Según los Resultados Definitivos de los Censos Económicos 2024 del INEGI, apenas el 2.2% de las unidades económicas en México utiliza inteligencia artificial. Es una cifra que suele citarse como señal de atraso, pero esconde una pregunta más interesante: ¿por qué el otro 97.8% no ha dado el paso? Hablar con directivos de empresas en crecimiento revela que la barrera rara vez es el presupuesto o la disposición. Es algo más fundamental: no saben si sus datos son suficientes para empezar, y nadie les ha explicado exactamente qué necesitan.
Este artículo responde esa pregunta con precisión. No desde la teoría de machine learning, sino desde la realidad operativa de una empresa de 50 a 300 personas que ya tiene un ERP, quizás un CRM, y varias hojas de cálculo que nadie quiere tocar.
Existe una creencia que frena más proyectos de IA que cualquier limitación técnica: "nosotros no tenemos suficientes datos". La mayoría de las veces es falsa. La empresa mediana típica genera información todos los días: ventas registradas en el sistema, tickets de soporte, correos de clientes, reportes de producción, movimientos contables. El problema no es la ausencia de datos. Es que esos datos están en el formato equivocado, viven en sistemas que no se hablan entre sí, o nadie los ha limpiado desde hace años.
Un estudio de Cloudera sobre adopción de IA en empresas (2025) encontró que solo el 9% de las organizaciones puede afirmar que tiene todos sus datos listos y accesibles para la IA. El 91% restante no carece de datos, sino de datos organizados para un propósito específico. Esa distinción cambia todo.
Antes de preguntarte qué herramienta de IA comprar, la pregunta correcta es: ¿qué datos tengo, en qué forma están, y cuáles sirven para qué aplicación concreta? La respuesta a eso determina qué IA es posible, no al revés.
Aquí es donde conviene ser específico, porque "datos" es una palabra que engloba realidades muy distintas.
Datos estructurados son los que viven en tablas, con columnas y filas bien definidas: el historial de ventas en tu ERP, los registros de clientes en tu CRM, los movimientos de inventario, las nóminas. Son el tipo de dato más valioso para la mayoría de los casos de uso en empresas medianas, porque los algoritmos los pueden procesar de forma directa. Si quieres predecir cuándo un cliente va a pedir de nuevo, o detectar anomalías en tu cadena de producción, los datos estructurados son tu punto de partida.
Datos no estructurados son texto libre, correos, imágenes, grabaciones de llamadas, documentos PDF. Son útiles para aplicaciones como clasificación de solicitudes de soporte, análisis de sentimiento de clientes o extracción de información de contratos. Requieren un paso adicional de procesamiento antes de ser útiles para la IA, pero si tu empresa los tiene en volumen, representan una mina sin explotar.
El error frecuente es pensar que la IA solo funciona con big data al estilo de las grandes tecnológicas. Para la mayoría de los casos de uso operativos de una empresa en crecimiento, no se necesitan millones de registros. Se necesitan registros suficientes, consistentes y representativos del problema que se quiere resolver.
Más allá del tipo, lo que determina si tus datos sirven para una aplicación de IA concreta son tres condiciones operativas que cualquier directivo puede evaluar sin ser técnico.
Primera: ¿Están registrados de forma consistente? Esto significa que el mismo campo siempre contiene el mismo tipo de información, y que los criterios de registro no cambiaron a la mitad. Si tu equipo de ventas registra el nombre del cliente de seis maneras distintas, o si el campo "motivo de cancelación" lleva dos años en blanco, ese dato no es utilizable sin una limpieza previa. La inconsistencia no es un problema irresoluble, pero sí es un costo que hay que reconocer antes de comprometerse con un proyecto.
Segunda: ¿Están accesibles en un solo lugar? El síntoma más común en empresas medianas es el dato en silos: el área de ventas tiene su Excel, el área de finanzas tiene el ERP, el área de operaciones tiene otro sistema, y nadie los conecta. La IA necesita ver el cuadro completo para generar valor real. Si el proceso de compra de un cliente toca cinco sistemas distintos y nadie tiene una vista integrada, el primer trabajo es de integración, no de algoritmos. Esto no es un obstáculo para empezar; es el mapa del trabajo real.
Tercera: ¿Los datos reflejan el problema que quieres resolver? Esta es la condición más pasada por alto. Una empresa puede tener excelentes registros de ventas pero querer implementar IA para predecir fallas en su equipo de manufactura. Esos son dos tipos de datos completamente distintos. La preparación de datos no se hace "en general"; se hace para un caso de uso específico. Por eso, el orden correcto es definir primero el problema de negocio, y después identificar qué datos necesita ese problema en particular.
"La IA no fracasa por la tecnología. Fracasa cuando el problema de negocio no está definido con claridad antes de tocar el primer dato."
Imagina una distribuidora regional de materiales de construcción con 120 empleados. Su directora comercial quiere reducir la rotación de clientes que llevan más de un año sin comprar, y le proponen implementar un sistema de IA para predecir qué clientes están en riesgo de abandonar.
La primera reacción del equipo es "no tenemos datos para eso". Pero cuando se revisa el sistema, hay cuatro años de historial de pedidos por cliente, frecuencia de compra, montos promedio, tipos de producto y canal de contacto. Lo que falta es el dato de "motivo de no regreso" porque nadie lo registró de forma sistemática. Ese gap es relevante, pero no bloquea el proyecto: se puede entrenar un modelo con los patrones de comportamiento previo al abandono sin necesidad de la variable de motivo.
