Antes de proponer un solo caso de uso de IA, hacemos cinco comprobaciones sobre los datos. Ninguna necesita tecnología nueva. Casi siempre falla alguna.
Lectura: ~8 minutos.
Preparar datos para IA suena a proyecto de meses: data lake, consultores, un presupuesto con muchos ceros. En una pyme no es eso. Es responder con honestidad a cinco preguntas que se contestan en días. Arreglar lo que destapen puede llevar más o menos, pero saber dónde estás es rápido y casi gratis.
Y conviene saberlo antes de gastar, porque los proyectos de IA rara vez mueren por el modelo.
El análisis del MIT (iniciativa NANDA) sobre más de 300 implantaciones de IA generativa en empresas, recogido por Forbes, encontró que solo en torno al 5 % de los pilotos llega a producción con retorno medible. La metodología del estudio ha sido discutida y lo usamos como lo que es: un orden de magnitud. Pero su conclusión cualitativa resiste bien: la diferencia entre ese 5 % y el resto no está en la calidad del modelo, sino en la integración con los datos y los procesos de cada empresa.
De la mitad organizativa del problema —expectativas, adopción, formación— ya hablamos en por qué fracasa la IA en las pymes. Hoy toca la otra mitad: la base de datos sobre la que se apoya todo lo demás.
Preparar datos para IA no es montar un data lake
Primero, lo que no es. No es comprar un almacén de datos, ni migrar de ERP, ni contratar un ingeniero de datos, ni un programa de «gobierno del dato» de dieciocho meses. Hemos visto pymes aplazar la IA durante años esperando a tener «los datos perfectos». Los datos perfectos no existen; tampoco en las grandes empresas.
Preparar los datos es otra cosa: saber dónde están, poder fiarte de ellos, saber quién responde por cada cifra y saber qué puedes usar legalmente. Eso se comprueba con las cinco preguntas que siguen. Son las que hacemos en las primeras semanas de cualquier proyecto de myIA, y en este orden, porque cada una descarta un modo de fallo distinto.
1. ¿Dónde viven los datos: un sistema o quince Excels?
Qué mirar. Haz la lista de los datos que cualquier proyecto va a necesitar: clientes, artículos o servicios, precios, pedidos, facturas, costes. Para cada uno, una sola pregunta: ¿cuál es la versión oficial y dónde está? No «dónde hay una copia»: dónde está la buena.
En muchas pymes la respuesta real es un archipiélago: el ERP tiene una parte, el programa de facturación otra, y el resto vive en hojas de cálculo personales que se llaman definitivo_v3. Un modelo de IA puede trabajar con datos imperfectos; no puede trabajar con datos que nadie sabe dónde están ni cuál de las copias manda.
Señal de alarma: preguntas dónde está la lista de clientes y la respuesta empieza por «depende de para qué la quieras».
2. ¿Están limpios los maestros?
Qué mirar. Exporta el maestro de clientes y ordénalo por nombre. Busca al mismo cliente con dos o tres fichas: con y sin «S.L.», con el CIF en campos distintos, con una ficha antigua que alguien duplicó para cambiar la dirección. Repite con artículos y con proveedores.
Esto importa más con IA que sin ella. Un administrativo que ve tres fichas del mismo cliente sabe que son la misma empresa y elige bien. Un proceso automatizado no: reparte el histórico entre las tres, casa facturas contra la ficha equivocada y produce errores con toda la apariencia de estar bien hechos. La automatización no arregla un maestro sucio: lo explota a más velocidad.
Señal de alarma: el mismo cliente aparece tres veces y nadie recuerda por qué.
3. ¿Quién es el dueño de cada cifra?
Qué mirar. Coge las diez cifras que más usa dirección: ventas del mes, margen por línea, pedidos pendientes, tesorería. Para cada una, ¿quién responde si está mal? No quién la calcula: quién da la cara.
Si la respuesta es «nadie» o «todos un poco», tienes cifras huérfanas, y lo habitual es que convivan varias versiones: ventas dice una cosa, finanzas otra, y las dos «cuadran» según su sistema. Ese problema lo contamos con detalle en tus datos mienten. Para la IA es letal: un sistema alimentado con la versión equivocada industrializa el error, y sin dueño no hay nadie con autoridad para pararlo.
Señal de alarma: dos departamentos dan dos cifras de ventas distintas y los dos defienden la suya.
4. ¿Qué proceso alimenta qué informe?
Qué mirar. Elige el informe más importante de la casa y recorre el camino del dato hacia atrás, hasta su origen. Apunta cada paso y marca los manuales: quién exporta, quién copia, quién «ajusta» algo a mano antes de enviarlo.
