Uso de inteligencia artificial generativa en entornos de ciberseguridad empresarial.

Sólo el 3 % de los datos generados por las empresas sirve para nutrir modelos de IA

Aunque las organizaciones generan grandes volúmenes de información, sólo una mínima parte puede utilizarse en inteligencia artificial. La consultora X-Data advierte que sin datos de calidad, estructurados y relevantes, cualquier proyecto de IA está destinado al fracaso.

Redacción de ITSitio 7 de julio de 2025

3 minutos de lectura

La promesa de la inteligencia artificial como herramienta transformadora para los negocios tropieza, en la mayoría de los casos, con un obstáculo básico pero decisivo: los datos. Aunque las empresas acumulan enormes volúmenes de información, solo una pequeña parte de ella puede utilizarse de forma efectiva en proyectos de IA. La consultora X-Data, especializada en analítica y gestión de datos, señala que este problema es mucho más profundo de lo que se suele asumir.

Una paradoja empresarial: exceso de datos, pero pocos utilizables

Lo que debería ser un activo estratégico termina siendo una carga. Según el informe de X-Data, el 97 % de los datos que hoy circulan en las organizaciones no cumple con los requisitos mínimos para ser procesado por sistemas de inteligencia artificial. No se trata de un problema de volumen, sino de calidad.

La mayoría de los datos están desorganizados, fragmentados, desactualizados o mal clasificados. Algunos ni siquiera están estructurados: provienen de correos electrónicos, mensajes, hojas de cálculo o sistemas que no se comunican entre sí. Esto impide su aprovechamiento en modelos automatizados que requieren consistencia y precisión.

La falta de estrategia en la gestión de datos sigue siendo una de las principales barreras para aprovechar el potencial de la IA en el ámbito corporativo.

¿Por qué fallan el 80 % de los proyectos de IA?

“La gran barrera no es la inteligencia artificial en sí, sino el estado en el que se encuentran los datos dentro de las organizaciones”, señalan desde X-Data. Esta afirmación, respaldada por múltiples analistas, pone el foco en un aspecto que muchas empresas suelen subestimar: no importa cuán sofisticado sea un algoritmo si los datos que lo alimentan son defectuosos.

En ese sentido, la consultora destaca que antes de pensar en inversiones tecnológicas, las compañías deben trabajar en una estrategia clara de “data readiness” o preparación de datos. Sin limpieza, organización y gobernanza, cualquier intento de implementar IA corre el riesgo de fallar o, peor aún, producir resultados sesgados y peligrosos.

Consecuencias concretas: sesgos, errores y falta de confianza

Los impactos de esta deficiencia son múltiples. Cuando los datos contienen errores, están duplicados o incompletos, los modelos de IA tienden a reproducir esas fallas. En sectores como salud, finanzas o seguridad, esto puede derivar en decisiones erróneas con consecuencias graves.

El 97 % de los datos generados en las empresas no cumple con los estándares básicos para alimentar modelos de inteligencia artificial.

Además, la falta de representatividad en los conjuntos de datos puede generar sesgos algorítmicos, perpetuando discriminaciones o excluyendo a ciertos grupos. En países como México, donde ya existen brechas sociales profundas, este tipo de problemas podría amplificar desigualdades si no se aborda con responsabilidad.

Otra consecuencia es la pérdida de confianza. Si una solución basada en IA ofrece resultados inconsistentes, tanto los usuarios como los equipos técnicos pierden credibilidad en la herramienta. Esto no solo compromete la eficacia del proyecto, sino también su continuidad y escalabilidad.

El caso mexicano: una alerta en desarrollo

El estudio de X-Data también analiza el panorama en México, donde la situación no es muy distinta. Según datos publicados por Expansión, el 42 % de las organizaciones mexicanas reconoce no contar con suficientes datos propios para desarrollar modelos de IA generativa. Además, muchas empresas enfrentan desafíos adicionales relacionados con la infraestructura tecnológica y la falta de gobernanza de datos.

La inteligencia artificial no comienza con los algoritmos, sino con una correcta preparación de la información que los alimenta.

Esta combinación —datos de baja calidad, ausencia de estrategia y limitaciones técnicas— frena la adopción efectiva de inteligencia artificial y, por ende, la competitividad de las empresas locales frente a otros mercados más avanzados en transformación digital.

De la estadística a la acción: cómo revertir el panorama

Para revertir este escenario, X-Data propone una serie de pasos concretos. Todo comienza con una auditoría interna que permita identificar qué datos existen, dónde están almacenados, en qué formato se encuentran y si son realmente útiles para los objetivos del negocio.

Luego, es clave implementar prácticas sólidas de limpieza, validación y actualización de la información. Esto implica eliminar duplicaciones, corregir errores y unificar criterios. También se recomienda contar con un marco de gobernanza que defina roles, responsabilidades y normas para el uso de los datos.

Invertir en inteligencia artificial sin revisar el estado de los datos es uno de los errores más frecuentes en las empresas.

Además, se debe evaluar la infraestructura disponible. No se trata solo de tener servidores o bases de datos, sino de contar con herramientas capaces de integrar, analizar y proteger la información de forma eficiente. Todo esto debe ir acompañado por una cultura organizacional que valore el dato como activo estratégico y fomente su uso ético y responsable.

El futuro de la IA pasa por los datos

Aunque la inteligencia artificial sigue captando la atención global por su capacidad de automatizar procesos, generar contenidos o asistir en la toma de decisiones, lo cierto es que su verdadero poder depende de la calidad de los datos que la alimentan.

Tal como resume X-Data, “no hay inteligencia artificial sin inteligencia de datos”. La frase resume una realidad que muchas empresas aún deben internalizar: antes de pensar en grandes proyectos de IA, es necesario mirar hacia adentro, ordenar la casa y construir una base sólida que garantice resultados confiables y sostenibles.