En la carrera por liderar la transformación digital, muchas empresas han puesto el carro delante del caballo. La inteligencia artificial (IA) se ha convertido en el centro de las estrategias corporativas, pero un reciente estudio de Cloudera, The Data Readiness Index: Understanding the Foundations for Successful AI, revela una verdad incómoda: solo el 18% de las organizaciones tiene sus datos completamente gobernados para impulsar la IA. Esto significa que el 82% restante está construyendo sobre arena movediza.

Juan Carlos Sánchez de la Fuente, vicepresidente regional para España y Portugal de Cloudera, lo explica sin rodeos: “La velocidad a la que las organizaciones están adoptando la inteligencia artificial es muy superior a la velocidad a la que están modernizando sus fundamentos de datos”. En su opinión, muchas compañías han situado la IA en el centro de su estrategia, pero siguen operando con datos distribuidos entre múltiples nubes, centros de datos, aplicaciones SaaS y sistemas heredados. “Y eso es construir sobre terreno inestable: da igual la calidad de los modelos si los datos que los alimentan son incompletos, están fragmentados o no se pueden auditar”.

La brecha entre percepción y realidad

El estudio arroja una paradoja: el 85% de los encuestados asegura contar con una estrategia de datos sólida, pero el 79% reconoce que sus iniciativas están limitadas por dificultades de acceso, preparación y gobernanza en entornos distribuidos. Esta brecha es, según Sánchez de la Fuente, una de las conclusiones más relevantes. “Lo que observamos es que muchas organizaciones han avanzado en la definición de la visión, pero todavía están trabajando en la ejecución. Tener un plan de datos aprobado por el comité de dirección es muy distinto a tener los datos realmente accesibles, limpios, integrados y gobernados en producción”.

En España, esta brecha tiene una dimensión adicional: el peso del legacy tecnológico, especialmente en banca y sector público. “Se trata de sectores con arquitecturas complejas construidas durante décadas. Modernizarlas requiere tiempo, inversión y voluntad organizativa sostenida”, apunta. El resultado es que el gap entre percepción y realidad retrasa la IA con impacto real: las organizaciones creen que están listas cuando todavía no lo están.

Sectores críticos: finanzas, salud y administración pública

El informe revela que solo el 9% de las organizaciones del sector financiero y el 13% del sanitario cuentan con una gobernanza total de sus datos, mientras que en las administraciones públicas el porcentaje alcanza el 20%. Para Sánchez de la Fuente, esto supone tres tipos de riesgos: regulatorio, operativo y reputacional. “Entornos como el financiero, el RGPD, DORA o la AI Act europea exigen niveles de trazabilidad y control que una gobernanza parcial no puede garantizar. Las sanciones no son hipotéticas; son una consecuencia directa y creciente”.

En el plano operativo, las decisiones que toman los modelos de IA en scoring crediticio, triaje clínico o detección de fraude solo son fiables si los datos que las sustentan lo son. “Datos mal gobernados generan recomendaciones difíciles de explicar y decisiones con consecuencias reales para personas reales”, advierte. Y el daño reputacional de una brecha o una decisión automatizada errónea es difícil de reparar.

Errores comunes en proyectos de IA

Uno de los errores más frecuentes es invertir en IA antes que en datos. “Las organizaciones priorizan el modelo (qué LLM usar, qué proveedor de nube, qué caso de uso presentar al comité de dirección) y dejan para después la pregunta fundamental: ¿con qué datos vamos a alimentar todo esto? Cuando esa pregunta llega tarde, el proyecto llega incompleto”, señala.

La mayoría de los proyectos de IA no fracasan por problemas con los algoritmos, sino porque trabajan sobre datos incompletos, inconsistentes o difíciles de localizar. “La IA amplifica el valor de los buenos datos, pero también amplifica los problemas cuando la base no está preparada”. Por eso, el desarrollo de la IA debe avanzar al mismo ritmo que la estrategia de datos. Sin esa alineación, las organizaciones generan expectativas muy altas y resultados muy limitados.

Prioridades para convertir la IA en ventaja competitiva

Desde Cloudera defienden que el valor de la IA depende directamente de la preparación del dato. “La ventaja competitiva no vendrá de tener acceso a más modelos de IA que la competencia, sino de tener mejores datos que la competencia”, afirma Sánchez de la Fuente. Para lograrlo, propone tres prioridades para los próximos doce meses:

1. Hacer el inventario real

Antes de cualquier proyecto de IA, las organizaciones necesitan saber con exactitud qué datos tienen, dónde están, quién puede accederlos y en qué estado de calidad se encuentran. “Sin ese inventario de trazabilidad completa, todo lo demás es construir sobre arena”.

2. Gobernar antes de escalar

No hace falta tener el 100% de los datos gobernados el primer día, pero sí una hoja de ruta clara y una plataforma que permita extender la gobernanza progresivamente. “Las organizaciones que avancen aquí en 2026 tendrán una ventaja estructural: sus modelos serán más fiables, más auditables y alineados con una regulación europea que va a seguir endureciéndose”.

3. Apostar por la soberanía del dato

En un entorno donde la IA se democratiza rápidamente, el dato propio es el único activo que los competidores no pueden replicar. “Las compañías que logren controlar, integrar y activar el 100% de su información serán las que transformen la IA en una ventaja competitiva real y no en un proyecto piloto más”.

Estas prioridades solo son sostenibles si descansan sobre una arquitectura que unifique el acceso, la gobernanza y la capacidad de ejecutar inferencia allí donde viven los datos, sin tener que moverlos ni fragmentar el control. En este sentido, la IA agéntica y las plataformas de operaciones se convierten en la capa más importante de la empresa, como ya analizamos en un artículo anterior.

La confianza en la IA no dependerá únicamente de la calidad de los modelos, sino de la calidad y el control de los datos que los alimentan. Como bien resume Sánchez de la Fuente: “Los modelos son cada vez más accesibles para todos. La capacidad de alimentarlos con datos propios, fiables, gobernados y contextualizados, y eso no se puede comprar en un marketplace”.

Para profundizar en cómo asegurar las cargas de trabajo de IA, te recomendamos nuestro artículo sobre cómo asegurar Kubernetes en la era de la IA, así como la guía técnica paso a paso para implementar IA Generativa en flujos de trabajo.

Fuente original: ComputerWorld. Análisis y adaptación por ForgeNEX.