Snowfox AISnowfox AI
Esc

Escriba para buscar. La tecla Enter abre el primer resultado.

21 de noviembre de 2026 · 7 min de lectura

Proyectos de IA: por qué se estancan y qué cimientos de datos exigen

Los proyectos de IA se estancan sin datos disponibles y fiables. Los cimientos exigen pipelines repetibles, data warehouse con BI y responsables claros.

Por el equipo de Snowfox AI

En esta página

Ver como Markdown

Los proyectos de IA se estancan por los datos porque los datos que necesita un modelo no están disponibles cuando hacen falta o no cuentan con la confianza de quienes actuarían a partir del resultado. Los cimientos de datos son el conjunto mínimo de pipelines, almacenamiento, definiciones y reglas que hace que los datos estén disponibles y sean fiables en cada etapa, desde el sistema de origen hasta la decisión. No tienen que estar completos antes de un primer modelo. Tienen que ser suficientes para un caso de uso.

¿Por qué los proyectos de IA se estancan por los datos?

El modelo suele ser la parte más pequeña del trabajo. La secuencia habitual es esta: un equipo recibe una extracción puntual, construye un prototipo prometedor y luego descubre que la extracción no se puede reproducir de forma programada, que las cifras no coinciden con el informe de finanzas o que un campo clave se introduce a mano.

Las causas recurrentes son pocas:

  • Los datos están en varios sistemas que no comparten identificadores.
  • Las extracciones se generan manualmente, así que nada puede ejecutarse a diario.
  • Los departamentos definen el mismo indicador de formas distintas.
  • El historial se sobrescribe en lugar de conservarse.
  • Nadie sabe con certeza quién es responsable de los datos ni si pueden usarse para este fin.

Esto se aplica a todo tipo de IA, no solo a los modelos predictivos. Un asistente construido con generación aumentada por recuperación (RAG), en la que un modelo de lenguaje responde con documentos recuperados del contenido de su propia empresa, responderá con aplomo a partir de documentos desactualizados si nadie mantiene el repositorio de documentos.

¿Qué significa “disponibles y fiables en cada etapa”?

Disponibles significa que los datos llegan adonde se necesitan, con la frecuencia necesaria, sin que una persona tenga que moverlos. Fiables significa que la misma pregunta obtiene la misma respuesta se haga donde se haga y que, cuando una cifra es errónea, alguien puede rastrear el porqué.

Antes, algunos términos. ETL significa extraer, transformar y cargar (extract, transform, load): son los procesos que toman los datos de los sistemas de origen, los limpian y reestructuran, y los cargan en el almacenamiento. Un pipeline es la cadena de esos procesos. Un data warehouse es una base de datos central organizada para el análisis y no para las transacciones, y un data mart es una versión más pequeña centrada en un solo tema. BI, o business intelligence, es la capa de informes y paneles de control (dashboards).

Etapa Qué falla Qué comprobar
Sistemas de origen Campos introducidos a mano o modificados sin aviso Quién es responsable de cada fuente y cómo se comunican los cambios
Ingesta Exportaciones manuales, procesos que fallan sin avisar Si cada carga está programada y supervisada
Transformación Reglas de negocio enterradas en scripts que solo entiende una persona Si las reglas están documentadas y probadas
Almacenamiento Varias copias de la verdad que compiten entre sí Si cada indicador tiene un único lugar acordado
Consumo Paneles que nadie abre, modelos alimentados por una vía aparte Si los informes y los modelos leen de las mismas tablas

¿Dónde se convierten los pipelines y el ETL en el cuello de botella?

Normalmente en cuatro puntos.

  1. Sin orquestación. La orquestación son las herramientas que ejecutan los procesos en orden, reintentan los que fallan y emiten alertas. Sin ella, un proceso fallido rompe todo lo que viene después y nadie lo nota hasta que un informe sale mal.
  2. Recargas completas. Reprocesarlo todo en cada ejecución, cuando solo cambian los registros nuevos, hace que el pipeline sea lento y caro.
  3. Lógica duplicada. La misma regla se implementa en tres scripts y las versiones acaban divergiendo.
  4. Sin pruebas de datos. Nada comprueba el número de filas, los valores faltantes ni los duplicados antes de que los datos se usen.

Qué no hacer: empezar reescribiéndolo todo en una plataforma nueva. Diagnostique primero los pipelines existentes y corrija los cuellos de botella que restan rendimiento y fiabilidad.

¿Por qué construir un data warehouse y BI antes que un modelo?

Porque los informes son la prueba más barata de si se confía en los datos. Si los directivos miran un panel de ingresos y no confían en él, tampoco confiarán en una previsión construida sobre las mismas tablas.

