La inteligencia artificial (IA) es ahora una prioridad en las salas de juntas y oficinas ejecutivas de las empresas. Desde el aprendizaje automático (ML) tradicional hasta la IA generativa y los nuevos enfoques basados en agentes, se espera que la IA transforme la forma en que las empresas operan y compiten.
Al mismo tiempo, las expectativas están superando a los resultados. Un estudio realizado en 2024 por la RAND Corporation reveló que aproximadamente el 80 % de los proyectos de IA fracasan, citando múltiples causas fundamentales, entre ellas la falta de «los datos necesarios para entrenar adecuadamente un modelo de IA eficaz».[1]
Este hallazgo pone de relieve un reto fundamental que muchas empresas subestiman: obtener los datos adecuados, de los lugares adecuados, para respaldar los sistemas y operaciones basados en la inteligencia artificial. El reto se manifiesta de dos formas: disponibilidad (¿existen los datos?) y conectividad (¿se puede acceder a los datos y compartirlos?). Sin esta base, las iniciativas de inteligencia artificial se estancan, no dan los resultados esperados o no logran escalarse.
Como director de IA a tiempo parcial, veo este patrón repetidamente. El problema no es la falta de ambición o de inversión en IA, sino la falta de atención a la creación de la base de datos y la infraestructura necesarias para respaldarla. Este reto es complejo, trasciende los límites de la organización y requiere la atención de los altos directivos. Las organizaciones que retrasan la resolución de estos problemas fundamentales suelen descubrir que los competidores que se adelantan son capaces de escalar la IA más rápidamente, afianzar sus ventajas operativas y elevar las expectativas de rendimiento de formas que son difíciles de igualar.
Este blog analiza por qué los datos y la conectividad son fundamentales para el éxito de la IA empresarial y describe los pasos prácticos que los líderes deben tener en cuenta. Este es el primero de una serie de artículos que examinan lo que significa para las empresas estar preparadas para el futuro en un mundo cada vez más habilitado por la IA.
[1] J. Ryseff, B. De Bruhl y S. Newberry. «Las causas fundamentales del fracaso de los proyectos de inteligencia artificial y cómo pueden tener éxito», informe de investigación, Rand Corporation. 13 de agosto de 2024.
La IA es una capacidad empresarial clave
La IA ya está integrada en muchas funciones empresariales. El aprendizaje automático se utiliza habitualmente para detectar fraudes, optimizar operaciones, predecir necesidades de mantenimiento y mejorar la calidad de los productos. El procesamiento del lenguaje natural respalda las operaciones de atención al cliente y asistencia técnica a gran escala.
La IA generativa ha ampliado aún más estas capacidades al combinar datos de sensores, registros operativos y aportaciones humanas para diagnosticar anomalías, planificar estrategias de optimización y recomendar acciones. Los nuevos enfoques de IA agencial pretenden ir más allá de las recomendaciones para coordinar y ejecutar flujos de trabajo operativos.
Los datos y la conectividad son un facilitador estratégico para la IA.
Las capacidades de IA de una empresa dependen de algo mucho más básico que los modelos avanzados: la disponibilidad fiable y el acceso a los datos operativos y los sistemas conectados. Los sistemas de IA necesitan un acceso constante a los datos adecuados para entrenar y reentrenar los modelos. Una vez implementados, esos mismos datos proporcionan las señales del mundo real que los sistemas de IA interpretan y sobre las que actúan.
La conectividad es lo que hace que esto sea posible a escala empresarial. Permite acceder a los datos, compartirlos e integrarlos en distintos sistemas, entornos y aplicaciones de IA. Sin conectividad, los datos permanecen fragmentados, retrasados o inaccesibles. Esto limita la capacidad de la IA para respaldar las decisiones, la automatización y la ejecución.
En la práctica, obtener los datos que necesita la IA es un reto que viene de lejos. Los datos empresariales están distribuidos entre aplicaciones internas, sistemas operativos y una amplia gama de activos físicos (equipos y dispositivos) repartidos por múltiples instalaciones y ubicaciones geográficas. Muchos de estos activos y sistemas funcionan en entornos independientes o en redes heredadas propietarias fuera de los dominios informáticos tradicionales.
Las consecuencias de la mala calidad de los datos y la conectividad incluyen, entre otras, las siguientes:
- Los proyectos piloto de IA no logran ir más allá de las pruebas de concepto porque los datos operativos críticos faltan, son inaccesibles o no son fiables a gran escala.
- Las iniciativas de automatización y basadas en agentes se estancan cuando no se puede actuar sobre los conocimientos generados por la IA debido a sistemas desconectados o no gestionados.
