Volver al blog

El asesino de la IA: por qué los datos sucios arruinarán a tu agente

(Parte 4 de la serie: “La evolución de la inteligencia ERP: De los datos a los agentes”)

En la Parte 1, definimos los términos.
En la Parte 2, consultamos los datos.
En la Parte 3, exploramos los peligros de los agentes autónomos.

Ahora debemos afrontar la cruda realidad que acaba con hasta el 85% de los proyectos de IA antes incluso de que empiecen.

No es el algoritmo. No es la potencia de la GPU. Es tu base de datos maestra.

Todos deseamos una empresa autónoma, pero pregúntese: ¿activaría el piloto automático en un coche si los sensores estuvieran cubiertos de barro y el mapa GPS fuera de 1990?
Eso es precisamente lo que hacemos al implementar GenAI en una base de datos ERP heredada, llena de duplicados, plazos de entrega incompletos y que no se pueden usar .

El efecto multiplicador de “basura entra”

En el mundo tradicional de los sistemas ERP, el principio de "si introduces datos basura, obtendrás resultados basura" era una molestia.

  • Escenario: el plazo de entrega en el sistema es de 0 días, pero el plazo de entrega real es de 30 días.
  • Resultado anterior: El MRP sugiere realizar el pedido demasiado tarde.
    El planificador lo revisa, se ríe, ignora el sistema y realiza el pedido manualmente basándose en el conocimiento tácito.
  • La red de seguridad: El ser humano era la capa de corrección de errores.

En el mundo de la IA, esa red de seguridad ha desaparecido. Como McKinsey en su análisis de la IA en las cadenas de suministro, los modelos estadísticos producen "resultados poco fiables" cuando los datos presentan fallos, lo que puede costar a las organizaciones entre un 8 % y un 12 % en pérdidas de ingresos.

  • Escenario: el plazo de entrega está en blanco.
  • Nuevo resultado: el agente de la cadena de suministro ve 0 días.
    Espera hasta el último minuto. No logra asegurar los materiales. Detiene la línea de producción. O peor aún, calcula un plazo de entrega basado en un promedio genérico de la industria que no se aplica a su aleación específica y especializada.

Regla n.° 1 de la IA en los sistemas ERP: La inteligencia artificial da por sentado que tus datos son veraces.
Carece del sentido común para saber que "Artículo A" y "Artículo A-ANTIGUO" son lo mismo.

La brecha del conocimiento tribal

El mayor desafío para la IA en los sistemas ERP es que el real a menudo reside en la mente de las personas, no en las tablas de la base de datos.

  • Datos explícitos: qué contiene Infor LN / M3 (fechas de pedidos, cantidad).
  • Datos implícitos: El proveedor X dice 2 semanas, pero siempre tarda 4 o Nunca envíe productos electrónicos sensibles los viernes.

Un LLM (modelo de lenguaje a gran escala) no puede leer la mente.
Si desea que un agente gestione las compras, debe convertir el conocimiento implícito en datos explícitos.
Esto significa que los campos que antes eran deseables (como las calificaciones de desempeño de los proveedores, los plazos de entrega precisos y la lógica del stock de seguridad) ahora son obligatorios.

Vectorización: la solución temporal para los datos no estructurados

Sin embargo, hay un lado positivo. Los sistemas ERP tradicionales tenían dificultades con los datos no estructurados (especificaciones en PDF, cadenas de correos electrónicos, campos de comentarios).

La IA generativa se beneficia enormemente de los datos no estructurados.
Mediante un proceso llamado vectorización (incrustación), podemos introducir manuales en PDF y especificaciones técnicas en una base de datos vectorial.
Esto permite que un agente responda a la pregunta: "¿Tenemos un motor compatible con estas especificaciones de voltaje?" leyendo los archivos PDF adjuntos.

Sin embargo, esto crea una nueva pesadilla de gobernanza: si tiene archivos PDF obsoletos adjuntos a su catálogo de artículos, la IA recomendará con seguridad piezas obsoletas. La claridad de sus documentos es ahora tan importante como la claridad de sus filas y columnas.

La hoja de ruta para la preparación ante la IA: Limpiar o rendirse

Antes de adquirir una licencia de IA, necesitas una estrategia de datos. Según MIT Sloan Management Review, solo el 24 % de las empresas se describen actualmente como "orientadas a los datos", lo que pone de manifiesto la enorme brecha entre la ambición y la realidad.

  1. de eliminación de duplicados de datos maestros
    no pueden optimizar el inventario si el mismo rodamiento aparece con tres códigos de artículo diferentes.
    Para solucionar esto, debe consolidar de forma exhaustiva los registros de datos maestros de artículos y socios comerciales para garantizar que la IA vea una única versión de la verdad.
  2. Enriquecer los metadatos:
    la IA necesita contexto para funcionar eficazmente.
    Un código como "Artículo 10202" no significa nada para un LLM sin descripciones detalladas.
    Para habilitar la inteligencia, debe asegurarse de que las descripciones estén estandarizadas, los atributos estén completos y las clasificaciones técnicas se apliquen rigurosamente en todos los casos.
  3. Elimine la adicción al texto libre.
    Deje de incluir instrucciones importantes en notas de texto o comentarios no estructurados.
    La lógica de negocio debe trasladarse a campos estructurados donde la lógica del ERP y el agente puedan verificarla y actuar en consecuencia de forma fiable, en lugar de adivinar la intención detrás de una nota manuscrita.

La evolución de los datos a la inteligencia , a los agentes es inevitable. Las herramientas ya existen y la visión es clara. Pero el motor de este proceso es la credibilidad. Y la credibilidad proviene de un solo lugar: la exactitud de los datos.

Empieza a limpiar.

Fuentes clave y lecturas adicionales

A continuación: tenemos la tecnología y (con suerte) los datos limpios. Pero, ¿qué pasa con las personas? En la última parte de esta serie, exploramos la evolución humana: por qué el experto en ERP del futuro dejará de introducir datos y comenzará a auditar algoritmos.

Escrito por Andrea Guaccio 

7 de enero de 2026