Prepara los datos de tu empresa para la IA: checklist

Preparar los datos de tu empresa para la inteligencia artificial consiste en cinco movimientos: inventariar dónde vive cada dato, limpiar duplicados y errores, unificar criterios de registro, centralizar las fuentes dispersas y definir quién es responsable de mantenerlo todo al día. Sin ese trabajo previo, cualquier proyecto de IA construye sobre arena: el modelo aprenderá de información incompleta o contradictoria y sus respuestas valdrán lo que valgan tus datos.

No es un tecnicismo menor. Según Deloitte, el 79% de las empresas tiene serias dificultades para escalar sus iniciativas de IA, y la causa más citada no es el algoritmo: son los datos. El CRM con clientes duplicados, los quince Excels que solo entiende quien los creó, el histórico de ventas que empieza "más o menos en 2021". ¿Te suena? Entonces este checklist es para ti, y conviene pasarlo antes de pedir presupuesto a nadie, nosotros incluidos.

Por qué tus datos deciden el éxito del proyecto antes de empezar

Un agente de IA que responde consultas de clientes necesita una base de conocimiento fiable. Un modelo que predice demanda necesita histórico de ventas limpio. Un asistente comercial necesita un CRM donde "cliente activo" signifique lo mismo para todo el equipo. La IA no arregla datos malos: los amplifica. Si tu base tiene un 15% de fichas duplicadas, tu asistente contradirá al de al lado un 15% de las veces, solo que más rápido y con más seguridad aparente.

La buena noticia es que no necesitas datos perfectos, necesitas datos suficientes y coherentes para el caso de uso concreto. Un chatbot de preguntas frecuentes exige mucho menos que un sistema de previsión de compras. Por eso el orden correcto es: elegir el caso de uso, auditar solo los datos que lo alimentan y preparar exactamente eso. Lo contamos con más contexto en la guía sobre implantar IA sin equipo técnico.

Los cuatro pecados del dato en una pyme española

Tras auditar decenas de empresas, casi todos los problemas caben en cuatro categorías:

• El CRM sucio: contactos duplicados, campos vacíos, oportunidades que llevan dos años "en negociación". Una distribuidora de Alicante con la que trabajamos tenía tres fichas distintas del mismo cliente, cada una con un descuento diferente.
• Los Excels dispersos: cada departamento con su versión de la verdad. Ventas dice una cifra, administración otra, y ambas tienen razón según su hoja.
• La falta de histórico: se sobrescribe en lugar de registrar. Sabes el stock de hoy, pero no el de ningún día anterior, y sin serie temporal no hay predicción posible.
• Los silos: el ERP no habla con el CRM, el CRM no habla con la web, y el correo no habla con nadie. Cada sistema es una isla y el conocimiento vive en la cabeza de dos personas.

¿Cómo saber si mis datos están listos para la IA?

Este es el checklist que aplicamos en nuestras auditorías. Puntúa cada punto del 1 al 5 y tendrás un diagnóstico honesto en una tarde:

1. Inventario: ¿puedes listar en una hoja todas tus fuentes de datos (CRM, ERP, web, correo, Excels) y quién las alimenta?
2. Unicidad: ¿cada cliente, producto y pedido existe una sola vez, con un identificador único?
3. Completitud: en los campos críticos para tu caso de uso, ¿qué porcentaje está relleno? Por debajo del 70% hay trabajo previo.
4. Coherencia: ¿"cliente activo", "pedido cerrado" o "lead cualificado" significan lo mismo en todos los sistemas y para todo el equipo?
5. Histórico: ¿conservas al menos 12-24 meses de registros con fecha, o cada actualización borra la anterior?
6. Gobernanza: ¿hay una persona responsable de la calidad del dato, aunque sea a tiempo parcial, y una norma escrita de cómo se registra?

Si sumas menos de 18 puntos sobre 30, no es que la IA no sea para ti: es que el primer proyecto de IA de tu empresa debería ser, precisamente, ordenar los datos.

¿Necesito un data warehouse para implantar IA?