- Las decisiones basadas en inteligencia artificial y en datos incompletos aumentan el riesgo de obtener resultados inseguros y poco fiables, lo que pone a la empresa en grave peligro operativo, financiero y legal.
- Los casos de uso de IA «probados y comprobados» (por ejemplo, mantenimiento predictivo, detección de anomalías y optimización de operaciones) no rinden lo suficiente sin una visibilidad en tiempo real de los activos.
- Las inversiones en IA tienen dificultades para demostrar el retorno de la inversión porque nunca se abordaron de antemano los problemas fundamentales relacionados con los datos y la conectividad.
Los retos de los datos para la IA se dividen en tres categorías
Los retos que plantea el uso de datos de IA en una empresa se presentan en dos formas básicas: la disponibilidad de los datos y la conectividad de los sistemas para acceder a ellos y comunicarlos. Si bien los datos son la materia prima de la que depende la IA, la conectividad los hace accesibles, oportunos y utilizables.
Dentro de estas dos formas, los retos relacionados con los datos de IA se dividen generalmente en tres categorías:
- Los datos no existen. Se trata de un reto relacionado con la disponibilidad. Es posible que los activos empresariales no estén equipados con los sensores necesarios para recopilar los datos que requieren los modelos de IA. Estos «activos ocultos» son habituales en muchos entornos industriales. En otros casos, es posible que los datos estén disponibles, pero carezcan de la información contextual (metadatos) necesaria para que la IA pueda utilizarlos. Una encuesta sobre la preparación para la IA en 2025 reveló que el 54 % de los 272 encuestados señalaron la «calidad y disponibilidad de los datos» como su principal reto a la hora de adoptar la IA en un entorno industrial.[2]
- Los datos están aislados y no se puede acceder a ellos fácilmente. Se trata de un reto relacionado con la conectividad. Los activos heredados de las instalaciones industriales y de fabricación se diseñaron para un entorno anterior a la conectividad. Los datos permanecen atrapados en el propio activo o en redes de tecnología operativa (OT) propietarias independientes. Otros datos residen en aplicaciones empresariales (por ejemplo, ERP, MES, CMMS, LIMS, BMS) que utilizan diferentes esquemas y estándares, lo que dificulta la integración y la comunicación. La integración con los sistemas heredados y los silos de datos es el segundo mayor reto, según el 48 % de los 272 encuestados en una encuesta sobre la preparación para la IA en 2025.[3] Más allá de la accesibilidad de los datos, la conectividad adquiere una renovada importancia y urgencia a medida que las organizaciones avanzan hacia la automatización y la ejecución impulsada por agentes. Los sistemas desconectados ya no son ineficiencias tolerables, ya que se convierten en obstáculos difíciles de superar para la acción.
- Los datos están sujetos a restricciones en materia de derechos y gobernanza. Se trata de un reto relacionado con la disponibilidad. Algunos datos son propiedad o están controlados por terceros, como fabricantes de equipos originales, proveedores o socios. En otros casos, los requisitos de ciberseguridad, seguridad o normativos limitan cómo y dónde se pueden utilizar los datos.
Los retos que plantean los datos de IA no son uniformes. Se requieren diferentes estrategias y tácticas para abordar plenamente los retos. No existe un enfoque único que sirva para todo.
[2] «Aceleración de los casos de uso de la IA en 2026: Informe de la encuesta sobre datos industriales, inteligencia y preparación para la IA», informe de HiveMQ, 2025. La encuesta sobre datos industriales, inteligencia y preparación para la IA de 2026 fue realizada por IIoT World y recopiló opiniones de 272 profesionales de los sectores de la fabricación, la energía, la logística, el transporte, las ciudades inteligentes, la sanidad y otros sectores industriales.
[3] ibíd.
Estos retos requieren atención estratégica y ejecutiva.
La IA ya no es una iniciativa tecnológica, sino un conjunto de iniciativas empresariales y operativas que afectan al crecimiento de los ingresos, la estructura de costes, la experiencia del cliente y el riesgo empresarial. Cuando las iniciativas de IA fracasan o no dan los resultados esperados, las consecuencias van más allá de los hitos técnicos no alcanzados e incluyen retrasos en el rendimiento de inversiones importantes, aumento de los costes operativos debido a soluciones manuales y mayor exposición financiera, reputacional o de seguridad.
Dada la magnitud de estas implicaciones, los retos relacionados con los datos y la conectividad de la IA no pueden tratarse como cuestiones aisladas de TI u operativas. Representan una prioridad empresarial estratégica que requiere la implicación de los ejecutivos, una responsabilidad clara y decisiones de inversión deliberadas. Hasta que estas cuestiones no se eleven a la agenda ejecutiva y se traten como responsabilidades compartidas de la empresa, los equipos de IA seguirán siendo responsables de resultados que no pueden controlar por completo.
