--- title: "¿Tus datos están listos para IA? La checklist antes de lanzar tu primer agente" description: "¿Tus datos están listos para IA? Una checklist práctica de fuentes, definiciones, calidad, dueños y accesos para revisar antes de lanzar tu primer agente." url: https://addabra.com/blog/datos-listos-para-ia lang: es date: 2026-10-16 category: "Servicios" keyword: "datos listos para IA" publisher: Addabra alternate: https://addabra.com/en/blog/ai-ready-data --- # ¿Tus datos están listos para IA? La checklist antes de lanzar tu primer agente > ¿Tus datos están listos para IA? Una checklist práctica de fuentes, definiciones, calidad, dueños y accesos para revisar antes de lanzar tu primer agente. Son las 8 de la noche y la gerente de operaciones sigue en la oficina. Mañana arranca el piloto del agente que confirmará entregas con los clientes, y acaba de descubrir que muchas direcciones del sistema no tienen código postal, que hay clientes repetidos y que el estado de los pedidos se actualiza en una hoja que solo maneja una persona. La pregunta que debió hacerse hace un mes llega tarde: **¿están nuestros datos listos para IA?** No hace falta llegar a esa noche. La preparación de datos se puede revisar antes, con una checklist corta y honesta, sobre los datos que tocará tu primer agente. No sobre toda la empresa. ## Por qué los datos frenan a tantos agentes Un agente de IA hace tres cosas con los datos: los lee para entender la situación, decide algo y, a veces, escribe de vuelta en tus sistemas. Si lo que lee está incompleto o contradice a otra fuente, la decisión sale mal aunque el modelo sea excelente. Durante años, las personas compensaron esos huecos sin darse cuenta. Sabían qué columna ignorar, a quién llamar para confirmar un dato, qué cliente tiene dos fichas. Esa capa invisible de corrección desaparece cuando el trabajo lo hace un agente. Por eso los problemas de datos que "siempre estuvieron ahí" aparecen justo en la semana del lanzamiento. La buena noticia: casi todos se detectan con preguntas simples. ## La checklist de datos listos para IA: siete preguntas antes de tu primer agente Toma el caso de IA que quieres lanzar y responde cada pregunta solo para los datos que ese caso necesita. Si ya hiciste un [diagnóstico de procesos](https://addabra.com/blog/diagnostico-de-procesos-ia), parte de ahí: ya sabes qué proceso y qué pasos tocará el agente. ### 1. ¿Sabes exactamente qué datos necesita el agente? Escribe la lista: qué campos lee, de qué sistema y qué campos escribe. Si la respuesta es "todo el CRM", todavía no está claro el caso. Un agente bien diseñado ve solo lo que necesita, la misma idea que explicamos en [context engineering](https://addabra.com/blog/context-engineering-empresas). ### 2. ¿Sabes dónde vive cada dato? Para cada campo, una fuente oficial. Si el estado del pedido existe en el ERP y en una hoja de seguimiento, decide cuál manda. Las hojas de cálculo no son el enemigo, pero las que son fuente real de un proceso deben estar identificadas. Lo contamos en [operaciones sin hojas de cálculo](https://addabra.com/blog/operaciones-sin-hojas-de-calculo). ### 3. ¿Hay una definición acordada para cada concepto? Cliente activo, pedido entregado, margen, fecha de cierre. Si ventas y finanzas los definen distinto, el agente heredará la confusión. Una definición por concepto, escrita y aprobada por las áreas. ### 4. ¿Tienen dueño? Cada grupo de datos (clientes, productos, precios, pedidos) necesita una persona responsable que decida qué está bien y corrija lo que está mal. Si no hay nombre, el error se queda. ### 5. ¿La calidad se vigila sola? Duplicados, campos vacíos, formatos inconsistentes. No basta con limpiar una vez: necesitas reglas que corran a diario y avisen al dueño cuando algo falla. Si hoy la calidad depende de que alguien "revise de vez en cuando", no está vigilada. ### 6. ¿Está claro quién puede ver qué? Por rol y también por agente. Un agente de cobranza no necesita ver datos de salud ni salarios. Identifica los datos personales o sensibles y define quién accede, qué se oculta y cuánto tiempo se guarda. Las políticas las decide tu equipo legal o de cumplimiento; lo importante es que se apliquen en los