Pasé casi dos años sin dedicarme al desarrollo de la IA. Me dediqué a limpiar datos.

En ese momento, estábamos redimensionando nuestra plataforma Track & Trace, y supuse que el trabajo más complejo radicaría en la capa, los modelos, los algoritmos y la optimización de la IA. No fue así. Aproximadamente el 80 % del esfuerzo se destinó a algo mucho menos glamuroso: reparar la base de datos. En la limpieza de los errores. En resolver incoherencias. Y en capturar señales operativas que no se estaban registrando en absoluto.

No fue un trabajo emocionante. Pero era necesario. Porque, antes de poder crear inteligencia, hay que lograr que los datos sean dignos de ella. 

Esa lección la vemos ahora por todas partes. En todo el sector, existe una creciente conciencia de que la mayoría de las iniciativas de IA no fracasan porque los modelos sean inadecuados, sino porque los datos en los que se basan no son fiables. Las investigaciones recientes cuantifican este problema. Hasta el 95 % de las iniciativas de IA general en la cadena de suministro no lograron generar un ROI sostenido. No debido a los modelos, sino a la fragmentación de los datos, los sistemas aislados y los flujos de trabajo manuales. 

No es la IA que fracasó, sino gobernanza de los datos.

Lo que los modelos no pueden solucionar

Existe la tendencia a creer que unos mejores modelos compensarán la imperfección de los datos. En la práctica, ocurre lo contrario. Los sistemas de IA son muy buenos a la hora de respuestas que suenan seguras, incluso cuando se basan en datos incompletos o inexactos.

En el contexto de la cadena de suministro, no se trata solo de un problema técnico, sino de un riesgo operativo.

Los datos no se traslada de manera fluida entre la mayoría de los entornos. Se encuentran integrados en sistemas aislados: un sistema de gestión de almacenes por aquí, una plataforma de etiquetado por allá, actualizaciones de ERP que van con retraso respecto a los acontecimientos del mundo real. Cuando se le añade IA, en lugar de generar claridad, aumenta la ambigüedad.

Y, a gran escala, una respuesta errónea suele ser más perjudicial que no dar ninguna respuesta. Las organizaciones que obtienen resultados reales son las que han invertido la secuencia. En lugar de comentar por la IA, comenzaron por corregir la forma en que se crean, capturan y conectan los datos.

Donde residen los datos reales

Una de las fuentes de datos de alta calidad más ignoradas en la cadena de suministro es también una de las más omnipresentes: la etiqueta. Cada vez que se imprime o se escanea una etiqueta, se captura algo significativo. Identidad. Ubicación. Movimiento. Estado. Más que datos abstractos, se trata de hechos operativos, registrados en tiempo real a medida que los productos avanzan por las fases de producción, distribución y cumplimiento.

Con el tiempo, esos eventos forman una historia continua a nivel de artículo. Así es como se presenta un verdadero gemelo digital: no un registro estático ni una declaración proporcionada por un proveedor, sino una cronología viva de lo que sucedió, en cada paso. Se construye de forma incremental, a través de miles de pequeños momentos de captura sistemática de datos.

Eso no se monta de la noche a la mañana. Con el tiempo, se convierte en una ventaja duradera, un activo de datos que la competencia no puede replicar fácilmente.

Al mismo tiempo, la presión externa está aumentando. Los requisitos normativos, como GS1 Sunrise 2027, las normas de trazabilidad de la FDA y las iniciativas de pasaporte digital de productos en la UE, están obligando a las organizaciones a tomarse más en serio la integridad de los datos. El cronograma ya no es teórico.

Pero el cumplimiento es solo la función coercitiva. El verdadero valor reside en lo que esos datos permiten una vez que son fiables.

De datos limpios a resultados reales

Cuando la base de datos es sólida, los casos de uso se vuelven tangibles. Se pueden detectar anomalías con antelación, antes de que las interrupciones se propaguen por toda la red. Se pueden identificar patrones de rendimiento de los proveedores que no se reflejarían en un informe estático. Se puede pasar de una gestión de inventario reactiva a un posicionamiento predictivo.

Incluso las pequeñas mejoras marcan la diferencia. Se estima que la falta de existencias por sí sola representa entre el 4 y el 7 % de la pérdida de ingresos anuales en muchas organizaciones. Eso no es un problema de modelado, sino que se trata de un problema de visibilidad que tiene su origen en la calidad de los datos. Y hacia ahí se dirige la conversación a continuación.

La IA agencial, sistemas compuestos por múltiples agentes coordinados que operan en entornos perimetrales y en la nube, se está convirtiendo rápidamente en la próxima frontera. Sin embargo, estos sistemas dependen aún más de una entrada limpia y coherente. No solo analizan los datos; actúan en consecuencia. Lo cual sube la apuesta.

Una pregunta que vale la pena hacerse

Antes de que las empresas inviertan en IA, vale la pena detenerse a reflexionar sobre una pregunta sencilla: Si hoy alimentara un modelo con sus datos operativos actuales, ¿confiaría en los resultados? Si la respuesta es no, eso no es un fracaso. Es un punto de partida,

ya que las empresas que están obteniendo un verdadero valor de la IA no esperaron a que hubiera mejores modelos. Hicieron el trabajo más difícil con anterioridad, construyendo una base de datos que pudiera respaldar lo que viniera después. Todo lo demás se construye a partir de ahí.

—

Gus Rivera es director ejecutivo de tecnología de Seagull Software con más de 20 años de experiencia en la creación de empresas, equipos y productos de software innovadores nativos de la nube. Es el arquitecto principal de nuestra plataforma de seguimiento de artículos e inventario Track & Trace. Gus también lidera los equipos de ingeniería de software, operaciones en la nube y soporte de Seagull.