El verdadero obstáculo de la IA en empresas: la falta de datos de calidad

La inteligencia artificial está llegando a las empresas españolas, pero no de la manera que sugieren los titulares. Solo el 21 % de las compañías con más de diez empleados la utiliza, y el avance es desigual: algunas avanzan rápido mientras otras apenas experimentan en pilotos. El verdadero problema no es la tecnología misma, sino algo mucho más básico y estructural: la calidad de los datos con los que trabajan.

Enrique Serrano, CEO de Tinámica y presidente de la Comisión Inteligencia Artificial y Economía del Dato de AMETIC, lo explica con una metáfora clara. La IA no te reemplaza en tu trabajo, sino que amplía lo que puedes hacer. Te da una memoria más grande, acceso a volúmenes enormes de información, y la capacidad de analizar más rápido. Es como trabajar con superpoderes que hace poco no estaban al alcance de cualquiera. Pero esa expansión de capacidades solo funciona si tienes los cimientos correctos.

La realidad en las empresas es mucho menos espectacular que el discurso público. No hay una adopción masiva, sino un despliegue selectivo. Las compañías que empezaron antes, que invirtieron en cultura digital, avanzan más rápido. Las pequeñas y medianas empresas siguen en modo prueba o piloto. Hay avances, pero también mucho camino por recorrer. En las pymes, la IA entra principalmente en procesos de marketing o comerciales. Las grandes empresas pueden abordar automatizaciones más amplias. Pero en ambos casos, el obstáculo real es el mismo.

Serrano lo plantea sin rodeos: la inteligencia artificial se alimenta de datos, y si le das información de mala calidad, devuelve resultados multiplicados de esa mala calidad. El cuello de botella no está en la tecnología, sino en la información con la que trabajan las empresas. Muchas siguen siendo insuficientes o poco fiables. Algunas compañías tienen solo el 9 % de sus datos de clientes bien organizados. Eso no es un problema menor ni aislado; es una de las razones principales por las que la IA no despliega todo su potencial en el tejido empresarial. Las deficiencias estructurales en cómo se recogen, almacenan y gestionan los datos condicionan cualquier intento de avanzar.

Esta situación también explica por qué la adopción no es homogénea. Las empresas más grandes o las que empezaron antes a trabajar con datos han conseguido integrar estas herramientas en procesos concretos. Otras siguen en fases muy iniciales. En las pymes, esa distancia es todavía más evidente. Muchas están empezando con lo básico, aunque el acceso a la IA no exige inversiones tan elevadas como podría pensarse. El problema no es tanto de acceso como de enfoque.

Serrano identifica tres errores habituales. El primero: las empresas se acercan a la IA sin una estrategia clara, sin saber qué quieren hacer ni para qué. El segundo: la falta de formación continua. Un curso no es suficiente; hay que ir al gimnasio de la IA de forma recurrente para actualizar conocimientos. El tercero, de nuevo, es el dato. No se le está dando la importancia que tiene. Hay procesos de recogida de información todavía manuales, sin garantías de calidad. La pregunta es simple: ¿de qué te sirve un Ferrari si no le echas el combustible adecuado?

La regulación europea añade otra capa de complejidad. Serrano la compara con un código de circulación: un marco necesario para evitar riesgos y ordenar el uso de una tecnología que, mal empleada, puede tener consecuencias importantes. Pero ese equilibrio no siempre es sencillo. Existe el riesgo de caer en una sobrerregulación que complique la adopción, especialmente en pequeñas y medianas empresas. Adaptarse al reglamento europeo de inteligencia artificial puede suponer una inversión significativa. La Unión Europea estima un coste medio de unos 300.000 euros para una pyme, una cifra que da una idea del esfuerzo que puede implicar. El reto, en su opinión, está en simplificar y coordinar las normas existentes, evitando duplicidades y facilitando su aplicación práctica.