Las inversiones en torno a esta tecnología son cuantiosas, por ejemplo BBVA México anunció una inversión de 100,000 millones de pesos durante los próximos seis años, enfocándose en tecnología e inteligencia artificial para mejorar la experiencia del cliente y aumentar la productividad. Mientras que AWS o Microsoft anunciarion inversiones millonarias para la instalación de centros de datos que potencien este tipo de tecnologías.
En términos prácticos, X-Data señala que el 97% de la información disponible es inútil para modelos de IA debido a su desorganización, baja calidad, falta de estructura o escasa relevancia.
El dato adquiere especial relevancia si se toma en cuenta que México se prepara para alcanzar un valor de 450 millones de dólares en el mercado de aplicaciones de IA en 2025, de acuerdo con el CIO Playbook de Lenovo e IDC, impulsado por sectores como el financiero, el manufacturero y el retail.
“El punto de partida no es el algoritmo, ni la plataforma. Es la condición y calidad de los datos”, alerta la consultora.
Muchas empresas inician proyectos de IA atraídas por su potencial para automatizar procesos, personalizar servicios o tomar decisiones más inteligentes. Sin embargo, pocas se detienen a hacer una auditoría de su información.
Brad Calder, vicepresidente de infraestructura en Google Cloud señala que la preparación de datos para una implementación de IA exitosa debe tener como base objetivos claros para la IA.
“Es importante inventariar las fuentes de datos disponibles, evaluar su calidad y relevancia, y hacer un diagnóstico de la infraestructura tecnológica. Este último punto no solo incluye herramientas para almacenar y transformar datos, sino también cumplir con marcos regulatorios”, precisó en una entrevista reciente con Expansión.
Los desafíos de las empresas son considerables, pues en muchas organizaciones mexicanas, los datos están repartidos en silos, ya sea en plataformas o en marketing, además de tenerlos en formatos distintos y sin gobernanza clara.
La carencia de procesos para su integración, limpieza y análisis impide transformarlos en insumos útiles para los algoritmos. De ahí que, como señalan expertos, sin datos de calidad, incluso la mejor IA dará resultados erróneos o irrelevantes.
Según el informe del IBM Institute for Business Value, el 45% de las organizaciones tienen preocupaciones sobre la precisión o el sesgo de los datos, lo que representa una barrera significativa para la adopción de la IA.
Además, el 42% señala la falta de datos propietarios suficientes para personalizar modelos de IA generativa como otro desafío importante. Estas cifras destacan la necesidad de una gobernanza de datos sólida y estrategias para mejorar la calidad y relevancia de los datos utilizados en proyectos de IA.
