Regresar
Ilustración 3D sobre fondo blanco de tres capas apiladas, dos blancas y una negra, atravesadas por un conducto celeste con esferas magenta

Cómo Preparar los Datos para IA en Producción: Preparación, Seguridad por Defecto e Integración

La mayoría de las iniciativas de inteligencia artificial que se detienen después del piloto no se detienen por el modelo. El modelo responde bien en la demostración, con una muestra limpia y acotada, y deja de hacerlo cuando tiene que operar sobre los datos reales de la organización: duplicados, sin responsable claro, con permisos heredados que nadie revisó y repartidos en sistemas que no se comunican entre sí. Una encuesta de Gartner a líderes de gestión de datos, realizada en 2024 y publicada el 26 de febrero de 2025, encontró que el 63% de las organizaciones no tiene, o no está segura de tener, las prácticas de gestión de datos adecuadas para IA. La misma firma proyecta que, hasta 2026, las organizaciones abandonarán el 60% de los proyectos de IA que no estén respaldados por datos preparados para ese uso.

El problema tampoco es solo técnico. El 21 de septiembre de 2026, Gartner publicó una encuesta a 223 líderes de datos y analítica, realizada en marzo de 2026, en la que la resistencia cultural supera a la falta de presupuesto como causa principal del fracaso de las iniciativas de gobernanza (60% frente a 40%). Su proyección es que, para 2027, el 60% de las organizaciones que no atiendan esos desafíos culturales fallará en gobernar la IA. Preparar los datos para producción exige entonces tres trabajos que avanzan juntos: la preparación de los datos, la seguridad por defecto y la integración con los sistemas donde vive la operación.

El Papel de los Datos en la IA en Producción

Un sistema de IA en producción hereda todo lo que sus datos traen consigo: su calidad, sus vacíos y sus permisos. Tres áreas concentran el trabajo.

1. Preparación

Preparar los datos no es limpiarlos una vez. Es dejar establecido, para cada fuente que el sistema va a consultar, quién es su responsable, de dónde viene cada campo, con qué frecuencia se actualiza y qué nivel de calidad es aceptable para el caso de uso. Gartner resume ese trabajo en cinco pasos: alinear los datos con los casos de uso, definir los requisitos de gobernanza, llevar los metadatos de pasivos a activos, preparar los flujos de datos y asegurar y mejorar los datos. El orden importa. Se empieza por el caso de uso y no por el inventario completo de datos de la empresa, que rara vez se termina.

2. Seguridad por Defecto

Un asistente conectado a los repositorios internos puede encontrar en segundos el documento que durante años estuvo protegido solo porque nadie sabía dónde buscarlo. Por eso la seguridad tiene que estar resuelta antes de conectar el modelo, y no después del primer incidente. La lista de riesgos para aplicaciones con modelos de lenguaje del proyecto OWASP, en su versión de 2025, ubica la divulgación de información sensible como su segundo riesgo (LLM02:2025). Entre las medidas que recomienda están limitar el acceso a los datos según el principio de mínimo privilegio, restringir las fuentes externas a las que el modelo puede acceder y sanear los datos antes de usarlos en entrenamiento.

En la práctica, seguridad por defecto significa que cada fuente entra al sistema ya clasificada, con el acceso más restrictivo como punto de partida, y que ampliar ese acceso es una decisión registrada y con responsable.

3. Integración

La tercera área define cómo llega el sistema de IA a los datos. La vía rápida es copiar: exportar tablas, cargar documentos en un repositorio aparte o construir un índice paralelo. Cada copia es un dato que deja de actualizarse, pierde los permisos de su sistema de origen y queda fuera de los controles de la organización. La vía sostenible es que el sistema consulte los sistemas de registro a través de interfaces controladas, con identidad propia, permisos acotados y un registro de cada consulta.

Impacto de una Arquitectura de Datos Preparada

1. Respuestas con Origen Verificable

Ejemplo práctico: Un asistente interno responde una consulta sobre la política de devoluciones e indica el documento, la versión y la fecha de vigencia de donde tomó la respuesta.

Cómo funciona: Cada fuente está inscrita en un catálogo con responsable, fecha de actualización y linaje. El sistema solo recupera contenido de fuentes catalogadas y adjunta esa referencia a cada respuesta.

Ventajas: Quien recibe la respuesta puede comprobarla. Cuando una respuesta es incorrecta, el equipo identifica si el error está en la fuente o en el modelo y corrige donde corresponde.