Ese mapa casi nunca está escrito y suele guardar sorpresas: informes que dependen de que una persona concreta copie datos cada viernes, ajustes que nadie documenta, un paso intermedio en una hoja de cálculo que solo entiende su autor. Cada paso manual invisible es un punto donde un proyecto de IA se rompe sin avisar, porque no puedes automatizar ni conectar lo que no sabes que existe.
Señal de alarma: un paso del proceso se describe como «eso lo hace tal persona a mano cada viernes».
5. ¿Qué puedes enseñar legalmente a un tercero?
Qué mirar. Para cada fuente de datos que el proyecto vaya a tocar, tres preguntas: ¿contiene datos personales de clientes o empleados?, ¿la base legal con la que los recogiste cubre este uso nuevo?, y ¿qué dice el contrato del proveedor de IA sobre lo que le envías: dónde lo guarda, cuánto tiempo, si entrena con ello y qué subencargados lo tocan?
Esta comprobación se salta más que ninguna otra porque no da errores visibles: el piloto funciona igual de bien con datos que no deberías haber usado. El problema aparece después, y con sanción. La guía completa la tienes en qué datos puedes usar con IA según el RGPD.
Señal de alarma: el equipo ya está pegando datos de clientes en herramientas gratuitas y no hay ninguna norma escrita al respecto.
Qué suele salir y cuánto cuesta arreglarlo
Órdenes de magnitud de nuestra experiencia, no promesas: cada caso tiene su volumen y su lío particular.
| Lo que aparece | El arreglo típico | Esfuerzo |
|---|---|---|
| Datos repartidos en Excels | Elegir un sistema de referencia por dato y retirar las copias | Días. Es una decisión, no un desarrollo. |
| Maestros con duplicados | Depurar una vez y fijar reglas de alta para que no vuelva a pasar | De días a semanas, según volumen. |
| Cifras sin dueño | Un responsable por cifra, por escrito | Una reunión incómoda. |
| Procesos sin mapear | Documentar el flujo y automatizar el paso manual crítico | Semanas. |
| Legal sin revisar | Política de uso de IA y revisión de contratos de proveedores | Días, con la ayuda adecuada. |
Fíjate en lo que no hay en la tabla: ningún proyecto de un año, ninguna licencia de seis cifras. La mayoría de estos arreglos son trabajo de orden, no de tecnología. Es exactamente el terreno de myCDO: cuando la base está peor de lo esperado, se arregla la base primero y la IA espera unas semanas. Al revés no funciona.
Si pasas las cinco, estás por delante de la mayoría
El dinero está llegando a la IA de las pymes españolas más deprisa que el orden. Según la encuesta de YouGov para IONOS a decisores de pymes europeas, el 35 % de las pymes españolas prevé invertir en IA en 2026, trece puntos más que el año anterior. La estadística oficial del INE, con una metodología más exigente, sitúa el uso real de IA en el 21,1 % de las empresas de diez o más empleados.
Quédate con la cifra que prefieras: la foto es la misma. Una ola de inversión a punto de caer sobre bases de datos que, en su mayoría, no pasarían las cinco comprobaciones. Quien llegue con la base hecha no solo esquiva el fracaso: elige mejor dónde invertir, porque puede hacer la cuenta de retorno con números en los que confía. Cómo se hace esa cuenta lo explicamos en cómo calcular el ROI de un proyecto de IA.
- Exporta el maestro de clientes, ordénalo por nombre y cuenta cuántos aparecen más de una vez. Media hora, y ya sabes cómo estás de la comprobación 2.
- Elige el informe que más usa dirección y dibuja en una hoja el camino del dato desde su origen. Marca en rojo cada paso manual. Ese papel vale más que muchas demos.
- Pregunta por escrito quién responde de las tres cifras más importantes del negocio. Si la respuesta tarda más de un día en llegar, ya tienes la respuesta.
Las cinco comprobaciones son, más o menos, la primera fase de nuestra auditoría gratuita: media hora para saber si tu base aguanta un proyecto de IA y, si no, qué arreglar primero y en qué orden. Sin compromiso y, si toca, con un «todavía no» por respuesta.
Y si lo que te frena es la cuenta, la calculadora de ROI de IA te da el número con tus datos en dos minutos.
Fuentes
- MIT, iniciativa NANDA. The GenAI Divide: State of AI in Business 2025, recogido por Forbes. La metodología del estudio ha sido discutida; lo usamos como orden de magnitud.
- INE. Encuesta sobre el uso de TIC y comercio electrónico en las empresas, primer trimestre de 2025: el 21,1 % de las empresas de 10 o más empleados utiliza inteligencia artificial.
- IONOS. El 35 % de las pymes españolas invertirá en IA en 2026. Encuesta de YouGov para IONOS a unos 4.000 decisores de pymes europeas (514 en España), enero–marzo de 2026.