Cómo transformar la infraestructura de datos para potenciar la inteligencia artificial

El eterno problema: los datos empresariales y la ilusión del AI listo para usar

Bavesh Patel, senior VP de Databricks, lo clava: la calidad y efectividad del AI dependen íntegramente de los datos internos. Pero ni se te ocurra lanzar un chatbot inteligente, un agente autónomo o un motor de recomendaciones si tu información sigue desperdigada en sistemas arcaicos, apps que no hablan entre sí y formatos que parecen diseñados para sabotear a tu propio equipo. Pain point brutal, ¿no? Ahí está el choke point que pocas veces se menciona después del “hype” que genera ChatGPT y sus clones.

En la realidad industrial —no el “consumer AI” de moda— los datos son un caos fragmentado que las empresas están luchando por ordenar. ¿La solución mágica? Un stack de datos unificado y gobernado. Olvídate de las implementaciones “rápidas y sucias”; sin una estructura robusta capaz de gestionar datos en tiempo real, estructurados y no estructurados, ni la mejor arquitectura de AI va a funcionar. Rajan Padmanabhan, la cabeza tecnológica de Infosys en data analytics, lo subraya: la precisión por encima del 92% en modelos de AI no es opcional, es el mínimo para que cualquier salida tenga validez en decisiones empresariales.

Ese desencaje entre expectativas y realidad crea empresas paralizadas en la fase inicial de la adopción, atascadas en la emergencia de “terrible AI” —palabras textuales de Patel— porque no han trabajado sobre una base limpia y adecuada. Así no se construyen ni futuros tecnológicos ni ventajas competitivas.

“Data reconfigurado”: el bautismo del nuevo stack para AI

Armar un stack de datos digno de AI significa reconfigurar todo, no retocar. Databricks e Infosys vienen apuntando a una estructura abierta, integrada y con máximo rigor en gobernanza para que la data se convierta en un recurso estratégico y accesible. Que las plataformas no estén más divididas en silos sino que puedan funcionar con:

– Datos estructurados y no estructurados fusionados con contexto.
– Accesos controlados que aseguren seguridad sin burocracia paralizante.
– Formatos abiertos para conectar distintos orígenes, desde sistemas legacy a SaaS.

Patel lo explica con crudeza: “gran parte del dato valioso está encerrado en apps propietarias y plataformas que no pueden o no quieren compartirlo”. La piedra angular para romper esa prisión no es la AI per se, sino la estandarización y la fluidez de la data.

Pero no basta con organizar datos, hay que medir valor y adaptar prioridades. Rajan lo sintetiza en su framework 3M: Adaptabilidad, Valor de Negocio y Responsabilidad. Con este combo no se trata solo de hacer prototipos o PoCs bonitos, sino de crear productos AI que metan resultados inmediatos y cuantificables sin saltarse la ética o la seguridad.

La reconfiguración también se acompaña de educar a los usuarios de negocio (“AI literacy”), acabar con la idea de algo misterioso y mostrar la AI como herramienta concreta, con componentes que se pueden controlar y medir desde el día uno.

¿Pero esto funciona de verdad? Casos y ejemplos concretos

Una de las anécdotas más jugosas viene de la industria alimentaria, donde Infosys y Databricks desplegaron un proyecto conjunto que convirtió decenas de casos de uso aislados en productos AI corporativos listos para escalar. Fueron desde mejoras en recursos humanos hasta optimizaciones en marketing y procurement, usando agentes AI específicos para cada sector.

El “ingrediente secreto” fue combinar los datos históricos con capacidades analíticas avanzadas y agentes inteligentes (“Agent Bricks”), una herramienta de Databricks creada para facilitar interacción contextual en tiempo real con la data y automatizar operaciones complejas.

La guinda la puso un roadmap bien alineado con ROI, donde se priorizaron iniciativas con impacto claro —basado en su famoso 3M— para no desperdiciar ni un euro en “experimentos sin sentido”.

El resultado tangible: mejoras operativas facturables, reducción de costos, procesos más precisos y nuevas líneas de negocio. Esa no es ciencia ficción, es AI industrial madura.