2. Permisos que Viajan con el Dato

Ejemplo práctico: Dos personas hacen la misma pregunta sobre bandas salariales. Quien trabaja en recursos humanos recibe la respuesta completa. Quien no, recibe solo la política general publicada.

Cómo funciona: El sistema aplica los permisos del usuario en el momento de recuperar la información, no después de generar la respuesta. Lo que la persona no puede ver en el sistema de origen no entra al contexto del modelo.

Ventajas: El control de acceso no depende de instrucciones al modelo, que pueden fallar o ser manipuladas. Además se reutilizan los permisos que la organización ya administra, en lugar de mantener un segundo esquema.

3. Una Sola Vía de Acceso a los Sistemas de Registro

Ejemplo práctico: Un sistema de IA que atiende consultas de clientes revisa el estado de un pedido directamente en el sistema de gestión, en lugar de leer una exportación de la noche anterior.

Cómo funciona: Una capa de integración expone consultas definidas: qué se puede pedir, con qué parámetros y con qué identidad. Cada llamada queda registrada y no hay copias intermedias que mantener.

Ventajas: El dato está vigente, cada consulta deja registro y retirar un acceso es un cambio en un solo lugar.

Ejemplos de Aplicación

Banca

Un banco quiere que sus ejecutivos de cuenta consulten en lenguaje natural la situación de un cliente. Antes de conectar el modelo, clasifica las fuentes (datos de identificación, saldos, historial de reclamos), define que el sistema opera solo con la identidad del ejecutivo que pregunta y expone tres consultas acotadas al sistema central. El ejecutivo ve lo mismo que ya podía ver, en menos tiempo, y el área de cumplimiento cuenta con un registro de cada consulta.

Retail

Una cadena de tiendas quiere responder preguntas de inventario y precios en sus canales de atención. El trabajo previo consiste en designar una sola fuente para el precio vigente, documentar su frecuencia de actualización y retirar las hojas de cálculo paralelas que mantenía cada región. El sistema consulta esa fuente y, cuando no encuentra un dato vigente, lo dice en lugar de responder con una cifra desactualizada.

Desafíos

  • Fuentes sin responsable. Si nadie responde por un conjunto de datos, nadie corrige sus errores ni autoriza su uso.
  • Permisos heredados. Carpetas y repositorios acumulan accesos que nunca se retiraron. Un sistema de IA los vuelve visibles de inmediato.
  • Copias fuera de control. Cada exportación hecha para un piloto se convierte en una fuente paralela que alguien tendrá que mantener o eliminar.
  • Resistencia cultural. Según la encuesta de Gartner de 2026, pesa más que el presupuesto. La gobernanza se percibe como un freno cuando llega después del proyecto y no con él.
  • Calidad que se degrada. Una fuente validada hoy puede dejar de serlo en seis meses si no hay un proceso que la revise.
  • Requisitos regulatorios con fecha. El Reglamento de Inteligencia Artificial de la Unión Europea exige, para los sistemas de alto riesgo que entrenan modelos con datos, que los conjuntos de entrenamiento, validación y prueba cumplan criterios de calidad (artículo 10). Tras el Reglamento (UE) 2026/1744, las obligaciones de alto riesgo aplican a los sistemas del Anexo III desde el 2 de diciembre de 2027.

Métrica Clave: Cobertura de Linaje

Entre las métricas posibles, una resulta útil desde el primer día porque muestra cuánto del sistema descansa sobre fuentes conocidas.

Fórmula: Cobertura de linaje (%) = (Fuentes con linaje y responsable documentados ÷ Fuentes que consulta el sistema de IA) × 100

Cómo se mide: Se toma el inventario de fuentes que el sistema consulta en producción y se cuenta cuántas tienen documentados su responsable, su origen y su frecuencia de actualización. Se revisa cada mes y cada vez que se agrega una fuente.

Ejemplo: Un sistema consulta 22 fuentes y 15 tienen linaje y responsable documentados. La cobertura es de 68,2%. Las siete restantes son el plan de trabajo: se documentan o se retiran antes de ampliar el alcance del sistema.

Hacia Adelante

Los sistemas de IA están pasando de responder preguntas a ejecutar tareas. Cuando un sistema actúa, un dato desactualizado o un permiso mal heredado deja de producir una respuesta incorrecta y pasa a producir una acción incorrecta. En paralelo, el calendario regulatorio europeo ya tiene fecha para los sistemas de alto riesgo. Las organizaciones que lleguen a ese momento con fuentes catalogadas, permisos aplicados en la recuperación y una sola vía de integración no tendrán que rehacer su arquitectura para cumplir. Les bastará con documentar lo que ya hacen.

Referencias

MJ CARFORA