No siempre, y aquí conviene desmontar un mito caro. Un data warehouse (un almacén central que consolida datos de varios sistemas) es imprescindible cuando quieres análisis transversal o predicción seria, pero muchos casos de uso arrancan con bastante menos:

Si tu gestión ya vive en un ERP moderno, parte del trabajo está hecho; en el post sobre ERP con inteligencia artificial explicamos cómo aprovecharlo. Y cuando el proyecto exige consolidar fuentes, nuestro servicio de arquitectura de datos se encarga justo de eso: que todo hable con todo antes de poner la IA encima.

Cuánto cuesta y cuánto se tarda en dejar los datos listos

Seamos honestos: depende del estado de partida, pero hay horquillas razonables. Una limpieza de CRM con unificación de criterios suele moverse entre 1.500 y 5.000 euros en una pyme. Centralizar fuentes en un almacén sencillo, entre 4.000 y 15.000 según el número de sistemas. ¿Parece un sobrecoste? Es al revés: es la parte de la inversión que evita tirar el resto. Un proyecto de IA de 20.000 euros sobre datos rotos vale cero; uno de 12.000 sobre datos ordenados se amortiza.

El tiempo va de dos semanas a tres meses. Y hay un efecto secundario que casi nadie anticipa: solo con ordenar los datos, muchas empresas descubren duplicidades de gasto, clientes desatendidos y stock fantasma. La preparación ya tiene retorno antes de encender ningún modelo.

¿Quién debe hacerlo? Si tienes a alguien de sistemas o una persona muy metódica en administración, la limpieza básica puede ser interna con una guía clara. La unificación de criterios, en cambio, es una conversación de negocio, no técnica: sentaos ventas, administración y gerencia una mañana y decidid qué significa cada campo. Y la centralización de fuentes sí suele pedir ayuda externa, porque conectar sistemas mal conectados es donde más tiempo se pierde a ciegas. Un consejo final: documenta cada decisión en una hoja compartida; dentro de un año, cuando alguien pregunte por qué "cliente activo" se definió así, esa hoja valdrá oro. Todo este trabajo previo es, además, la base de lo que contamos en la guía de IA para empresas.

Preguntas frecuentes sobre preparar datos para la IA

¿Qué datos necesita una empresa para usar inteligencia artificial?

Depende del caso de uso: un chatbot necesita tu documentación y catálogo al día; un asistente comercial, un CRM limpio y con criterios unificados; una predicción de demanda, al menos 12-24 meses de histórico de ventas con fechas. La regla práctica es preparar solo los datos que alimentan el primer proyecto, no toda la empresa a la vez.

¿Cómo saber si mis datos están listos para la IA?

Pasa un checklist de seis puntos: inventario de fuentes, registros únicos sin duplicados, campos críticos rellenos por encima del 70%, criterios coherentes entre sistemas, histórico conservado y un responsable de la calidad del dato. Si fallas en tres o más, tu primer proyecto de IA debería ser ordenar los datos, no comprar herramientas.

¿Qué es la calidad del dato y por qué importa?

Es el grado en que tus datos son exactos, completos, coherentes y están actualizados. Importa porque la IA aprende de ellos y amplifica sus defectos: un CRM con duplicados produce respuestas contradictorias, y un histórico incompleto genera predicciones erróneas. Deloitte señala los datos como la causa principal de que el 79% de las empresas no logre escalar su IA.

¿Necesito un data warehouse para implantar IA?

No para empezar. Un chatbot o un asistente sobre el CRM funcionan sin almacén central; basta con documentación limpia y una fuente depurada. El data warehouse se vuelve necesario cuando quieres predicción o análisis que cruce varios sistemas (ERP, CRM, web). Montarlo en una pyme suele llevar de uno a cuatro meses según las fuentes.

En IAmanos ayudamos a empresas españolas y europeas a auditar sus datos y dejarlos listos antes de invertir en IA, con arquitectura de datos propia y cumplimiento del RGPD desde el diseño. Si quieres saber en qué punto está tu empresa y cuánto costaría prepararla, pide una consultoría gratuita de 30 minutos desde nuestro cotizador y te damos un diagnóstico sin compromiso.