Llevar la IA del piloto a producción empieza con los datos

Llevar la inteligencia artificial (IA) de los proyectos piloto a producción requiere algo más que un modelo capaz. Los equipos de marketing también necesitan datos que la IA pueda interpretar de forma coherente en distintas plataformas y sistemas internos.

La encuesta global de McKinsey de 2025 concluyó que el 88 % de los encuestados afirmó que sus organizaciones utilizaban regularmente herramientas de IA en al menos una función empresarial, frente al 78 % del año anterior. Sin embargo, solo el 7 % afirmó que la IA estaba plenamente implantada en toda la organización, mientras que el 30 % seguía en fase piloto.

Los proyectos piloto suelen centrarse en una tarea concreta y utilizar datos seleccionados cuidadosamente. En producción, un sistema de IA puede encontrar varias versiones de una misma métrica, con nombres de campo y reglas de cálculo diferentes. Sin definiciones compartidas, puede elegir una correspondencia plausible pero incorrecta. La respuesta puede parecer convincente aunque se base en una suposición equivocada.

La calidad de los datos es solo una parte del reto. La IA también necesita las definiciones de conceptos clave de la organización, las correspondencias entre plataformas y las reglas para medir el rendimiento. Una capa de conocimiento puede aportar ese contexto sobre un almacén de datos existente, sin exigir que se sustituya la infraestructura.

Parte del contexto cambia con cada análisis. Por ejemplo, una caída en el rendimiento de una campaña puede coincidir con un cambio de presupuesto, una promoción o una prueba de mercado en curso. Sin esa información, la IA puede detectar correctamente el cambio y aun así interpretar mal su causa.

El artículo sostiene que los equipos de marketing y datos deben colaborar en las definiciones y la gobernanza antes de incorporar esas reglas a los flujos de trabajo automatizados. Las organizaciones que buscan obtener un valor medible de la IA también deberían comprobar si los modelos cuentan con datos fiables y el contexto necesario para interpretarlos.