IA en riesgo: por qué más del 70% de los proyectos pueden fracasar

¿Qué distingue a un proyecto exitoso que combina IA con datos? En México, como en muchos otros países, esta pregunta se vuelve cada vez más relevante conforme las organizaciones apuestan por soluciones basadas en datos para mejorar su competitividad y eficiencia operativa.

Hoy en día, aquellas compañías que desean avanzar mediante el uso de data se topan con desafíos comunes como:

• La calidad e integridad de la información disponible.
• Dudas sobre la procedencia de los datos y versiones conflictivas.
• La propiedad y responsabilidad de los datos, así como la necesidad de identificar fuentes confiables.

Este tipo de problemáticas, que ya se hacían presentes desde los tiempos de los data marts y data warehouses, se intensificaron con la llegada del Big Data. La tecnología permitió procesar e integrar datos no estructurados y semi-estructurados, en volúmenes hasta cinco veces mayores que los datos transaccionales tradicionales que muchas empresas mexicanas ya manejaban.

A pesar de estos avances, la tecnología no ha cumplido completamente con las expectativas en cuanto al uso y explotación de datos. Una de las principales razones es la complejidad técnica que implica extraer valor real desde un entorno como el Data Lake. En otras palabras, muchas organizaciones enfrentaron dificultades para gobernar los datos, integrarlos y generar beneficios que justificaran la inversión en estas arquitecturas.

Como respuesta, varias empresas comenzaron a volver a un entorno más familiar, similar al data warehouse, dando origen al concepto de LakeHouse. Esta arquitectura permite almacenar e integrar distintos tipos de datos, pero con la ventaja de usar herramientas de análisis conocidas y sin necesidad de dominar lenguajes estadísticos avanzados.

A pesar de ello, los retos relacionados con el gobierno de datos persisten en muchas organizaciones. Este tema podría volverse aún más crítico con la integración de la inteligencia artificial híbrida en los sistemas de gestión de datos.

Esta primera parte de una serie de dos artículos se centra precisamente en este punto crucial, que de no abordarse de forma adecuada, puede convertirse en un gran obstáculo para las empresas mexicanas que buscan desarrollar e implementar soluciones de Inteligencia Artificial.

Estrategia de datos, gobierno de datos y gestión de datos

Antes de entrar en materia, es importante aclarar algunos conceptos clave para poder avanzar hacia definiciones más complejas.

En este contexto, hay tres términos que suelen usarse como sinónimos, pero que en la práctica no significan lo mismo:

• Estrategia de datos
• Gobierno de datos
• Gestión o administración de datos

Aunque están interrelacionados, es fundamental entender sus diferencias. Como veremos más adelante, los límites entre la gestión de datos y el gobierno de datos se vuelven cada vez más difusos, especialmente con la introducción de la Inteligencia Artificial híbrida.

El verdadero problema no es la confusión de términos, sino la falta de alineación entre las acciones y los objetivos de una organización respecto a cada uno de estos conceptos. Es posible que una empresa no tenga claramente definidos estos límites y aún así funcione. Pero si no hay una comprensión clara de sus misiones específicas, tarde o temprano surgirán fricciones.

Nivel estratégico: la Estrategia de Datos

La estrategia de datos corresponde al nivel más alto y define la visión que una organización tiene sobre el uso y aprovechamiento de sus datos. Por ejemplo, si se desea que los datos sean un activo estratégico o que la toma de decisiones sea cada vez más data-driven.

Aquí es clave distinguir entre "estrategia" y "plan". Mientras que el plan abarca recursos, plazos y presupuesto, la estrategia se centra en principios y lineamientos que guían el camino hacia los objetivos.

Un error común en muchas empresas es definir su estrategia de datos una sola vez y no volver a revisarla. Con el tiempo, esta falta de actualización hace que los principios queden obsoletos y dejen de cumplirse.

Por eso, una estrategia debe incluir un modelo operacional que sirva como referencia tangible para revisiones periódicas y que facilite su traducción en acciones concretas.

Nivel operativo: Gestión o administración de datos

La gestión de datos opera en la capa operativa. Es la encargada de ejecutar las tareas diarias que aseguran que los datos sean utilizados de forma eficiente, confiable y escalable.

Esta capa abarca prácticas como la calidad, integración y seguridad de los datos, asegurando que estén listos para apoyar la toma de decisiones.

Aquí también entran en juego los modelos operativos, que permiten implementar la estrategia definida, pero a nivel práctico.

Nivel táctico: Gobierno de datos

El gobierno de datos se sitúa entre la estrategia y la gestión de datos. Su función es traducir la visión estratégica en acciones específicas, alineando personas, procesos y tecnologías con los objetivos organizacionales.

A nivel operativo, supervisa las decisiones relacionadas con los datos, asegurando que se alineen con la visión general del negocio. Aunque forma parte de la gestión de datos, su rol es particular porque actúa como puente entre la estrategia y la ejecución.

Según el enfoque de la Data Management Association (DAMA), el gobierno de datos se posiciona en el centro de la gestión. En un modelo tridimensional, estaría también al centro, pero con una elevación que refleja su papel integrador.

Aunque parecidos, gobierno y gestión de datos no son lo mismo. La estrategia de datos alimenta al gobierno, y este, a su vez, estructura la gestión. Esta relación cíclica es fundamental para construir un ecosistema de datos sólido.

El circuito de retroalimentación

Un ecosistema de datos cohesivo debe incluir un circuito de retroalimentación. Esto significa que las decisiones tomadas en la gestión operativa deben informar a la capa táctica, permitiendo ajustes y mejoras continuas.

En México, donde muchas empresas están adoptando soluciones digitales de manera acelerada, este ciclo de retroalimentación cobra especial relevancia.

Existen además conceptos como el "doble circuito de retroalimentación" (Mintzberg), que propone que la estrategia debe evolucionar con base en el aprendizaje constante. Estos cambios deben llegar a la capa estratégica para reorientar la lógica general del negocio.

También está la “observación de segundo orden” (Förster y Lehmann), que invita a cuestionar si las mejores prácticas realmente contribuyen a los objetivos o están alineadas con los valores organizacionales.

Gobierno de datos: clave en la estrategia de IA

Entender el gobierno de datos como una capa táctica ayuda a visualizar cómo se conectan la estrategia y la operación. De esta forma, se asegura que las decisiones estratégicas se conviertan en acciones concretas que hagan un uso efectivo de los datos.

En el entorno empresarial mexicano, contar con un marco de gobierno de datos bien definido es crucial para enfrentar los retos que plantea la inteligencia artificial.

Además, comprender el valor del aprendizaje adaptativo y la retroalimentación continua puede marcar la diferencia entre un proyecto exitoso y uno que no logra despegar.

Transforma tus datos en tu ventaja competitiva

¿Está tu organización preparada para aprovechar todo el potencial de sus datos? No te quedes atrás. Implementa un marco de gobierno de datos robusto y flexible para seguir siendo competitivo en la era de la inteligencia artificial híbrida.En 2Brains te ayudamos a alinear tu estrategia con una ejecución eficiente. Contáctanos y hagamos de tus datos un activo estratégico de alto valor para tu negocio.