Las empresas descubren que la IA no falla por falta de modelos, sino por información desordenada, dispersa y mal gobernada
Durante los últimos años, la conversación sobre inteligencia artificial se ha concentrado casi por completo en la potencia de los modelos, en sus capacidades generativas y en la velocidad con la que aparecen nuevas herramientas. Sin embargo, al interior de las empresas, el principal obstáculo parece estar en un punto mucho menos espectacular, pero mucho más determinante: los datos.
La inteligencia artificial puede ser tan avanzada como se quiera, pero si se alimenta de información incompleta, duplicada, dispersa o poco confiable, sus resultados también serán débiles. Esa es una de las conclusiones que se desprenden de los estudios y anuncios presentados durante SAS Innovate 2026, donde quedó claro que el cuello de botella no necesariamente está en la tecnología, sino en la calidad de la base sobre la que opera.
De acuerdo con una investigación global realizada por SAS en conjunto con IDC, casi la mitad de las organizaciones consultadas, 49%, considera que los entornos en la nube no centralizados o mal optimizados representan la principal barrera para avanzar en proyectos de inteligencia artificial. Además, 44% identifica la falta de procesos adecuados de gobernanza de datos como un problema crítico.
El dato es relevante porque cambia el foco de la discusión. Durante mucho tiempo, el debate empresarial giró alrededor de qué modelo utilizar, qué plataforma contratar o qué solución incorporar. Pero en la práctica, muchas organizaciones todavía enfrentan desafíos mucho más básicos: bases de datos que no dialogan entre sí, información almacenada en distintos sistemas, criterios inconsistentes, registros duplicados y procesos manuales que dificultan el uso eficiente de la información.
Esta realidad tiene consecuencias directas. Cuando los modelos de IA trabajan con datos incompletos o contradictorios, los resultados pierden confiabilidad. Y si esos resultados se utilizan para tomar decisiones relevantes (por ejemplo, en finanzas, salud, servicios públicos o atención al cliente), el riesgo aumenta. A esto se suma otro elemento clave: sin una gobernanza adecuada, las empresas tienen mayores dificultades para cumplir con normas de privacidad, regulación y trazabilidad.
Ante este panorama, la apuesta de compañías como SAS apunta hacia una lógica distinta: llevar la analítica hacia donde ya se encuentran los datos, en lugar de obligar a las empresas a mover toda su información hacia un solo lugar antes de poder analizarla. Este enfoque busca reducir fricciones, acelerar procesos y mantener mejores controles sobre la seguridad y el cumplimiento normativo.
Pero el problema no se resuelve únicamente con tecnología. La gestión de datos también exige decisiones organizacionales. Requiere coordinación entre áreas, políticas internas claras, responsabilidades definidas y una visión estratégica sobre el uso de la información. Sin esa arquitectura interna, incluso las soluciones más sofisticadas pueden terminar desaprovechadas.
Otro desafío es la velocidad. Mientras las empresas incorporan con rapidez asistentes, copilotos, agentes de IA y herramientas de automatización, sus capacidades para ordenar, depurar y gobernar datos no siempre avanzan al mismo ritmo. El resultado es una brecha peligrosa: organizaciones que adoptan inteligencia artificial sin contar con una estructura sólida para sostenerla.
En este nuevo escenario, los datos dejan de ser un insumo técnico para convertirse en un activo estratégico. Su calidad, disponibilidad, trazabilidad y seguridad determinan no solo el desempeño de la inteligencia artificial, sino también su verdadero impacto en el negocio.
Por eso, cada vez más empresas están colocando la modernización de datos en el centro de sus prioridades. No se trata solo de tener mejores herramientas, sino de construir las condiciones necesarias para que la IA funcione con precisión, responsabilidad y valor real.
El cambio de paradigma es evidente: la inteligencia artificial ya no puede evaluarse únicamente por la sofisticación de sus algoritmos. Su verdadero potencial depende de la madurez del ecosistema de datos que la sostiene. Sin datos confiables, ordenados y bien gobernados, la promesa de automatización, eficiencia y mejores decisiones se queda, simplemente, en el discurso.