Qué datos necesitás antes de implementar inteligencia artificial en tu empresa

Cada semana hablamos con empresas que quieren "usar IA". Algunas imaginan un asistente que responda consultas sobre ventas; otras, un sistema que cargue pedidos solo o que anticipe la demanda. Todas esas ideas son posibles hoy, pero tienen algo en común: la inteligencia artificial es tan buena como los datos que consume.

Un agente conectado a datos desordenados no se vuelve más inteligente: se equivoca más rápido y con más seguridad. Por eso, antes de elegir un modelo o una herramienta, conviene mirar los datos.

1. Saber dónde está cada dato

El primer paso es un inventario. ¿Dónde están las ventas, el stock, los clientes, los precios, los objetivos? En la mayoría de las empresas la respuesta incluye un ERP, un CRM, varias planillas de Excel, archivos que exportan los distribuidores y, cada vez más, pedidos y consultas que llegan por WhatsApp o email.

No hace falta que todo esté en un solo sistema, pero sí saber qué fuente es la oficial para cada dato. Si las ventas del mes dan un número en el ERP y otro en la planilla del área comercial, un agente de IA no va a saber cuál usar.

2. Un registro por cliente, producto y proveedor

Los duplicados son el problema más común y el más dañino. El mismo cliente cargado como "Supermercado Norte SA", "Supermercado Norte" y "SUPERM. NORTE" se convierte en tres clientes distintos para cualquier análisis.

Cuando le preguntes a un agente "¿cuánto nos compró este cliente en el año?", la respuesta va a estar mal si los registros no están unificados. Deduplicar y asignar códigos únicos es trabajo previo, pero es el que hace que las respuestas sean confiables.

3. Criterios comunes

Unidades, monedas, fechas y categorías tienen que significar lo mismo en todas las fuentes. Algunos ejemplos que vemos seguido:

• Un sistema registra ventas en unidades y otro en cajas.
• Una planilla usa pesos y otra dólares, sin indicar el tipo de cambio.
• Las categorías de producto cambiaron a mitad de año y el historial quedó con las dos versiones.
• Cada área define "cliente activo" de una forma diferente.

Normalizar estos criterios y documentarlos es lo que permite que un agente compare y sume información de distintas fuentes sin mezclar peras con manzanas.

4. Datos actualizados de forma automática

Un agente que responde con datos de hace un mes no sirve para decidir. Si hoy alguien actualiza un reporte copiando y pegando cada lunes, la IA va a heredar esa demora y esos errores.

Antes de pensar en el agente, conviene automatizar la carga de datos: conexiones programadas a cada sistema, recepción automática de los archivos de distribuidores y controles que avisen cuando algo no llegó o llegó con errores.

5. Permisos y trazabilidad

Una vez que los datos están disponibles para un agente, aparecen preguntas importantes: ¿todos pueden ver todo? ¿un vendedor debería consultar la cartera de otro? ¿cómo sabe quien recibe una respuesta de dónde salió el número?

Un buen proyecto de IA define desde el principio qué puede ver cada usuario y hace que cada respuesta indique su fuente. Eso genera confianza y facilita detectar errores.

¿Y si mis datos no cumplen todo esto?

Es lo más habitual, y no es un motivo para postergar el proyecto. Es el motivo para empezar por el lugar correcto. En lugar de intentar ordenar todos los datos de la empresa de una vez, recomendamos:

1. Elegir un caso de uso concreto con impacto claro, por ejemplo consultas sobre ventas para el equipo comercial.
2. Preparar solo los datos que ese caso necesita: las fuentes, los criterios y los controles.
3. Poner en marcha un piloto con pocos usuarios, medir y ajustar.
4. Escalar a otros casos reutilizando lo que ya está ordenado.

Así, cada paso deja datos más confiables para el siguiente, y la empresa ve resultados desde el primer proyecto.

En resumen

Antes de implementar inteligencia artificial, revisá si podés responder estas cinco preguntas:

• ¿Sé dónde está cada dato y cuál es la fuente oficial?
• ¿Tengo un único registro por cliente, producto y proveedor?
• ¿Las distintas fuentes usan los mismos criterios?
• ¿Los datos se actualizan solos?
• ¿Está definido quién puede ver qué?

Si alguna respuesta es "no" o "no sé", el primer paso no es elegir un modelo de IA: es preparar los datos.