Los datos están suficientemente preparados para un caso de IA cuando existe una muestra útil, acceso autorizado, calidad evaluada y una forma de comprobar respuestas. No necesitas ordenar toda la empresa para comenzar, pero sí conocer límites del conjunto elegido. Un modelo no corrige automáticamente información contradictoria o permisos mal definidos.
APLICABILIDAD
¿Dónde importa esta decisión?
- Empresas de servicios
- Equipos de marketing y operaciones
Parte de una tarea y un conjunto limitado
Describe qué pregunta o acción deberá resolver el sistema y qué fuentes necesita. Un asistente de soporte puede requerir documentación vigente, no todos los archivos corporativos. Identifica propietario, versión y frecuencia de cambio de cada fuente. Si nadie puede decidir cuál documento prevalece cuando hay contradicciones, existe un problema de gobernanza anterior al modelo.
Revisa acceso y uso permitido antes de incorporar información. No todos los documentos accesibles técnicamente deben estar disponibles para todos los usuarios del asistente. Separa datos personales, confidenciales y públicos según el caso. La evaluación normativa y contractual depende de los datos y mercados involucrados; no asumas una autorización general por estar dentro de una carpeta de la empresa.
Evalúa calidad con preguntas representativas
Construye ejemplos de consultas habituales, ambiguas y sin respuesta en las fuentes. Define qué sería una respuesta correcta y cuándo el sistema debe reconocer incertidumbre o derivar. Incluye información desactualizada y documentos contradictorios en un entorno de prueba para observar si el recorrido detecta límites, en vez de evaluar solo demostraciones preparadas para funcionar.
El marco de NIST propone gestionar riesgos de IA durante su ciclo de vida. En este caso, traduce esa orientación en controles concretos: procedencia, actualización, acceso y revisión del resultado. No presentes una evaluación pequeña como certificación global. El desempeño depende de la tarea, las fuentes y las condiciones bajo las que se midió.
Diseña mantenimiento antes de ampliar alcance
Define cómo entran nuevas versiones, cómo se retiran documentos y cómo se propagan cambios de permisos. Una respuesta puede ser correcta hoy y dejar de serlo cuando cambia una política. Conserva referencias suficientes para investigar errores sin registrar información sensible innecesaria. La trazabilidad debe ayudar a explicar de qué fuente salió una respuesta.
Ejemplo de piloto: un conjunto de procedimientos aprobados, preguntas de prueba y salida humana cuando falta evidencia. Compara utilidad con el proceso actual y registra errores por tipo. Si el sistema funciona solo con una selección ideal de documentos, no extrapoles a todo el repositorio. Amplía por etapas, manteniendo responsables y criterios de aceptación para cada nuevo uso.
ENTIDADES ANALIZADAS
FUENTES
Referencias utilizadas.
PREGUNTAS FRECUENTES
Respuestas breves para decidir.
¿Necesito un gran data warehouse antes de usar IA?
No necesariamente. Depende del caso. Puedes empezar con un conjunto limitado y gobernado si permite resolver la tarea y evaluar resultados con seguridad.
¿La IA arreglará documentos contradictorios?
No debe asumirse. Primero define fuentes vigentes y responsables. El sistema necesita límites para reconocer incertidumbre y no transformar contradicciones en respuestas inventadas.
¿Qué debe incluir una prueba de calidad?
Preguntas habituales, ambiguas, sin respuesta y con información desactualizada, junto con criterios de corrección y derivación. Evalúa permisos además de precisión del contenido.