6 min
Tu agente de IA es tan bueno como lo sean tus datos maestros
Los agentes autónomos son tan fiables como los datos maestros que leen. Por qué la gobernanza de datos ha pasado de ser una tarea de mantenimiento a un requisito indispensable, y qué es lo que falla cuando no se implementa.
Toda hoja de ruta de software empresarial tiene ahora la misma diapositiva. Agentes que no solo sugieren, sino que ejecutan. Sistemas que reabastecen existencias, incorporan a un proveedor o reclasifican un producto sin que nadie tenga que hacer clic en aprobar. La empresa autónoma llega más rápido de lo que la mayoría de los equipos de gobernanza esperaban.
Lo que esa diapositiva rara vez menciona es la información que hay detrás. Un agente no razona sobre su negocio en abstracto: lee sus datos maestros y actúa en función de lo que encuentra. Lo que significa que la calidad de esos datos deja de ser un asunto de mantenimiento informático para convertirse en el límite de lo que todo esto puede hacer de forma segura.
El punto ciego de la empresa autónoma
Existe una premisa implícita en la mayoría de las hojas de ruta de la IA: que el modelo es la parte difícil y que los datos ya están ahí. En la práctica, es al revés. Los modelos son extraordinarios y mejoran mes a mes. Los datos maestros que consumen son, en la mayoría de las organizaciones, una acumulación de atajos de toda una década: proveedores duplicados creados porque alguien no pudo encontrar el existente, materiales clasificados en la categoría más cercana, unidades de medida heredadas de un sistema heredado que nadie ha desmantelado por completo.
Nada de eso importaba mucho cuando un humano se interponía entre los datos y la decisión. Las personas compensan. Un comprador experimentado sabe que dos registros de proveedores pertenecen a la misma empresa. Un planificador reconoce una unidad de medida incorrecta y la corrige mentalmente. Esa capa silenciosa de corrección humana lleva años subvencionando unos datos maestros deficientes.
Los agentes no compensan. Ejecutan. Si eliminas al humano del proceso, también eliminas la corrección informal de errores que mantenía unido el proceso.
Qué pasa cuando un buen agente se encuentra con datos maestros incorrectos
Los modos de fallo se dividen claramente en dos categorías, y sus costes son muy diferentes.
El impuesto silencioso: tiempo dedicado a corregir en lugar de decidir
El primero es familiar para cualquiera que haya dirigido un equipo de datos. El trabajo que se suponía automatizado vuelve a requerir una revisión manual. Las excepciones se acumulan. Un agente marca miles de registros sobre los que no puede actuar con confianza, y una persona pasa la semana resolviéndolos uno por uno, que es precisamente el trabajo que la automatización debía eliminar.
Esto rara vez aparece en un caso de negocio porque nunca se muestra como una única cifra elevada. Se presenta como una capacidad que nunca llegó a materializarse y como un equipo de datos que está permanentemente ocupado sin llegar a avanzar.
El tipo costoso: cuando el agente tiene razón y los datos están equivocados
La segunda categoría es más inusual y considerablemente más perjudicial. El agente se comporta exactamente como fue diseñado. La lógica es sólida, el modelo rinde, el flujo de trabajo se completa. Y el resultado es incorrecto, porque el registro sobre el que actuó era incorrecto.
Un pedido de compra dirigido a un registro de proveedor duplicado con condiciones de pago obsoletas. Un reabastecimiento calculado para un material cuya unidad de medida indica unidades cuando la planta trabaja en cajas. Un producto excluido de un mercado porque nunca se mantuvo un campo de clasificación. Cada uno de estos es un sistema que funciona produciendo un resultado costoso, y cada uno es mucho más difícil de detectar que un fallo absoluto, porque nada parece roto.
Esta es la parte incómoda: un agente bien diseñado no reduce el impacto de unos datos maestros deficientes. Lo escala, a velocidad de máquina, a través de cada transacción que toca.
Por qué la IA eleva el coste de unos datos maestros deficientes
Tres cosas cambian una vez que los agentes entran en el proceso.
