La IA generativa es protagonista en muchos sectores, pero los datos que alimentan estas herramientas de IA desempeñan un papel fundamental entre bastidores. Sin datos limpios, seleccionados y conformes, incluso las iniciativas más ambiciosas de IA y aprendizaje automático (ML) fracasarán.
Hoy en día, las empresas están avanzando rápidamente para integrar la IA en sus operaciones. Según McKinsey, en 2024, el 65 % de las organizaciones afirmaron utilizar regularmente la IA generativa, lo que supone un aumento del doble con respecto a 2023.
Sin embargo, el verdadero potencial de la IA y el ML en la empresa no provendrá de la generación de contenido a nivel superficial. Provendrá de la profunda integración de los modelos en los sistemas de toma de decisiones, los flujos de trabajo y los procesos de atención al cliente, donde la calidad de los datos, la gobernanza y la confianza se convierten en elementos fundamentales.
Además, el simple hecho de incorporar características y funcionalidades de IA y ML en aplicaciones básicas no beneficiará en nada a una empresa. Las organizaciones deben aprovechar todos los aspectos de sus datos para crear ventajas estratégicas que les ayuden a destacar frente a la competencia.
Para ello, los datos que alimentan sus aplicaciones deben ser limpios y precisos para mitigar sesgos, alucinaciones y/o infracciones normativas. De lo contrario, corren el riesgo de tener problemas en la formación y los resultados, lo que en última instancia anularía los beneficios que los proyectos de IA y ML pretendían crear inicialmente.
La importancia de contar con datos limpios y de calidad
Los datos son la base de cualquier iniciativa de IA exitosa, y las empresas deben elevar el nivel de exigencia en cuanto a la calidad, la integridad y la gobernanza ética de los datos. Sin embargo, esto no siempre es tan fácil como parece. Según Qlik, el 81 % de las empresas siguen teniendo dificultades con la calidad de los datos de IA, y el 77 % de las empresas con ingresos superiores a 5000 millones de dólares esperan que la mala calidad de los datos de IA provoque una crisis importante.
En 2021, por ejemplo, Zillow cerró Zillow Offers porque no conseguía valorar con precisión las viviendas debido a algoritmos defectuosos, lo que provocó pérdidas masivas. Este caso pone de relieve una importancia fundamental: los proyectos de IA y ML deben funcionar con datos buenos y limpios para producir los resultados más precisos y óptimos.
Hoy en día, las tecnologías de IA y ML se basan en los datos para aprender patrones, hacer predicciones y recomendaciones, y ayudar a las empresas a tomar mejores decisiones. Técnicas como la generación aumentada por recuperación (RAG) extraen información de las bases de conocimientos de las empresas en tiempo real, pero si esas fuentes son incompletas o están desactualizadas, el modelo generará respuestas inexactas o irrelevantes.
La capacidad de la IA agencial para actuar de forma fiable depende del consumo de datos precisos y oportunos en tiempo real. Por ejemplo, un algoritmo de negociación autónomo que reaccione a datos de mercado defectuosos podría provocar pérdidas millonarias en cuestión de segundos.
Establecer y mantener un entorno de datos de calidad
Para que las empresas puedan crear y mantener un entorno de datos de calidad que pueda aprovecharse para el uso de la IA y el aprendizaje automático, hay tres elementos clave que deben tenerse en cuenta:
1. Crear un motor completo para recopilar datos
La recopilación eficaz de datos es esencial para el éxito de los proyectos de IA y ML, y las plataformas y herramientas de datos modernas, como las destinadas a la integración, la transformación, la supervisión de la calidad, la catalogación y la observabilidad, deben respaldar las demandas de su desarrollo y resultados de IA. Estas garantizan que la organización tenga los datos adecuados.
Ya sean datos estructurados, semiestructurados o no estructurados, cualquier dato recopilado debe proceder de diversas fuentes y métodos para respaldar un entrenamiento y unas pruebas de modelos sólidos que engloben los diferentes escenarios de usuario con los que se pueden encontrar tras la implementación. Además, las empresas deben asegurarse de que siguen las normas éticas de recopilación de datos. Ya sean datos propios, de terceros o de segunda mano, deben obtenerse de forma correcta y con el consentimiento para su recopilación y uso.
2. Garantizar una alta calidad de los datos
Los datos de alta calidad y adecuados para su finalidad son imprescindibles para el rendimiento, la precisión y la fiabilidad de los modelos de IA y ML. Dado que estas tecnologías introducen nuevas dimensiones, los datos utilizados deben estar específicamente alineados con los requisitos del caso de uso previsto. Sin embargo, el 67 % de los profesionales de datos y análisis afirman que no confían plenamente en los datos de sus organizaciones para la toma de decisiones.
Para solucionar este problema, es esencial que las empresas dispongan de datos que sean representativos de situaciones reales, supervisen los datos que faltan, eliminen los datos duplicados y mantengan la coherencia entre las fuentes de datos. Además, es fundamental reconocer y abordar los sesgos en los datos de entrenamiento, ya que los datos sesgados pueden comprometer los resultados y la equidad, y afectar negativamente a la experiencia del cliente y a la credibilidad.
3. Implementar marcos de confianza y gobernanza de datos
El impulso hacia una IA responsable ha puesto el foco en la gobernanza de los datos. Dado que el 42 % de los profesionales de datos y análisis afirman que su organización no está preparada para gestionar la gobernanza de las políticas legales, de privacidad y de seguridad para las iniciativas de IA, es fundamental que se produzca un cambio de los marcos tradicionales de gobernanza de datos a marcos más dinámicos.
En particular, con la importancia cada vez mayor de la IA agencial, es fundamental abordar por qué los agentes toman decisiones específicas o realizan acciones concretas. Las empresas deben centrarse especialmente en las técnicas de IA explicable para generar confianza, asignar responsabilidades y garantizar el cumplimiento normativo. La confianza en los resultados de la IA comienza con la confianza en los datos que los sustentan.
En resumen
Los proyectos de IA y ML fracasarán sin datos de calidad, ya que los datos son la base que permite que estas tecnologías aprendan. Las estrategias de datos y las estrategias de IA y ML están interrelacionadas. Las empresas deben realizar un cambio operativo que sitúe los datos en el centro de todo lo que hacen, desde la inversión en infraestructura tecnológica hasta la gobernanza.
Aquellas que se tomen el tiempo necesario para dar prioridad a los datos verán cómo prosperan sus proyectos. Las que no lo hagan se enfrentarán a dificultades continuas y a una competencia que les pisará los talones.
