Mucho antes de que una empresa implemente inteligencia artificial, despliegue agentes o automatice procesos complejos, suele aparecer un problema más cotidiano. Bases de datos incompletas, registros duplicados, catálogos inconsistentes e información dispersa entre distintos sistemas terminan condicionando cualquier iniciativa.
La tecnología avanza a una velocidad inédita pero, como se dice habitualmente, “la velocidad de una flota es igual a la de su nave más lenta.” Y en el océano de la transformación digital, la nave más lenta es la calidad de los datos.
Mientras la inteligencia artificial concentra buena parte de las inversiones tecnológicas de los últimos años, numerosas organizaciones todavía enfrentan dificultades para resolver aquello que alimenta esos modelos. El desafío ya no consiste únicamente en incorporar nuevas herramientas, sino en construir una base de información confiable que permita aprovecharlas.
Estudios recientes de McKinsey coinciden en que a medida que las compañías intentan llevar sus pilotos de inteligencia artificial a escala, los datos empiezan a aparecer como una restricción central.
Según la consultora, sólo el 7% de las empresas logró escalar completamente la inteligencia artificial en toda la organización, y más de dos tercios de las organizaciones señalan a los datos como el principal obstáculo para habilitar IA generativa a escala.
Para que la inteligencia artificial produzca resultados confiables, los datos deben ser accesibles, comprensibles y accionables. Hasta ahora, datos de esas características solo estaban disponibles en bases de datos de altísima calidad, con alto costo de mantenimiento, y con datos estructurados.
Ahora bien, la IA Generativa permite aprovechar datos “no estructurados” (documentos, contratos, imágenes, audios, transcripciones, tickets, correos electrónicos, catálogos, manuales internos o conversaciones con clientes).
Eso tuvo un primer impacto que fue el de la baja de las barreras de entrada a la IA. Muchas personas y organizaciones pensaron que ahora podían automatizar todo, pero de a poco se van encontrando con el cuello de botella más importante, que es la calidad de los datos.
La IA permite escalar muy rápidamente. Pero si la estructura de datos es endeble, el resultado de lo que escale va a ser más endeble todavía.
“Las empresas sienten la presión por incorporar inteligencia artificial porque saben que representa una enorme oportunidad competitiva. Pero muchas veces quieren empezar por el último paso de un proceso que tiene varias etapas previas. Cuando los datos no están preparados, la inteligencia artificial simplemente reproduce esos mismos problemas a mayor velocidad”, explicó Tobías de Marcos, head of growth de Arbusta.
La Olas transformación digital
De Marcos explicó que para alcanzar la automatización de procesos, primero debemos revisar los primeros pasos que se dieron en la digitalización de las empresas.
“Hay que entender a la Transformación Digital como un cambio contínuo, no como un salto discreto”, comentó.
“Si no se construyeron bien las bases hace 10 años, es más difícil aprovechar los beneficios de la tecnología hoy. Por eso, el primer paso es ir a las bases”, agregó De Marcos.
La Transformación Digital es como una sucesión de olas, donde cada etapa modificó con mayor profundidad la relación entre información, procesos y decisiones.
La primera ola, desarrollada principalmente entre 1995 y 2005, estuvo marcada por la digitalización como respaldo. Muchas organizaciones comenzaron a escanear documentos una vez finalizados los procesos. Lo digital funcionaba como una copia de seguridad o como una forma más rápida de recuperar información, pero el proceso operativo seguía siendo esencialmente el mismo.
La segunda ola, entre 2005 y 2015, puso la eficiencia en el centro del proceso. La digitalización dejó de ocurrir sólo al final y empezó a incorporarse durante la operación: documentos escaneados al momento de generarse, extracción de datos, formularios estructurados, validaciones y disparadores de tareas. La documentación empezó a ser parte activa del flujo operativo, no solo un archivo para consultar después.
La tercera ola, a partir de 2015, se consolidó con la llegada de la tecnología Cloud y las APIs (almacenamiento en la Nube). El cambio ya no consistía en escanear mejor, sino en evitar que muchos procesos nacieran en papel. Formularios digitales, firma digital y biométrica, integraciones, portales y plataformas colaborativas permitieron que numerosas operaciones comenzaran y terminaran íntegramente en entornos digitales, con mayor velocidad, escalabilidad y trazabilidad.
