización y control de acceso

Cuando IA se conecta con datos internos o sensibles, el riesgo crece: filtraciones, multas o uso indebido. Arroyo advierte que incumplir marcos legales puede tener consecuencias graves.

“Los marcos legales ayudan a regular eso, internamente debemos tener prácticas tecnológicas: cifrado, control de acceso, anonimización”, señala. 

Para arrancar, mínimo:

• Accesos por rol (no “todos ven todo”)
• Datos sensibles clasificados
• Auditoría de cambios (quién movió qué)
• Política clara de retención y borrado

Patrocinio directivo y gestión del cambio

Aunque el foco sea datos y estructura, el factor humano define la adopción. Abarca explica que un proyecto de IA necesita involucración de áreas clave y respaldo del máximo nivel.

“Hace falta sponsorship, tiene que ser una decisión del máximo nivel ejecutivo… hay una componente humana y de gestión del cambio muy importante”, afirma.

Qué preparar internamente:

• Equipo responsable del proyecto (negocio + datos + TI)
• Capacitación básica por rol
• Comunicación clara: qué cambiará y qué no

Encuentros para construir cimientos digitales

Más allá de herramientas específicas, implementar IA se ha convertido en un tema de competitividad y transformación para las organizaciones. 

En ese contexto, el Tecnológico de Monterrey ha impulsado espacios de diálogo y aprendizaje donde se comparten experiencias, retos y casos para llevar la tecnología a aplicaciones reales dentro de empresas.

Uno de ellos es el incMTY 2026, el festival de emprendimiento del Tec, que tendrá como uno de sus ejes la inteligencia artificial y el uso de tecnología para detonar innovación en negocios y startups.

Este tipo de encuentros, según el enfoque de especialistas, abren la conversación no solo sobre “qué puede hacer” la IA, sino sobre lo que muchas empresas necesitan fortalecer: datos confiables, procesos claros y una estructura interna capaz de sostener proyectos a largo plazo.

LEE MÁS: