IA sobre Tus Datos

Cómo Ponemos la IA sobre Tus Datos

Así empiezan la mayoría de los proyectos de IA: alguien lee un artículo, se lo presenta al CEO, contratan a un proveedor, y seis meses después hay un proof-of-concept que funciona en una demo pero nadie usa en producción. El proveedor se va. El POC queda en un repositorio. La empresa concluye “la IA no funciona para nosotros.”

La IA funcionó bien. La base no.

Los tres modos de fracaso que vemos repetidamente

Primero: empezar con la tecnología en lugar de la decisión. “Deberíamos usar LLMs” no es una estrategia. “Necesitamos reducir el análisis de encuestas de 3 semanas a 3 horas” sí lo es. La tecnología sigue al problema.

Segundo: apuntar la IA a un stack sin gobierno. Un LLM es tan confiable como los datos que tiene debajo — hazle una pregunta de ingresos sobre cinco definiciones contradictorias de ingresos y escogerá una con toda confianza. Por eso la capa semántica va primero: métricas definidas una sola vez, en código, para que la respuesta de la IA sea la misma que firma tu CFO. Hemos rechazado propuestas de IA y recomendado limpieza de datos en su lugar. No es lo que el cliente quería escuchar, pero le ahorró seis cifras.

Tercero: construir sin barreras de uso. Un LLM que alucina en una demo es una curiosidad. Un LLM que alucina en un sistema orientado a pacientes es un riesgo legal. Cada implementación de IA necesita límites explícitos sobre qué puede y qué no puede hacer, cómo se detectan errores y quién es responsable.

Cómo se ve un proyecto

Si ya tienes una plataforma gobernada, vamos directo a montar la capa semántica y la IA encima. Si no estás seguro de dónde encaja la IA, empezamos con AI Opportunity Mapping: una evaluación estructurada de 2-3 semanas que examina tus operaciones, la preparación de tus datos y las capacidades de tu equipo contra una biblioteca de casos de uso probados, rankeados por impacto, factibilidad y preparación de datos.

Luego construimos. No una presentación sobre lo que la IA podría hacer. Un sistema funcionando sobre tus datos.

Hemos entregado este patrón de principio a fin — capas semánticas y LLMs sobre datos de clientes — tanto en una franquicia de restaurantes de 100+ sucursales como en una plataforma SaaS global. Para un proveedor de salud, significó un pipeline desde respuestas de SurveyMonkey a través de AWS Lambda y la API de ChatGPT hacia Snowflake — convirtiendo encuestas de pacientes en insights estructurados en minutos en lugar de semanas. Para una plataforma de seguridad en la nube, entregamos un modelo de precios FY27 en 9 días usando Claude Code en 28 sesiones enfocadas — porque la arquitectura correcta (tablas seed estructuradas, lookups temporales, validación paralela) eliminó el trabajo manual que usualmente estira los proyectos de precios a trimestres.

Qué dejamos al irnos

Además del sistema funcionando: un documento inicial de barreras de uso de IA adaptado a tu industria y perfil de riesgo. Un scorecard de preparación de datos que muestra qué casos de uso adicionales pueden soportar tus datos actuales y cuáles necesitan inversión primero. Un plan de entrega para que tu equipo pueda operar, monitorear e iterar sin nosotros.

Cuándo la IA no es la respuesta

Si una consulta SQL y un dashboard bien diseñado resuelven el problema, la IA agrega complejidad sin valor. Si tus datos no están limpios ni centralizados, la IA amplificará las inconsistencias — empieza con Fundamentos de Datos Unificados, o con La Radiografía de Datos si quieres primero el mapa de la brecha. Aproximadamente el 30% de los casos de uso que los clientes nos traen se resuelven mejor con analítica convencional, y lo decimos.

Preguntas que vale la pena hacer antes de invertir

¿Puedes describir la decisión específica que este sistema de IA mejoraría — y cómo mides esa mejora hoy sin IA? ¿Tienes al menos 6 meses de datos limpios y gobernados para el proceso que quieres automatizar? Si el sistema de IA comete un error, ¿cuál es el costo — y quién lo detecta?