Antes de la inteligencia artificial: datos, modelos y criterio

Por: Javier Leiva Serey, Consultor de Datos y Control de Gestión de NEST Consultores y Rodrigo Varela Laso, Profesor de Postgrado y UEjecutivos (FEN, U. de Chile) y Director de Soluciones Digitales y Control de Gestión de NEST Consultores.

La Inteligencia Artificial (IA) ha sido presentada como una tecnología capaz de transformar la forma en que trabajamos, interpretamos evidencias o resolvemos problemas. Sin embargo, la realidad es que sus resultados dependen de fundamentos simples: datos de calidad y modelos adecuados que guíen su procesamiento.

No basta con consultar a un sistema de IA sin preparación. Primero hay que nutrirlo de información confiable y definir bien el problema. De ahí la criticidad de la calidad de los datos, ya que, si un modelo se entrena o alimenta con datos defectuosos, incompletos o sesgados, sus resultados serán poco confiables.

En muchas organizaciones se espera implementar IA para generar análisis complejos o predicciones de alto nivel, incluso cuando la información disponible está fragmentada o de dudosa calidad. Pero, aunque resulte obvio, nos olvidamos de que el mejor análisis no surge mágicamente de datos desordenados. Un modelo analítico es simplemente una forma de estructurar nuestra comprensión de un fenómeno traduciendo datos en patrones o imágenes que las personas pueden interpretar. Sin esta estructura, la IA puede cometer el mismo error que cualquier analista concluyendo solo a partir de lo visible y obviando lo que falta.

Hoy existen herramientas con una capacidad de cálculo, procesamiento y generación de respuestas que hasta hace poco parecían impensadas. Sin embargo, su uso efectivo dista bastante de ser automático. La IA no reemplaza por sí sola el criterio.

Por eso, antes de hablar de prompts, automatización o análisis avanzado, conviene partir por una base más fundamental: la gobernanza de datos. Si los datos están mal definidos, incompletos, mezclados, duplicados o simplemente no responden a una lógica consistente, la IA no puede construir conclusiones confiables. Puede entregar respuestas rápidas, incluso convincentes, pero no necesariamente correctas.

El problema no es menor. Nos ha tocado trabajar junto a muchas organizaciones que esperan implementar inteligencia artificial para analizar ingresos, costos, clientes, procesos o tendencias, cuando en realidad ni siquiera existe certeza sobre qué representa cada dato. Una columna puede llamarse “ingresos”, pero contener valores con formatos inconsistentes, decimales mal interpretados, símbolos mezclados con texto o registros cargados con criterios distintos según quien los ingresó. En esos casos, el error no está en la herramienta, sino en el terreno sobre el cual se intenta construir el análisis.

La calidad del análisis depende, en primer lugar, de la calidad de los datos. Y esa calidad no surge espontáneamente. Requiere reglas, estándares, validaciones, definiciones compartidas y procesos que aseguren que los datos sean comparables, trazables y útiles. En otras palabras, requiere gobernanza.

Ahora bien, incluso cuando los datos están ordenados, eso no resuelve todo. Una base de datos limpia no garantiza por sí sola un análisis valioso. También hace falta una estructura para interpretar lo que esos datos significan. Ahí aparece el segundo elemento clave: el modelo de análisis.

Un modelo de análisis no es más que una forma de estructurar la comprensión de un fenómeno. Permite decidir qué variables importan, cómo se relacionan entre sí, qué preguntas vale la pena hacer y qué explicaciones son plausibles. En contextos organizacionales, esto es especialmente importante, porque los datos rara vez hablan por sí solos. Lo que muestran depende de cómo se los conecta con procesos, decisiones, restricciones y objetivos del negocio o de la institución.

Sin esa estructura, la IA puede cometer el mismo error que cometería una persona frente a información aislada y concluir solo a partir de lo visible. Esto conduce a errores en las decisiones y a veces se vincula al sesgo de supervivencia.

Un clásico ejemplo que caracteriza este problema tiene su asidero durante la Segunda Guerra Mundial, en donde los aliados mapearon los agujeros de bala en los aviones que regresaban de la batalla, pensando que las zonas más dañadas (fusilaje, alas, cola) eran las más vulnerables.

