Hay una regla que ningún proveedor honesto te va a ocultar: la IA rinde exactamente lo que tus datos permiten. Puedes contratar el mejor modelo del mercado, pero si la información de tu empresa vive repartida entre correos, tres versiones del mismo Excel y una carpeta llamada "DEFINITIVO_final_v2", el agente más avanzado responderá con la misma confusión con la que trabaja hoy tu equipo. Por eso preparar datos para IA es, en la práctica, el primer proyecto de cualquier implantación seria.
La buena noticia: no necesitas un data warehouse, ni un equipo de ingenieros de datos, ni seis meses de proyecto. Necesitas una auditoría honesta de dónde está tu información y unos pasos concretos de ordenación. Eso es lo que cubre esta guía.
La IA rinde lo que tus datos permiten
Un agente de IA que atiende clientes, prepara presupuestos o gestiona pedidos no inventa las respuestas: las construye a partir de la información de tu empresa. Tarifas, fichas de producto, contratos, políticas, histórico de clientes. Es la técnica que está detrás de la mayoría de sistemas empresariales serios, conocida como RAG, y que explicamos en qué es RAG en inteligencia artificial: el agente recupera los documentos relevantes y responde basándose en ellos.
La consecuencia es directa. Si la tarifa vigente convive con la de 2023 en la misma carpeta, el agente puede citar la antigua. Si la política de devoluciones existe en dos versiones contradictorias, responderá con una u otra según el día. El clásico "basura entra, basura sale" no se vuelve menos cierto por añadirle inteligencia artificial encima: se vuelve más visible, porque ahora los errores llegan al cliente en segundos.
Dicho al revés, y esto es lo interesante: una empresa con los datos razonablemente ordenados obtiene resultados espectaculares con proyectos de IA modestos. La ventaja competitiva no está solo en el modelo, está en la calidad de lo que le das de comer.
Auditoría rápida: dónde vive la información de tu empresa
Antes de mover nada, haz el mapa. Reúne a los responsables de cada área una mañana y responded juntos a estas cuatro preguntas:
- ¿Dónde vive cada tipo de información? Lo habitual en una pyme española: los clientes en el CRM (a medias), los presupuestos en Excel, los contratos en PDF repartidos por el correo, el conocimiento operativo en la cabeza de dos personas y una parte incómoda todavía en papel o en WhatsApp.
- ¿Qué está digitalizado y qué no? Albaranes firmados a mano, partes de trabajo en papel, notas de llamadas que nunca se registran. Todo lo que no está digitalizado es invisible para cualquier sistema de IA.
- ¿Qué está duplicado o contradictorio? Busca los sospechosos habituales: listas de precios en varias versiones, datos del mismo cliente distintos en el CRM y en facturación, procedimientos que se actualizaron por correo pero no en el documento oficial.
- ¿Quién puede ver qué? Si hoy no sabes responder quién tiene acceso a las nóminas o a los contratos, la IA no crea ese problema, pero lo hereda y lo amplifica.
El resultado de esta auditoría cabe en una hoja: fuentes de información, estado de cada una (digitalizada/no, limpia/sucia, única/duplicada) y responsable. Con eso ya se puede priorizar. Es exactamente el tipo de trabajo que hacemos en la fase inicial de consultoría de inteligencia artificial.
Cómo preparar los datos para IA paso a paso
Con el mapa hecho, el orden de trabajo que recomendamos es este:
- Centraliza por tipo de información, no todo a la vez. Elige un dominio (por ejemplo, documentación comercial: tarifas, catálogos, condiciones) y define su ubicación única. Una carpeta estructurada en tu nube corporativa es suficiente para empezar. Lo importante es la regla: cada dato vive en un solo sitio, y ese sitio es la fuente de verdad.
- Digitaliza solo lo crítico. No escanees veinte años de archivo. Digitaliza lo que el proceso que quieres automatizar necesita: si el agente va a preparar presupuestos, necesita tarifas y condiciones vigentes, no el histórico de 2015.
- Nombra y estructura con criterio. Un convenio simple de nombres (tipo_cliente_fecha_version) y una estructura de carpetas coherente multiplican la precisión de cualquier sistema de recuperación. Elimina o archiva las versiones obsoletas: para la IA, un documento viejo sin marcar es un documento vigente.
- Marca la vigencia. Fecha de validez en tarifas, versión en procedimientos, estado en contratos (borrador/firmado/vencido). Son metadatos triviales de añadir y oro puro para que el agente responda siempre con la información correcta.
- Define accesos antes de conectar nada. Decide qué información puede consultar cada rol, y por tanto cada agente. El agente comercial no necesita ver nóminas; el de RRHH no necesita ver márgenes por cliente. Los permisos bien definidos son también un requisito de RGPD, especialmente con datos personales de por medio.
Un equipo de 2-3 personas dedicando unas horas a la semana completa este trabajo para un proceso concreto en 3-4 semanas. No es un proyecto épico: es ordenar con método.
Errores típicos al preparar datos para IA
Los vemos repetirse en casi todas las empresas que llegan con un proyecto atascado:
- Perseguir la perfección. Esperar a tener "todos los datos limpios" es la forma más segura de no empezar nunca. Se limpia lo que el primer caso de uso necesita; el resto, después.
- Centralizar sin gobernar. Volcarlo todo a una carpeta compartida sin reglas de nombres, vigencia ni responsables solo traslada el caos de sitio.
- Ignorar el conocimiento no escrito. En muchas pymes, la información más valiosa (cómo se trata a cada cliente, qué excepciones se aplican, por qué se hace así) no está en ningún documento. Parte del trabajo es entrevistarse con quien la tiene y ponerla por escrito.
- Olvidar el mantenimiento. Los datos se ensucian solos. Sin un responsable y una rutina mínima de actualización, en seis meses vuelves al punto de partida. Este es primo hermano de los fallos que repasamos en errores al implantar IA.
No necesitas un data warehouse para empezar
Conviene decirlo claramente porque hay proveedores que venden lo contrario: para que un sistema de agentes funcione bien en una pyme no hace falta un data warehouse, ni un data lake, ni una plataforma de integración de seis cifras. Esos proyectos tienen sentido en corporaciones con decenas de fuentes de datos y equipos dedicados; para la mayoría de empresas son matar moscas a cañonazos, y además retrasan un año el valor que podrías estar obteniendo en semanas.
Lo que sí necesitas es proporcional al objetivo: una fuente de verdad por tipo de información, documentos con nombre y vigencia claros, accesos definidos y una conexión limpia entre el agente y tus sistemas actuales (CRM, ERP, correo). Con eso, un agente bien construido trabaja con precisión. Cuando el uso crezca y las fuentes se multipliquen, ya habrá tiempo de plantear infraestructuras mayores, y las plantearás con criterio porque sabrás exactamente qué te falta.
Conclusión
Preparar datos para IA no es un proyecto tecnológico gigante: es una auditoría honesta (dónde vive la información, qué está digitalizado, qué está duplicado) seguida de cuatro pasos de orden: centralizar, digitalizar lo crítico, nombrar y estructurar, y definir accesos. Ese trabajo, abordable en semanas, es la diferencia entre un agente de IA que responde con precisión y uno que amplifica el caos existente.
Si no sabes por dónde empezar o quieres validar si tus datos están listos para un proyecto de agentes, en MG Solutions te ofrecemos un diagnóstico gratuito y sin compromiso: auditamos el estado de tu información y te entregamos un plan de preparación priorizado por impacto. Cuéntanos tu caso.