Volumen. Una persona procesa unos cientos de decisiones al día. Un agente procesa tantas como le permitas. La misma tasa de defectos produce un orden de magnitud de consecuencias diferente.
Velocidad. Los errores solían aflorar en el cierre de mes o durante una revisión manual. Ahora se propagan antes de que nadie haya mirado.
Opacidad. Cuando un humano toma una decisión de criterio, normalmente hay a quién preguntar. Cuando un agente actúa sobre un registro erróneo, el razonamiento es técnicamente correcto, por lo que la investigación comienza en el lugar equivocado, buscando un fallo en el modelo en lugar de en los datos.
La conclusión incómoda es que las organizaciones más deseosas de desplegar agentes suelen ser las menos preparadas, porque el entusiasmo por la automatización tiende a superar al trabajo mucho menos glamuroso de corregir los registros subyacentes.
El gobierno de datos deja de ser higiene y se convierte en un requisito previo
Durante la mayor parte de su historia, el gobierno de datos maestros se ha vendido como reducción de riesgos y precisión en los informes. Digno, pero fácil de posponer. Ese argumento ya no se sostiene, porque el gobierno es ahora lo que determina si es seguro activar la automatización.
Una definición, no cinco
Si un material o un socio comercial significa algo ligeramente diferente en cada sistema, un agente no tiene una base fiable sobre la que apoyarse. Una única definición gobernada no es una preferencia de modelado: es lo que hace que la acción automatizada sea defendible.
Reglas que viven en el sistema, no en una hoja de cálculo
La lógica de validación y derivación que reside en la hoja de cálculo de alguien o en la memoria institucional no se puede aplicar frente a un volumen a velocidad de máquina. Las reglas tienen que estar integradas allí donde se crean los datos, aplicarse de forma coherente y ser visibles cuando cambian.
Datos que se explican por sí mismos
Los agentes funcionan mejor con datos que conllevan su propio contexto: clasificaciones mantenidas, relaciones explícitas, documentación al día en lugar de reconstruida a posteriori. Unos datos maestros bien gobernados no solo están más limpios, sino que son más legibles para una máquina, un requisito para el que nadie diseñaba hace cinco años.
¿Cómo saber si tus datos maestros están listos para la IA?
Es una pregunta honesta y la respuesta rara vez es obvia desde dentro de la organización. La mayoría de los equipos tienen la vaga sensación de que sus datos son imperfectos, sin una visión clara de dónde se concentran los defectos, cuáles romperían realmente un proceso automatizado y cuáles son estéticos.
El punto de partida útil no es un programa de gobierno ni la selección de una herramienta. Es un diagnóstico: una mirada poco glamurosa a lo que realmente hay en producción (duplicados, campos críticos vacíos, clasificaciones inconsistentes, registros que se contradicen entre sistemas) y un juicio sobre cuáles de ellos importan para lo que pretendes automatizar.
A veces ese diagnóstico concluye que la solución adecuada es una implantación completa de gobierno. Otras veces concluye que tres correcciones específicas eliminarían el ochenta por ciento del riesgo, y que un programa de gran envergadura sería una forma costosa de resolver un problema menor. Ambos resultados son útiles. Lo único que no funciona es desplegar agentes sobre datos que nadie ha examinado y tratar el resultado como un problema de IA cuando sale a la superficie.
El argumento fundamental, expuesto claramente
Los datos maestros llevan años describiéndose como un facilitador, una base, un activo estratégico; un lenguaje lo suficientemente vago como para poder ignorarlo con seguridad. La llegada de los agentes hace que el argumento sea concreto. La calidad de tus datos maestros establece ahora el límite de cuánta parte de tu negocio puedes automatizar de manera responsable.
Esa es una razón mucho mejor para corregirlos de lo que jamás lo fue cualquier plazo de cumplimiento normativo.
¿No estás seguro de si sus datos maestros podrían respaldar la automatización? En JA2E realizamos evaluaciones de datos maestros como un diagnóstico, no como un discurso de ventas: una lectura honesta de lo que realmente hay, con o sin una recomendación de MDG al final.