Los modelos de IA son tan buenos como los datos que se les muestran. Eso no es un eslogan sino un problema práctico: un modelo de lenguaje que trabaja con datos dispersos, obsoletos o indefinidos produce respuestas igual de dispersas, obsoletas e indefinidas. Muchas organizaciones lo notan recién después de iniciar un piloto, cuando resulta que los datos que el modelo necesita no están en un solo lugar, o que ya nadie sabe qué versión de un archivo es la correcta. La gestión de datos es una de las dimensiones fundamentales: la pregunta no es qué tareas podría asumir la IA, sino si debajo de esas tareas hay una capa de datos lo suficientemente sólida como para construir sobre ella.
La gestión de datos trata de dónde provienen los datos, quién es responsable de ellos, en qué estado se encuentran y qué tan fácil es encontrarlos y combinarlos. Esto incluye, entre otras cosas, si los datos están almacenados de forma centralizada o dispersa, si se ha designado un propietario por cada conjunto de datos, si las definiciones de conceptos como 'cliente' o 'proyecto activo' son coherentes entre departamentos, y si existe visibilidad sobre la calidad de los datos que se usan a diario. Una organización puede puntuar alto en infraestructura de TI y, sin embargo, puntuar bajo en gestión de datos: los sistemas están presentes, pero nadie ha registrado nunca exactamente qué contienen ni quién puede modificarlo.
En el nivel baseline, los datos existen sobre todo en silos: cada departamento mantiene sus propios archivos, sin estructura ni propiedad compartida. En el nivel foundation hay un inicio de orden: existen acuerdos sobre dónde debe estar determinada información, pero la ejecución todavía depende de hábitos individuales. En activation, la propiedad de los datos está asignada y existe un marco conceptual compartido, de modo que distintos departamentos usan el mismo término de la misma manera. En el nivel insight se mide y se da seguimiento a la calidad de los datos, y hay visibilidad sobre dónde se encuentran los puntos débiles de la cadena de datos. El nivel intelligence significa que la gestión de datos está incorporada en la forma de trabajar diaria: la calidad, el origen y el acceso se controlan de forma continua, no como un proyecto aparte sino como parte fija de cómo se trabaja.
Un indicador práctico es cuánto tiempo se tarda en responder una pregunta sencilla, como cuántos clientes adquirieron un determinado producto en el último año. Si la respuesta llega desde un único sistema en pocos minutos, eso indica un nivel más alto. Si primero hay que llamar a tres personas para averiguar qué archivo está actualizado, eso indica baseline o foundation. Otro indicador es qué ocurre cuando alguien con conocimiento sobre un conjunto de datos se marcha: ¿sigue la información siendo accesible, o desaparece con esa persona? También es relevante si hay alguien que asume la responsabilidad de un conjunto de datos, o si esa responsabilidad de hecho no la tiene nadie.
Dentro de la medición de madurez, esta dimensión no la puntúa una sola persona, sino varias personas por separado. Un responsable de TI puede valorar la gestión de datos como alta porque los sistemas están técnicamente en orden, mientras que un responsable operativo puntúa bajo porque en la práctica los datos no se sienten localizables ni confiables. Esa dispersión se hace visible en el gráfico y es en sí misma una señal: una gran distancia entre puntuaciones a menudo significa que la organización está más avanzada sobre el papel que en la práctica diaria, o que distintos departamentos trabajan con distintas versiones de la verdad. Una dispersión reducida, incluso en un nivel más bajo, indica una imagen realista y compartida desde la cual trabajar.
El paso de baseline a foundation a menudo no requiere nueva tecnología, sino acuerdos: quién es propietario de qué conjunto de datos, y dónde se encuentra qué información. El paso de foundation a activation requiere un marco conceptual compartido, para que los departamentos no definan por su cuenta y sin coordinación qué es un 'cliente activo' o un 'proyecto finalizado'. Lo que requiere un paso concreto en costes y tiempo depende del tamaño de la organización y del estado de los sistemas subyacentes; esto se desarrolla en la página sobre qué cuesta hacer subir un nivel a la organización y en la página sobre qué cuesta hacer subir un nivel a la infraestructura de TI, porque en la práctica los datos y la infraestructura suelen avanzar juntos.
La gestión de datos no está separada del resto de la medición. Sin acuerdos claros sobre quién puede usar qué datos y para qué, surgen preguntas que en realidad corresponden a privacidad y seguridad. Sin personas que entiendan qué significa la calidad de datos y cómo prestarle atención en su trabajo, la dimensión personas y competencias se queda atrás. Y sin una mirada sobre quién decide qué se puede y qué no se puede hacer con los datos, falta la conexión con la ética. Las siete dimensiones de la medición están interrelacionadas; la gestión de datos es una de ellas, y por lo general no es la última que merece atención.
Esta medición muestra si el terreno bajo las aplicaciones de IA es suficientemente sólido: si los datos son localizables, confiables y tienen un responsable. Esa es una pregunta distinta a qué parte del trabajo puede asumir la IA por sí misma. Esa pregunta la responde el escáner de tareas de FTE TO AI, que calcula por tarea qué parte es apta para transferir a la IA, partiendo de la estructura de datos presente en ese momento. Las dos mediciones están pensadas para leerse una después de la otra: primero la capacidad de carga, luego las tareas que pueden apoyarse en ella.
La medición de madurez, incluida la dimensión de gestión de datos, se encuentra actualmente en construcción. Quien desee realizar la medición en cuanto esté disponible puede inscribirse en la lista de espera.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.