El problema real no era la ausencia de datos. Era no saber qué datos existían ni cuáles eran suficientes para el caso de uso específico. Ese análisis, que toma días, no semanas, es la diferencia entre arrancar un proyecto con base sólida o invertir en una herramienta que no va a funcionar con la materia prima disponible.
Esta es exactamente la lógica que sustenta el Método 4C®: antes de construir nada, hay que saber con qué se cuenta. El diagnóstico de datos es parte de la fase de Conciencia y Compromiso, y determina cuáles son los Quick Wins realmente viables para cada empresa.
No existe una lista universal de "datos para IA". Lo que sí existe es una correspondencia entre el tipo de problema y el tipo de dato que lo alimenta. Estos son los más comunes para empresas en crecimiento:
- Automatización de atención a clientes: historial de tickets, transcripciones de conversaciones, categorías de solicitudes, tiempos de resolución.
- Predicción de demanda o inventario: registros de ventas por SKU, estacionalidad, datos de proveedores, tiempos de entrega.
- Detección de anomalías financieras: movimientos contables, patrones de gasto por área, comparativos históricos.
- Clasificación y priorización de leads: datos de CRM, fuente de contacto, comportamiento en el sitio web, historial de interacciones.
- Análisis de rotación de personal: datos de RH, antigüedad, evaluaciones de desempeño, historial de bajas voluntarias.
En todos los casos, la clave no es tener el dato perfecto desde el inicio. Es saber cuál es el dato mínimo viable para el caso de uso elegido, y evaluar honestamente si ya existe en los sistemas actuales o si hay que construirlo.
Hay un paso que los vendedores de plataformas de IA rara vez mencionan: antes de implementar cualquier herramienta, alguien tiene que revisar la calidad de los datos que esa herramienta va a consumir. Ese trabajo se llama auditoría de datos, y en empresas medianas suele revelar tres tipos de problemas: datos duplicados, campos vacíos en variables críticas, y formatos inconsistentes entre sistemas.
Ninguno de esos problemas es fatal, pero cada uno tiene un costo de corrección. Conocerlo antes de firmar un contrato con un proveedor de software es la diferencia entre un proyecto que entrega valor en 90 días y uno que se estanca en la fase de "preparación" durante un año.
Si quieres entender cómo evaluar la calidad de tus datos antes de dar el siguiente paso, el artículo Calidad de datos para IA: cómo auditarla antes de invertir cubre exactamente eso. Y si quieres entender por qué los datos en silos son el obstáculo más subestimado, Gobernanza de datos: la decisión que tu IA espera lo explica con detalle.
La pregunta "¿ya estoy listo?" también tiene su propia respuesta en Tus datos no están listos para la IA: señales clave y en Tus datos no están listos para la IA (aún), dos lecturas que muchos directivos encuentran más útiles que cualquier demo de producto.
La mayoría de las empresas en crecimiento tiene más datos de los que cree. El problema es que nadie ha hecho la pregunta correcta: ¿cuáles datos, para qué problema, en qué estado?
Responder eso antes de comprar una herramienta es lo que separa los proyectos de IA que generan valor real de los que se convierten en una línea más del presupuesto sin retorno visible. El 2.2% de empresas mexicanas que ya usa IA, según el INEGI, no llegó ahí por suerte ni por tener presupuesto ilimitado. Llegó ahí porque alguien hizo primero ese trabajo de reconocimiento.
Si quieres saber con precisión qué datos tiene tu empresa, en qué estado están y qué aplicaciones de IA son viables para tu operación hoy, el primer paso es una conversación sin compromiso. La Sesión 0 es exactamente eso: 30 minutos para que puedas tomar esa decisión con información real, no con promesas de un vendedor de software.
¿Cuántos datos necesita una empresa mediana para empezar a usar IA?
No hay un número mágico universal. Para la mayoría de los casos de uso operativos, 12 a 24 meses de registros históricos consistentes en el área de interés es suficiente para explorar una primera aplicación. Lo importante no es el volumen absoluto, sino que los datos sean representativos y estén bien registrados.
¿Mis datos en Excel sirven para la IA?
Sí, siempre que estén estructurados de forma consistente (columnas bien definidas, sin mezcla de formatos, sin filas en blanco arbitrarias). Las hojas de cálculo son un punto de partida válido, aunque para proyectos más robustos conviene migrar esa información a un sistema con mayor control de calidad y accesibilidad.
¿Qué pasa si mis datos están en diferentes sistemas?
Es el escenario más común en empresas en crecimiento. La solución no es esperar a tener todo integrado antes de empezar; es identificar qué datos viven en qué sistema y cuál de esos silos contiene la información suficiente para un primer caso de uso específico. La integración completa es un objetivo de mediano plazo, no una condición de entrada.
¿Necesito un equipo de data science para preparar mis datos?
No necesariamente desde el inicio. Una buena parte del trabajo de evaluación de datos, identificar qué existe, dónde está y en qué estado, lo puede hacer alguien con conocimiento del negocio acompañado de un consultor con criterio técnico. El equipo de data science entra cuando ya hay un caso de uso definido y datos mínimos viables identificados.
¿Cómo sé si mis datos son suficientes para el problema que quiero resolver?
La respuesta honesta es: hay que revisarlos con criterio. Eso implica mapear qué variables existen, evaluar su completitud y consistencia, y contrastarlas con lo que el caso de uso específico requiere. Es exactamente el tipo de análisis que se hace en la fase inicial del Método 4C®, antes de comprometer ninguna inversión en herramientas.