Gobierno del dato: preparar los datos antes de la IA
[ En corto ]
El gobierno del dato es el trabajo previo que decide si un proyecto de inteligencia artificial es viable: inventario de fuentes, un responsable por cada conjunto de datos, permisos definidos a nivel de documento, calidad medible y base jurídica para el uso previsto. Cuando un proyecto de IA fracasa, rara vez es por el modelo: es porque los permisos del origen no viajaron con el dato hasta la respuesta.
Cuándo el problema son los datos
Cinco preguntas resuelven el diagnóstico rápido: si existe inventario de fuentes, si hay un responsable por conjunto, si los permisos están definidos a nivel de documento, si la calidad es medible y si hay base jurídica para el uso previsto.
Te toca esto antes que la IA si
- Tres o más de esas cinco preguntas se responden con un no.
- Nadie sabe decir con certeza quién es el responsable de un conjunto de datos concreto.
- Los permisos viven en la aplicación de origen y no viajan con el dato cuando se exporta o se indexa.
- Un proyecto de IA anterior se quedó a medias y nadie supo explicar exactamente por qué.
- Se quiere usar información de clientes o empleados y la base jurídica del uso previsto no está clara.
Puedes empezar por la IA si
- El caso de uso es acotado y trabaja sobre datos que ya están limpios y con responsable conocido.
- No hay datos personales implicados y la tolerancia al error del caso de uso es alta.
- Se trata de un piloto con alcance cerrado cuyo objetivo es precisamente medir si merece la pena seguir.
Qué hay que hacer, en seis pasos
En una empresa mediana esto se sostiene en pocas personas con responsabilidades explícitas, no en un comité que nadie mantiene.
Elegir un caso de uso con valor medible
Un informe recurrente, una consulta que hoy obliga a alguien a exportar a hoja de cálculo, una validación manual. Conectar el ERP entero a un modelo antes de haber demostrado valor en un proceso concreto es la forma más habitual de gastar un presupuesto sin resultado.
Inventariar las fuentes que alimentan ese caso
Solo esas, no todas. El catálogo puede ser sencillo mientras esté vivo: qué fuentes hay, de dónde vienen, con qué frecuencia cambian y quién responde de cada una.
Asignar un responsable por dominio
Una persona por conjunto de datos, con nombre. Es lo que convierte una incidencia de calidad en algo que alguien arregla, en vez de en un correo que circula hasta que se olvida.
Medir la calidad en seis dimensiones
Completitud, exactitud, consistencia, vigencia, unicidad y trazabilidad del origen. El umbral no es universal: depende de la tolerancia al error del caso de uso. Un buscador interno admite ruido; un cálculo que va a un cliente, no.
Hacer que los permisos viajen con el dato
El filtrado por identidad se aplica en el momento de la recuperación, no después de generar la respuesta. El índice se segmenta por ámbito y se registra qué fragmento se sirvió a quién. Un índice vectorial construido sin permisos convierte cualquier buscador interno en una fuga silenciosa.
Montar la capa de evaluación
Mide si las respuestas están respaldadas por las fuentes recuperadas. Sin ella no hay forma de saber si el sistema empeora al crecer, que es exactamente lo que pasa cuando se le van añadiendo documentos.
Lo que casi nadie te cuenta
Empezar por conectar el ERP entero
Da la sensación de avance y no produce ningún resultado defendible. El caso de uso acotado con valor medible es el que consigue el segundo presupuesto.
Indexar primero y pensar en permisos después
Si el índice no lleva los permisos del origen, filtrar al final no basta: el sistema ya decidió qué recuperar. Esto se diseña al principio o se rehace entero.
Montar un comité de gobierno del dato
En una empresa mediana no se sostiene. Lo que funciona es un responsable por dominio, un catálogo sencillo pero vivo y reglas de calidad medidas y publicadas.
Buscar un umbral universal de calidad
No existe. La pregunta correcta no es si los datos son buenos, sino si son suficientemente buenos para la tolerancia al error de este caso de uso concreto.
Dejar la base jurídica para el final
Es la comprobación más barata y la que puede detener el proyecto entero. Se hace al elegir el caso de uso, no cuando ya está construido y alguien pregunta.