El estadístico Abraham Wald, sin embargo, postuló algo distinto y propuso que aquellos aviones volvían justamente porque sus puntos débiles no habían sido alcanzados. En otras palabras, existía la posibilidad de que los agujeros de bala visibles señalaran zonas que resistían el impacto; las áreas sin impactos eran probablemente las que, al ser alcanzadas, hacían caer la aeronave. Por eso Wald propuso reforzar las zonas sin impactos, asumiendo que los aviones golpeados allí no regresaban. Este caso, documentado por Wald y su equipo, es un clásico ejemplo de sesgo de supervivencia en el cual extraer conclusiones solo de los que sobreviven lleva a ignorar la evidencia oculta de los que no regresan.

En el contexto actual, el sesgo de supervivencia nos recuerda que debemos considerar toda la evidencia disponible, incluyendo los casos “invisibles”, antes de confiar en un modelo o en un análisis automatizado. Incluso, en ocasiones existen variables que pueden explicar el fenómeno, de las cuales no tenemos datos, pero que igualmente pueden ser su causa. Eso es importante para la decisión, pero también para que la IA matice su interpretación.

Ese mismo problema se repite con frecuencia en los esfuerzos de análisis organizacional. Muchas veces se observan múltiples alertas al mismo tiempo, pero sin un relato explicativo que ayude a distinguir causas de consecuencias. Se listan problemas, pero no se priorizan ni se entienden sus relaciones. Entonces, lo que parece un conjunto de fallas independientes puede responder, en realidad, a una misma causa estructural. Sin un modelo que oriente esa lectura, la IA puede describir patrones, pero no necesariamente interpretar su relevancia.

Esto no significa que la IA sea incapaz de superar esos desafíos. Por el contrario, tiene la capacidad de procesar grandes volúmenes de información, detectar relaciones complejas y acelerar análisis que antes tomaban horas o días. Pero esa capacidad solo se expresa bien cuando se la guía adecuadamente. Si no se le indica qué buscar, bajo qué supuestos trabajar, qué relaciones considerar y qué límites respetar, la herramienta hará lo que pueda con lo que tenga. Y eso, muchas veces, no será suficiente.

En ese sentido, usar bien la IA exige entender su doble naturaleza. Por una parte, parece acercarse al razonamiento humano por su capacidad de dialogar, resumir, explicar y elaborar conclusiones. Pero, por otra, sigue siendo una herramienta computacional que requiere instrucciones, contexto y estructura. En programación la regla es simple y si no se le dice a un sistema qué debe hacer, no lo hará. Puede parecer obvio, pero esa misma lógica sigue vigente aquí, aunque la interfaz sea más conversacional y sofisticada.

Por eso, los mejores resultados no provienen de “preguntarle cosas” a la IA sin preparación previa, sino de integrarla a un entorno donde existan datos estructurados, reglas de negocio claras, relaciones causales definidas y un marco analítico coherente. Cuando eso ocurre, la IA deja de ser un experimento llamativo y se transforma en una herramienta realmente útil y potente para apoyar decisiones, detectar hallazgos y acelerar procesos de análisis.

En nuestra experiencia, los análisis más sólidos no nacen solo del acceso a una base de datos, sino de equipos multidisciplinarios que integran conocimiento de negocio, estadística y metodologías experimentales. Ambos autores hemos colaborado en proyectos de consultoría e inteligencia de negocios donde implementamos soluciones digitales con IA como asistente en la toma de decisiones. Esa experiencia práctica, sustentada en evidencia empírica, nos muestra que la IA funciona bien cuando se la combina con sentido crítico y buen gobierno de los datos.

Sin embargo, también es importante poner límites a la expectativa. No siempre es momento de implementar IA para análisis avanzado. Hay casos en que la organización aún no cuenta con datos suficientes, consistentes o históricamente estables como para sostener conclusiones robustas. En esos contextos, seguir usando herramientas más simples, como Excel o reportes descriptivos básicos, puede ser no solo razonable, sino más útil. La inteligencia artificial no reemplaza las etapas previas de madurez analítica, más bien las exige.

En definitiva, la pregunta no es si la IA sirve o no sirve en mi negocio. La pregunta correcta (o al menos la primera que deberíamos hacernos) es si la organización está lista para aprovecharla: ¿dispone de datos de calidad? ¿tiene talento capacitado? ¿qué tanto comprenden los líderes sus límites y alcances? Si alguna de esas respuestas es “no”, conviene enfocar esfuerzos allí primero. Porque la inteligencia artificial puede acelerar el análisis, ampliar la capacidad de cálculo y abrir nuevas posibilidades para las personas, pero necesita ser encaminada con criterio y lineamientos claros que le ayuden a entender el negocio.

Fuente: Revista Contabilidad y Sistemas (FEN U. de Chile)