El viejo principio de “basura entra, basura sale” sigue vigente en la era de la inteligencia artificial. La calidad de los datos de entrada determina la calidad de los resultados que se obtienen.
Casi dos tercios de las organizaciones —el 63%— no cuentan con las prácticas de gestión de datos adecuadas para la IA, o no están seguras de tenerlas, según una encuesta de Gartner. La firma prevé que las empresas abandonarán el 60% de los proyectos de IA que no cuenten con datos preparados en 2026.
El verdadero valor, entonces, radica en una pregunta concreta: ¿cómo pueden las empresas garantizar que sus datos estén preparados para la IA, de modo que los proyectos generen un impacto sostenido en el desempeño?
Cómo cerrar la brecha de preparación de datos en la industria
Para responder, es necesario analizar las canalizaciones —pipelines— de datos industriales: flujos de trabajo automatizados que se construyeron en torno a un proceso de tres etapas conocido como ETL —Extracción, Transformación y Carga de datos—.
Ese modelo funciona bien para la generación de informes, donde los datos se almacenan y las herramientas posteriores les dan sentido más adelante. Pero resulta menos adecuado para el análisis profundo en operaciones industriales, donde los datos son útiles solo durante un período breve y deben convertirse en información utilizable antes de que se cierre la ventana de oportunidad.
Tampoco los enfoques existentes pueden gestionar los cientos de billones de datos que las empresas utilizan cada día para tomar decisiones estratégicas fundamentales.
En la industria, los datos “basura” son aquellos cuya utilidad es limitada porque llegan demasiado tarde, carecen de contexto o no están armonizados con otras partes del negocio, como los sistemas de TI y los sistemas de OT —Operational Technology, tecnología que controla equipos físicos e infraestructura industrial—.
Una lectura de sensor solo cobra sentido cuando se vincula con el activo al que pertenece, el proceso que respalda y el historial operativo y de mantenimiento circundante.
Cuanto más lejos viajan los datos industriales antes de ser procesados, menos útiles resultan los conocimientos que se obtienen.
Inteligencia que vive en el flujo
Las canalizaciones de datos deben realizar una mayor parte del procesamiento numérico en etapas más tempranas del ciclo. Deben abarcar toda la pila de TI, OT y sistemas empresariales para enriquecer y analizar los datos a medida que fluyen. Y deben poder desencadenar acciones basadas en condiciones predefinidas por expertos en la materia.
En ese sentido, la canalización de datos pasa a formar parte de la manera en que el negocio responde. Esto es lo que significa hoy la inteligencia en tiempo real en las operaciones industriales.
“La IA depende de la calidad de los datos que la alimentan, pero en la industria, estos también deben llegar con contexto y a tiempo para evitar interrupciones. Enriquecer los datos en el punto de captura puede acortar el tiempo de generación de valor en los proyectos de IA”, afirma Steve Parvin, vicepresidente de CONNECT Data Harmonization en AVEVA.
Una canalización más sólida cambia la calidad del flujo en sí, capturando el contexto del evento o del activo en lugar de transmitir simplemente valores brutos. El resultado es información que pueden comprender no solo las personas, sino también los sistemas de IA, que dependen del contexto operativo, de ingeniería y de mantenimiento para generar recomendaciones precisas.
Los flujos modulares de tipo low-code/no-code —plataformas que permiten crear automatizaciones con mínima escritura de código— que enriquecen y armonizan los datos en movimiento facilitan su uso tanto para las personas como para los modelos de IA. Los nuevos casos de uso pueden pasar de meses de preparación a semanas, o incluso menos.
En la planta de producción, este cambio se traduce en información utilizable para monitoreo de calidad en tiempo real, detección de anomalías y acciones basadas en condiciones.
IA a escala: de complemento externo a función integrada
En un caso concreto, un fabricante de extrusión de película con sede en Estados Unidos logró más de USD 5 millones en ahorros anuales, mientras que el inventario de productos terminados se redujo en un 200%. El cambio se debió a la incorporación de inteligencia industrial en tiempo real, con información potenciada por IA que llegaba más rápido gracias a la integración de las canalizaciones entre los datos de operaciones y de la empresa.
El sector se encuentra en un punto de inflexión: la tecnología está pasando de ser un complemento externo a convertirse en una base integrada de los modelos de negocio. Un tercio (32%) de los líderes encuestados afirma que transformará las operaciones a medida que se expanda por toda la empresa, desde la planta hasta la alta dirección.
La investigación muestra que las empresas que operan como un negocio en tiempo real —donde los empleados cuentan con los datos para decidir y actuar de inmediato— suelen ser líderes de mercado. Las que se ubican en el cuartil superior en operaciones en tiempo real logran un crecimiento de ingresos más de un 50% superior y márgenes de utilidad casi el doble (97% más altos) que los de sus pares.