Lo que hace que estos retos sean especialmente complejos es su naturaleza global para toda la empresa. El reto no es que los problemas de datos y conectividad sean nuevos, sino que, a medida que la IA se integra en la toma de decisiones y la ejecución, las deficiencias que antes eran manejables ahora limitan directamente el rendimiento de la empresa y aumentan el riesgo. Abordarlas a menudo requiere una inversión coordinada entre los departamentos de TI, operaciones, ingeniería, seguridad y jurídico, así como los socios externos, para modernizar el acceso a los datos, la conectividad y la gobernanza de forma sostenible. La financiación fragmentada a través de proyectos individuales puede aportar avances a corto plazo, pero rara vez crea la base duradera que exige la IA y, a menudo, aumenta el coste y la complejidad a largo plazo. La mejora duradera se consigue tratando los datos y la conectividad como activos compartidos de la empresa, respaldados por el patrocinio ejecutivo, incentivos alineados y una hoja de ruta que equilibra los beneficios a corto plazo con la escalabilidad a largo plazo.
Cinco pasos a seguir que deben considerar los líderes empresariales
Abordar los retos relacionados con los datos y la conectividad de la IA requiere una atención deliberada y liderazgo. Los ejecutivos y líderes deben considerar los siguientes pasos a seguir:
- Reexamine sus iniciativas activas de IA desde la perspectiva de los datos y la conectividad. Revise los proyectos y programas piloto actuales de IA e identifique aquellos en los que la falta de datos, accesibilidad y conectividad está obstaculizando el progreso y el rendimiento.
- Identifique dónde se encuentran aislados o abandonados los datos operativos críticos. Realice una revisión centrada en los sitios operativos clave para encontrar activos, dispositivos o sistemas que funcionen fuera del entorno informático principal. Haga un inventario de lo que está instrumentado, lo que está conectado, dónde se extraen los datos manualmente y dónde no están claros los derechos de propiedad o acceso. Dé prioridad a los sitios en los que se prevé utilizar la IA o en los que ya se utiliza.
- Convierta los datos y la conectividad en pilares explícitos de su estrategia de IA. Actualice su estrategia y sus planes de acción de IA para indicar claramente cómo se abordarán la disponibilidad de datos y la conectividad. Trate estos fundamentos como prioridades plurianuales a nivel directivo necesarias para ampliar la IA en toda la empresa.
- Asignar una responsabilidad ejecutiva clara. Designar un liderazgo ejecutivo responsable de la disponibilidad y conectividad de los datos empresariales en las unidades de TI, operaciones y negocio. Asegurarse de que esta función tenga autoridad, visibilidad e influencia presupuestaria.
- Incorpore consideraciones sobre datos y conectividad en su plan de gestión de riesgos empresariales. Evalúe cómo las deficiencias en los datos y la conectividad aumentan la exposición en materia de ciberseguridad, seguridad, cumplimiento normativo y continuidad del negocio.
Reflexiones finales y orientación final
A medida que la IA se integra en las operaciones básicas, las deficiencias en la disponibilidad de datos y la conectividad de los sistemas determinan cada vez más los resultados. Estos retos no pueden resolverse mediante soluciones técnicas aisladas o la delegación de responsabilidades. Requieren la atención de los ejecutivos, una responsabilidad clara y una inversión deliberada en las bases de datos y conectividad de las que depende la IA.
Antes de aprobar la próxima iniciativa de IA, los líderes deben plantearse una pregunta sencilla: ¿los sistemas que generan datos operativos críticos son realmente accesibles, están conectados y se pueden gestionar a escala empresarial? Las organizaciones que actúen con decisión ahora estarán mejor posicionadas para traducir sus ambiciones en materia de IA en un valor empresarial sostenido y construir una empresa más resiliente y preparada para el futuro.
Si sus iniciativas de IA dependen de datos operativos, activos remotos o infraestructura heredada, no permita que fracasen. Póngase en contacto con nosotros para descubrir cómo las soluciones de gestión de infraestructura de Digi proporcionan la conectividad, la visibilidad y la capa de control que hacen posible la IA.
PREGUNTAS FRECUENTES
¿Por qué hay tantos equipos heredados sin conectar en muchas instalaciones industriales y centros de operaciones?