sistemas y no solo en un documento. ### 7. ¿Puedes rastrear de dónde salió un dato? Si el agente dice que un cliente debe una factura, ¿puedes ver de qué sistema vino ese dato y cuándo se actualizó? Sin ese rastro (linaje), cada error se convierte en una discusión. ## Cómo leer el resultado No es un examen de aprobado o reprobado. Es un mapa de dónde empezar. | Resultado | Qué significa | Qué hacer | |---|---|---| | Sí a todo | Tus datos aguantan el caso | Lanza con evals y monitoreo | | Fallan 1 o 2 preguntas | Brechas puntuales | Corrígelas en paralelo a la construcción del agente | | Fallan las preguntas 2, 3 o 4 | Falta base | Ordena fuentes, definiciones y dueños antes de lanzar | | Falla la pregunta 6 | Riesgo de acceso | Resuélvelo antes de cualquier prueba con datos reales | > **Empieza pequeño** No necesitas datos perfectos en toda la empresa. Necesitas datos confiables para el primer caso y una forma de detectar errores nuevos. El resto se ordena caso por caso. ## Ejemplo ilustrativo: el agente de confirmación de entregas *Ejemplo ilustrativo:* volvamos a la gerente de operaciones. Con la checklist dos semanas antes, el resultado habría sido este: - **Datos necesarios:** cliente, teléfono, dirección, pedido, fecha prometida y estado. - **Fuente:** el estado vivía en una hoja; se decidió que el ERP manda y la hoja se alimenta de él. - **Definición:** "pedido listo para entrega" significaba cosas distintas para almacén y para ventas; se acordó una. - **Dueño:** el jefe de almacén quedó como responsable de los estados. - **Calidad:** una regla diaria marca direcciones sin código postal y avisa al dueño. - **Accesos:** el agente lee solo los datos de contacto y del pedido, nada de facturación. El agente se lanzó más tarde de lo previsto, pero sin la noche de pánico y con un equipo que confiaba en lo que el agente decía. ## Errores comunes - **Revisar toda la empresa en lugar del caso.** Se vuelve un proyecto eterno y el agente nunca sale. - **Limpiar una vez y olvidarse.** Sin reglas que corran solas, los datos vuelven a ensuciarse. - **Asumir que el modelo "entenderá" los datos sucios.** El modelo razona sobre lo que recibe; no adivina cuál fuente es la buena. - **Dejar los permisos para el final.** Un agente con acceso de más es un riesgo desde el primer día. - **No medir.** Si no sabes cuántos errores tenía el dato antes, no podrás demostrar que mejoró. ## Qué hacer el lunes Reúne a la persona dueña del proceso y a quien mejor conoce los sistemas. Recorran juntos las siete preguntas para un solo caso de IA, en una hora. Anoten cada "no sé" como una tarea con responsable. En Addabra empezamos así cada proyecto de datos: una evaluación de preparación para tu caso de IA, con un mapa de brechas priorizado, y después construimos las reglas, el catálogo y los permisos en tus propios sistemas. Si quieres ver qué incluye, revisa nuestro servicio de [Data Governance for AI](https://addabra.com/data-governance-for-ai/es). ## Preguntas frecuentes ### ¿Cómo sé si mis datos están listos para IA? Revisa los datos que usará tu primer caso, no toda la empresa. Si sabes dónde viven, tienen una definición acordada, un dueño, reglas de calidad que corren solas y permisos claros, estás listo para empezar. Si falla alguno, ese es tu primer trabajo. ### ¿Tengo que limpiar todos mis datos antes de lanzar un agente? No. Basta con que estén en orden los datos que toca ese agente y que exista una forma de detectar y corregir errores nuevos. Esperar a tener todo perfecto es la forma más segura de no lanzar nunca. ### ¿Qué pasa si mis datos viven en hojas de cálculo? Se puede trabajar con ellas, pero conviene saber cuáles son fuente real de un proceso, quién las mantiene y cómo se validan. Muchas veces el primer paso es conectarlas a un lugar común con reglas, sin obligar al equipo a dejar de usarlas de un día para otro. ## Sobre Addabra Addabra es una fábrica de software AI software first que diseña y construye sistemas agénticos a la medida para empresas: un agente por proceso, una memoria del negocio compartida, orquestación, aprobación humana por rol, auditoría y control de costos. Diagnóstico sin costo: https://addabra.com/blog/datos-listos-para-ia#contacto