Hoy las organizaciones atraviesan una cuarta ola: la inteligencia en el proceso. La inteligencia artificial, el aprendizaje automático y los agentes autónomos incorporan capacidades para leer información no estructurada, evaluar reglas de negocio, coordinar acciones y asistir o ejecutar decisiones. A diferencia de las olas anteriores, esta etapa no solo digitaliza o automatiza tareas: introduce sistemas capaces de interpretar contexto y operar con distintos niveles de autonomía.
Pero esa cuarta ola no elimina la necesidad de las anteriores. Al contrario, depende de ellas. Un agente inteligente solo puede interpretar, decidir o ejecutar con precisión si la información que recibe fue capturada, estructurada, validada y contextualizada correctamente. Por eso, la calidad de los datos no es un tema previo a la inteligencia artificial: es una condición para que la inteligencia artificial pueda escalar con confiabilidad.
Casos concretos: empresas que trabajan con datos e IA
Empresas como Mercadolibre, PedidosYa, Kavak y TGN ya han establecido alianzas con Arbusta con el objetivo de trabajar sobre los datos y habilitar las implementaciones de IA.
“La inteligencia artificial por sí sola no puede generar resultados confiables sin nuestra ayuda”, indicó Martín Senderey, COO de Arbusta.
“Toda transformación empieza con construir datos confiables; después convertir esa información en conocimiento útil; luego automatizar procesos; y recién entonces aparecen iniciativas más avanzadas como la inteligencia artificial agéntica. Cada capa descansa sobre la anterior”, añadió Senderey
Esa secuencia constituye hoy uno de los principales desafíos para las organizaciones. El primer escalón corresponde a los Data Foundations: normalizar, enriquecer, validar y estructurar la información disponible para asegurar que resulte consistente y confiable. Cuando eso se construye, se abren muchas nuevas posibilidades. Algunos ejemplos son:
Mercado Libre buscaba prevenir fraudes, uso indebido de marcas y venta de artículos prohibidos mediante agentes proactivos. Arbusta implementó etiquetado de imágenes con Computer Vision y revisión humana, integrando equipos para acelerar el flujo de datos de calidad y mejorar la detección con retorno positivo sobre la inversión.
Kavak buscaba mejorar la calidad de los datos que alimentaban sus algoritmos de pricing para predecir precios de mercado con mayor precisión. Arbusta optimizó el procesamiento de inputs, automatizó el 70% del flujo de carga de datos y analizó cientos de variables de mercado para acelerar, robustecer y hacer más confiable la herramienta de predicción.
En la migración a la nube de su sistema de gestión de incidentes, TGN tenía casi 8.000 registros históricos en texto libre, difíciles de analizar. Arbusta combinó IA asistida con validación humana para clasificarlos por ubicación y tipo de evento. En seis semanas estructuró el 97% de la base, con más de 95% de calidad validada por el cliente.
Los resultados de búsqueda de PedidosYa presentaban desalineaciones frente a lo que buscaban los usuarios, afectando la experiencia de compra. La empresa contactó a Arbusta para etiquetar datos de búsqueda y corregir resultados que afectan la experiencia de compra, alcanzando más de 10.000 productos.
Fundada hace más de doce años, y con operaciones en distintos países latinoamericanos, Arbusta evolucionó desde un modelo centrado en servicios intensivos en talento hacia una propuesta basada en soluciones especializadas que combinan tecnología, automatización y supervisión humana mediante su metodología Human in the Loop.
“Durante muchos años pusimos el foco en las personas que hacían posible nuestro trabajo. Hoy nuestra conversación con los clientes empieza mucho antes: hablamos de los problemas que necesitan resolver. Toda la experiencia que construimos en operaciones digitales durante más de una década hoy se transforma en productos capaces de escalar procesos de datos, automatización e inteligencia artificial sin perder el criterio humano donde sigue siendo indispensable”, afirmó Clemencia Nicholson, CEO de Arbusta.