La mayoría de las instalaciones industriales y operativas se construyeron a lo largo de varias décadas, y muchas de ellas son anteriores al entorno moderno «conectado a las tecnologías de la información». Estos entornos operativos se diseñaron para llevar a cabo funciones específicas, ser fiables y seguros. Los activos industriales se diseñaron para que los equipos tuvieran un ciclo de vida largo, pero no para compartir datos o conectarse con la empresa. Los activos industriales y de producción suelen funcionar durante décadas, y sustituirlos simplemente para ganar conectividad rara vez tiene sentido desde el punto de vista económico. Como resultado, muchas máquinas, sistemas de control industrial y dispositivos de campo siguen funcionando con protocolos propietarios, redes aisladas y propietarias o arquitecturas antiguas que nunca se diseñaron para integrarse con los sistemas informáticos modernos. Estos entornos se construyeron para mantener las operaciones en funcionamiento, no para alimentar con datos plataformas de análisis o de inteligencia artificial.
Con el tiempo, estos entornos operativos se convirtieron en un mosaico de sistemas conectados y no conectados. Si bien algunos activos y equipos más nuevos pueden admitir redes modernas y monitoreo remoto, una parte significativa de la tecnología operativa sigue siendo difícil de acceder, integrar o administrar de forma centralizada. Esta «brecha de conectividad» es el resultado natural de los largos ciclos de vida de los activos, las actualizaciones incrementales y la separación histórica entre la tecnología operativa y la TI empresarial.
¿No podemos simplemente sustituir los equipos antiguos por sistemas modernos conectados?
En la mayoría de los entornos industriales, la sustitución total de los equipos antiguos no es práctica ni económicamente viable. Muchos activos operativos están diseñados para funcionar durante décadas y, siempre que funcionen según lo previsto, sean seguros, fiables y cumplan los requisitos de producción, es difícil justificar su sustitución únicamente por motivos de conectividad. El coste de capital, la interrupción de las operaciones, el riesgo de tiempo de inactividad y los requisitos de reciclaje profesional asociados a la sustitución de equipos a gran escala suelen superar con creces los beneficios inmediatos.
Aunque muchos sitios se embarcan en la modernización, lo hacen por fases a lo largo de varios años, centrándose primero en ampliar la vida útil y la visibilidad de los activos existentes en lugar de sustituirlos directamente. Por ejemplo, conectar los equipos heredados a la red informática o entre sí es una estrategia más realista y que ofrece menos riesgos. Al permitir un acceso seguro a los datos y sistemas que ya están en funcionamiento, muchas empresas comienzan a mejorar la visibilidad, el análisis y la toma de decisiones operativas sin interrumpir la producción. Este enfoque permite a las empresas incorporar nuevas capacidades, fundamentar la planificación de capital futura con mejores datos y modernizarse de forma más estratégica.
¿Cómo afectan realmente los sistemas desconectados o heredados a las iniciativas de IA?
Los sistemas de IA dependen de datos oportunos y fiables de toda la empresa para generar información precisa y respaldar la toma de decisiones. Cuando los activos y sistemas operativos importantes no están conectados, los datos en los que se basa la IA se vuelven incompletos, tardíos o inconsistentes. Esto limita el rendimiento del modelo, aumenta la necesidad de preparar los datos manualmente y reduce la confianza en los resultados generados por la IA. En muchos casos, las iniciativas de IA se estancan no porque los modelos sean ineficaces, sino porque no pueden acceder a una visión completa de lo que está sucediendo en las operaciones reales.
A medida que las organizaciones pasan de utilizar la IA para el análisis y la obtención de información a la automatización y la toma de decisiones más autónoma, el impacto se vuelve aún más significativo. Los sistemas de IA que no pueden interactuar de forma fiable con los entornos operativos siguen siendo herramientas de asesoramiento o de obtención de información, en lugar de impulsores de la acción y la ejecución. Los sistemas desconectados crean puntos ciegos que dificultan tanto la obtención de información como la ejecución, lo que hace que los datos y la conectividad sean fundamentales para obtener un valor empresarial y operativo real de la IA.
Próximos pasos
Sobre el autor
Benson Chan es director de operaciones de Strategy of Things, una empresa con sede en Silicon Valley que ayuda al gobierno y a las empresas a innovar con inteligencia artificial e Internet de las cosas. Cuenta con más de 30 años de experiencia trabajando con tecnologías innovadoras en empresas de la lista Fortune 500, empresas emergentes y organizaciones gubernamentales. Ha sido presidente del Consejo IoT del NIST, asesorando al gobierno federal sobre el Internet de las cosas, copresidente del Consejo Asesor IoT de CompTIA y GTIA, y mentor de la industria en el programa IMPEL de la Oficina de Tecnología de la Construcción del Departamento de Energía de los Estados Unidos, que emparejó a la industria con investigadores de los Laboratorios Nacionales para fomentar el pensamiento emprendedor.