Hay dos razones más. Los informes tienen valor por sí mismos, antes de que exista ningún modelo. Y las tablas depuradas y acordadas que alimentan los paneles son las mismas de las que aprenderá un modelo.

Qué no hacer: construir paneles que nadie pidió.

¿Qué aporta la gobernanza?

La gobernanza de datos define quién es responsable de cada conjunto de datos y de cada definición, quién puede acceder a ellos, cuánto tiempo se conservan y cómo se protegen los datos personales. En el caso de la IA, además tiene que responder una pregunta más: ¿pueden usarse estos datos para este fin?

Un mínimo viable es breve: un responsable para cada conjunto de datos crítico, una definición por escrito de cada indicador clave, reglas de acceso y reglas de retención y privacidad que usted pueda defender.

Qué no hacer: crear un comité de gobernanza antes de que haya conjuntos de datos que gobernar.

¿Cómo funciona esto en la práctica?

El caso de éxito de Snowfox sobre un pipeline de datos para medios es un ejemplo práctico útil porque la versión publicada no describe ningún modelo.

Un importante portal de medios necesitaba unos cimientos de datos escalables y económicos, capaces de combinar muchos sistemas y de permitir un análisis oportuno de los ingresos y del comportamiento de la audiencia. Según el caso publicado, el portal gestionaba más de 50 millones de páginas vistas al mes.

El enfoque fue un data mart que alimenta vistas de Power BI mediante procesos ETL en Python orquestados con AWS Step Functions. Según el caso publicado, en tres meses los directivos tenían visibilidad a través de más de 50 vistas analíticas, mientras el gasto en infraestructura se mantenía bajo.

Conviene destacar cuatro cosas:

  • El alcance lo fijaron las preguntas de negocio, los ingresos y el comportamiento de la audiencia, no la ambición de centralizar todos los datos.
  • La capa de almacenamiento es un data mart, no un data warehouse para toda la empresa.
  • Los componentes eran sencillos: procesos en Python, un orquestador gestionado y una herramienta de BI.
  • El resultado llegó a los directivos, que son quienes toman las decisiones, y esa es la prueba que importa.

Sobre unos cimientos como estos se apoyaría un primer modelo.

¿Qué cimientos son suficientes antes de un primer modelo?

Los suficientes para un caso de uso. Compruebe estos seis puntos:

  1. Los datos que necesita el caso de uso se cargan mediante un pipeline programado y supervisado, no a mano.
  2. Hay historial suficiente con el nivel de detalle adecuado, y se conserva, no se sobrescribe.
  3. Las entidades clave, como cliente, producto o tienda, tienen identificadores coherentes en todas las fuentes implicadas.
  4. El indicador objetivo tiene una única definición acordada, y el área de negocio acepta las cifras de un informe.
  5. Alguien es responsable de los datos, y está claro que pueden usarse para este fin.
  6. Existe una vía para que la salida del modelo llegue al sistema o a la persona que actúa a partir de ella.

Si esto se cumple para un caso de uso, empiece. Si no, el primer proyecto es un proyecto de datos, y ese es un resultado legítimo.

Hay dos errores en extremos opuestos. Uno es esperar a tener una plataforma de datos corporativa completa antes de intentar nada. El otro es saltarse los cimientos y confiar en que el modelo lo compense. Un modelo no corrige datos en los que no puede confiar. Repite los mismos errores más rápido.

Por dónde empezar

Preguntas y respuestas

¿Por qué los proyectos de IA se estancan por los datos?

Porque los datos que necesita el modelo no se pueden entregar de forma repetible, o las cifras no coinciden con las que el negocio ya presenta en sus informes. Un prototipo construido sobre una extracción puntual no puede ejecutarse en producción.

¿Qué incluyen unos cimientos de datos?

Pipelines programados y supervisados, un data warehouse o data mart con definiciones acordadas, una capa de informes que las personas usan y una gobernanza que fija responsables y reglas de acceso, retención y privacidad.

¿Qué cimientos de datos son suficientes antes de un primer modelo de IA?

Los suficientes para un caso de uso: un pipeline repetible para los datos que necesita, historial suficiente, identificadores coherentes, una única definición acordada del indicador objetivo, un responsable de los datos y una vía para que la salida llegue a quien actúa a partir de ella.

Empiece por el problema, no por la tecnología

Cuéntenos qué es lento, caro o invisible en su operación. Si la IA o unos datos mejores son la respuesta adecuada, le mostraremos dónde. Si no lo son, también se lo diremos.

¿Aún no está listo para definir el alcance de un proyecto?

Empiece por el Diagnóstico de Preparación para IA. Cinco dimensiones, revisadas en conjunto, y una lectura honesta de dónde se encuentra realmente.

Hacer el diagnóstico