La promesa de la inteligencia artificial (IA) de convertir a las empresas en estructuras autónomas y eficientes ha sido la gran apuesta de los proveedores de tecnología en los últimos años. Sin embargo, la cruda realidad que enfrentan muchas organizaciones es que desplegar soluciones de IA está plagado de retos y dificultades, y el problema más crítico no reside en escoger el modelo de IA adecuado, sino en la calidad y preparación de los datos que alimentan esas máquinas.
Matt Waxman, director de producto en Precisely, una compañía con una trayectoria de décadas en soluciones para la mejora y enriquecimiento de datos, destaca que en los últimos dos años su empresa ha focalizado esfuerzos en utilizar la IA para mejorar sus productos y procesos internos, enfrentando desafíos similares a los que experimentan sus clientes dentro del Fortune 500.
Precisely ha habilitado cada vez más sus herramientas con inteligencia artificial, aprovechando la tecnología para optimizar tanto los procesos de codificación como los de aseguramiento de calidad. Según Waxman, la siguiente fase para aprovechar la IA de manera efectiva implica una reestructuración fundamental de los procesos empresariales y flujos de trabajo, además de implementar una selección y preparación de datos más rigurosa. 
El directivo afirma con rotundidad: «La IA es tan buena como los datos que la sustentan. Sin una base sólida de datos, lo que tenemos no es una estrategia, sino un riesgo».
Waxman advierte sobre la tensión que surge entre el acceso libre e irrestricto a las herramientas de IA y la necesidad de una gobernanza centralizada y eficiente sobre los datos. Sin una estructura confiable, las organizaciones se exponen a problemas como la «IA sombra»—proyectos de IA que se desarrollan sin supervisión adecuada—y a la «IA basura» o «AI slop», que no hacen sino generar una deuda técnica que supera cualquier beneficio potencial.
Durante una reciente entrevista, Waxman explicó que la democratización de la IA ha permitido que muchas unidades dentro de una empresa implanten soluciones sin suficiente control, lo que ralentiza el rendimiento general y aumenta la complejidad tecnológica. En este contexto, tener una curiosidad activa por reingeniería de procesos y priorizar la calidad de los datos se vuelve más importante que adquirir la última herramienta disponible en el mercado.
Este enfoque exige que las organizaciones reconsideren su infraestructura de gestión de datos, estableciendo bases sólidas y confiables que permitan que la inteligencia artificial alcance todo su potencial y genere un valor real y sostenible.
El debate sobre estos temas está disponible en un podcast reciente, donde Waxman profundiza en la necesidad de preocuparse más por las fuentes de datos y los procesos que por las innovaciones tecnológicas en sí mismas.