Las seis dimensiones de calidad, y cómo se miden
«Los datos están sucios» no es un diagnóstico accionable. Estas son las seis dimensiones que medimos sobre los conjuntos que van a alimentar el proyecto, con lo que falla cuando cada una se ignora.
| Dimensión | Qué mide | Cómo se mide | Qué pasa si falla |
|---|---|---|---|
| Completitud | Cuántos campos necesarios están efectivamente rellenos. | Porcentaje de valores presentes sobre los campos requeridos por el caso de uso. | El modelo responde con huecos y el usuario no sabe distinguir el hueco del dato. |
| Exactitud | Si el valor almacenado se corresponde con la realidad. | Contraste contra una fuente de referencia o contra una muestra verificada a mano. | Respuestas seguras y equivocadas, que es el peor resultado posible. |
| Consistencia | Si el mismo hecho se representa igual en todos los sitios. | Comparación entre sistemas de los campos que deberían coincidir. | El sistema da dos respuestas distintas según de dónde tire, y pierde la confianza. |
| Vigencia | Si el dato sigue siendo válido a día de hoy. | Antigüedad frente a la frecuencia real de cambio de cada fuente. | Se responde con información caducada sin ninguna señal de que lo está. |
| Unicidad | Si hay duplicados que representan la misma entidad. | Detección de duplicados sobre las claves de negocio, no sobre el identificador técnico. | El mismo cliente cuenta dos veces y cualquier agregado sale mal. |
| Trazabilidad del origen | Si se sabe de dónde vino cada dato y cuándo. | Metadatos de procedencia y versión conservados desde la ingesta. | No se puede citar la fuente de una respuesta ni corregir el origen de un error. |
Cómo lo abordamos en Montevive
Diagnóstico de datos antes de prometer nada
Se mide el punto de partida sobre las fuentes del caso de uso elegido, no sobre el conjunto de la empresa. El entregable es un mapa de lo que hay con su calidad medida, y a veces ese diagnóstico recomienda no seguir todavía: preferimos eso a vender un proyecto que fallará por los datos.
Los permisos se diseñan en la arquitectura
Filtrado por identidad en la recuperación, segmentación del índice por ámbito y registro de qué fragmento se sirvió a quién. Es una decisión de arquitectura del primer día, porque añadirla después significa reconstruir el índice.
Entregamos la capa de evaluación con el sistema
Mide si las respuestas están respaldadas por las fuentes, y se entrega funcionando. Es lo que permite responder dentro de un año si el sistema ha mejorado o ha empeorado, en lugar de discutirlo por impresiones.
Lo que nos preguntan sobre el gobierno del dato
Las preguntas que nos llegan antes de empezar, respondidas sin rodeos.
Cinco preguntas lo resuelven: ¿existe inventario de las fuentes?, ¿hay un responsable por cada conjunto de datos?, ¿los permisos están definidos a nivel de documento?, ¿la calidad es medible?, ¿hay base jurídica para el uso previsto? Si tres respuestas son no, el proyecto de IA no fallará por el modelo: fallará por los datos. [Enlazar el autodiagnóstico de 8 preguntas.]
La clave es que los permisos del origen viajen con el dato hasta la respuesta: filtrado por identidad del usuario en el momento de la recuperación, no después; segmentación del índice por ámbito; y registro de qué fragmento se sirvió a quién. Un índice vectorial construido sin permisos convierte cualquier buscador interno en una fuga silenciosa.
Ingesta con control de origen y versiones, normalización y troceado sensible a la estructura del documento, índice vectorial con metadatos de permisos y vigencia, recuperación híbrida (semántica y por palabra clave) y una capa de evaluación que mida si las respuestas están respaldadas por las fuentes. Sin esa última capa no hay forma de saber si el sistema empeora al crecer.
Por un caso de uso acotado con valor medible y datos que ya estén limpios: un informe recurrente, una consulta que hoy exige a alguien exportar a hoja de cálculo, una validación manual. Conectar el ERP entero a un modelo antes de haber demostrado valor en un proceso concreto es la forma más habitual de gastar un presupuesto sin resultado.
Sin comités que nadie sostiene: un responsable por dominio de datos, un catálogo vivo aunque sea sencillo, reglas de calidad medidas y publicadas, y un procedimiento de acceso que se pueda auditar. En una empresa mediana el gobierno del dato se sostiene en pocas personas con responsabilidades explícitas, no en una estructura formal.
Midiendo seis dimensiones sobre los conjuntos que van a alimentar el proyecto: completitud, exactitud, consistencia, vigencia, unicidad y trazabilidad del origen. El umbral no es universal: depende de la tolerancia al error del caso de uso. Un asistente de búsqueda interna admite ruido; un cálculo que va a un cliente, no.
El riesgo que no ves, y la oportunidad que aún no aprovechas
Respondemos en menos de 24 horas.
Pide tu diagnóstico
Responderemos en menos de 24h.