Un informe de Dun & Bradstreet mide el pulso real de la adopción de IA en las empresas: el 97% ya tiene iniciativas activas en marcha, pero solo el 5% dice que sus datos están lo bastante preparados para sostenerlas. La brecha no está en la potencia del modelo. Está en lo que hay debajo: datos repartidos entre sistemas que no se hablan entre sí, y una gobernanza que varía según quién la aplique ese día.
Para Carla y Marta esto cambia la conversación con dirección. El argumento habitual para frenar un proyecto de IA es que el modelo no es lo bastante bueno todavía. El dato real dice lo contrario: el modelo ya funciona, lo que falla es que el CRM, el ERP y la hoja de cálculo de ventas cuentan historias distintas del mismo cliente, y ningún agente puede reconciliar eso solo. Comprar más IA sobre datos fragmentados no arregla el problema, lo ejecuta más rápido.
La propia cifra tiene un límite que conviene señalar: un 97% de iniciativas activas no dice cuántas están realmente en producción generando resultado, frente a las que llevan meses en fase de piloto sin salir de ahí. El dato de fondo, el 5% con datos preparados, es el que más debería preocupar a quien firma el presupuesto: ahí no hay margen de interpretación, casi nadie está listo.
El caso práctico: una empresa mediana que decide automatizar la atención a clientes con un agente conversacional descubre, en la primera semana, que el histórico de pedidos vive en el ERP, las incidencias en un Excel del equipo de soporte y las preferencias del cliente en el CRM de ventas, sin ningún cruce automático entre los tres. El agente responde con seguridad, pero con la mitad de la información, y el fallo no se nota hasta que un cliente recibe una respuesta contradictoria con lo que le dijo un comercial la semana anterior.
La gobernanza inconsistente agrava esto: sin una definición compartida de qué campo significa qué cosa en cada sistema, cada equipo interpreta el dato a su manera, y el agente hereda esa ambigüedad sin poder resolverla. No es un problema técnico que un modelo mejor vaya a arreglar solo con más contexto: es un problema de orden interno que exige decisiones humanas sobre qué dato manda cuando dos sistemas se contradicen.
Para Diego, que compite con recursos más ajustados que una gran corporación, la lectura es distinta pero igual de directa: no hace falta tener el dato perfecto para empezar, pero sí hace falta saber exactamente qué tan sucio está antes de prometerle a un cliente un agente que automatiza su servicio. Vender IA sobre datos que nadie ha mirado de cerca es la forma más rápida de perder la credibilidad que costó años construir.
Qué hacer ahora: antes de aprobar el próximo proyecto de IA, pedir a los responsables de sistemas un mapa de dónde vive cada dato crítico del cliente y quién es su dueño. No hace falta un proyecto de meses: basta con elegir un proceso concreto, como la atención a clientes, y verificar en una tarde si los sistemas que lo alimentan cuentan la misma historia. Si no coinciden, ese es el proyecto real antes de cualquier agente.