¿Por qué tanta gente la pifia con AI? Rompiendo viejos paradigmas

Un problema trivial pero letal: muchos ejecutivos buscan proyectos AI sin haber saneado su data. Van lanzados a comprar licencias, contratar consultoras con promesas grandilocuentes o “copiar” casos de éxito sin entender que esto es 80% ingeniería de datos y solo 20% modelos.

El condicionante real es la complejidad del entorno IT empresarial y la cultura de manejo de datos: sistemas encerrados en su mundo, silos que se resisten a morir, dashboards desactualizados, malas políticas de acceso. Esto genera una “información tóxica” que da lugar a “AI tóxica”, predicciones sin sentido y decisiones basadas en humo.

Databricks introduce con Lakehouse y ahora Lakebase —un OLTP para apps AI— la idea de mezclar el dato histórico con la necesidad operativa en un solo stack. Eso obliga a repensar las arquitecturas y déjate de ese concepto ridículo de “dashboard infinito” que tarda semanas en dar un dato. AI hoy no puede esperar a que alguien “prepare el Excel”.

Si no atacas los cimientos de tus datos, la AI no te va a sacar ni una mierda.

La paradoja del consumidor vs empresa: ¿por qué el AI estalla en uno y falla en otro?

Mientras millones juegan con ChatGPT gratis y se maravillan con sus respuestas, las empresas están mucho menos pletóricas. Rajan señala que ese gap se abre porque el AI empresarial requiere “contexto riguroso, gobernanza fuerte y precisión quirúrgica en los outputs”.

Un chatbot para tu hijo puede permitirse respuestas mediocres o erróneas y no pasa nada. Una AI que recomienda comprar o vender stocks, administrar la cadena de suministros o decidir inversiones no es ninguna broma. Requiere resultados precisos, validados y auditables.

La legislación, la ética y los riesgos económicos hacen que cada dato y cada output deban estar calibrados de manera impecable, lo que es imposible sin una base documental sólida. Eso explica por qué el AI empresarial avanza a paso tortuga, mientras el consumidor se zampa montones de modelos menos robustos.

Los datos son el activo competitivo que menos se valora (y cómo aprovecharlo)

Patel lanza un dardo: “tu diferenciador no son sólo tus datos propios, sino también qué datos externos agregas”. No es solo regurgitar registros internos; es hacer que tu data esté viva, siempre fresca y enriquecida con fuentes externas que generen ventaja.

Pero no todos pueden jugar ese partido. Sólo las empresas que creen en la integración, la apertura y la gobernanza rigurosa de datos tendrán chance de construir sistemas AI que se traduzcan en “sistemas de acción”, tal como dice Padmanabhan, y no en simples “sistemas de ejecución” o “engagement”.

Imagina una AI no como un copiloto pasivo sino como un director que mueva hilos, tome decisiones y ejecute flujos autónomos —ese es el Santo Grial del AI empresarial. Sin datos a la altura, pura fantasía:

– Consolidación en open formats y gobernanza implacable.
– Contexto en tiempo real entre sistemas.
– Precisión y responsabilidad en outputs qué le importan al negocio.

No hay atajos ni trucos de marketing que oculten esto.

¿AI listo para la empresa? Antes una pregunta incómoda: ¿qué tan listo está tu stack de datos?

Mucho ruido y pocas nueces. El debate no es si AI es “el futuro” o si “la empresa debe adoptar AI”. Eso ya lo sabemos todos. La cuestión de verdad importante es ver quién se pone serio con su infraestructura de datos y quién no.

Databricks, con sus nuevas apuestas como Lakebase, e Infosys con asesorías estratégicas y frameworks pragmáticos (3M, agentes específicos de industria), marcan la senda para que no sea tirar dinero a la basura.

Ya no valen startups con “AI premasticada” ni implementaciones parciales que sólo generan falsas expectativas y frustración. La disrupción vendrá de quienes construyan una arquitectura de datos robusta, flexible y gobernada, capaz de alimentar esa “nueva generación” de agentes autónomos.

¿Ya volviste a mirar hacia tu data o sigues jugando con pencas de AI sin entender que ese stack es un desastre?

Artículos Relacionados