¿Hay que ordenar los datos antes de poner un agente de IA?

Esta pregunta aparece en el noventa por ciento de las primeras reuniones con directores de CX y gerentes comerciales. La variante más común es: "Primero tenemos que ordenar nuestro CRM", "Necesitamos migrar a una nueva plataforma", o "Cuando terminemos de integrar los sistemas, ahí sí arrancamos". El problema es que ese momento nunca llega.

Según el MIT, el 95 por ciento de los proyectos de IA que llegan a producción fracasa. La mayoría ni siquiera llega a producción. Y la causa principal no es técnica: es la parálisis por perfeccionismo. Las empresas posponen indefinidamente porque esperan condiciones ideales que no existen.

¿Por qué esta creencia frena proyectos?

La lógica parece razonable: si el agente de IA va a usar datos de productos, clientes o políticas, esos datos deberían estar limpios, completos y actualizados. Pero esa lógica ignora tres realidades del negocio:

• Los datos nunca están perfectos. Siempre hay campos vacíos, duplicados, formatos inconsistentes o información desactualizada.
• Ordenar datos sin un caso de uso concreto es trabajo especulativo. No sabés qué información realmente importa hasta que ves qué preguntan los clientes.
• Los proyectos de ordenamiento de datos sin deadline se extienden indefinidamente. Seis meses se convierten en dos años, y el proyecto de IA queda en el backlog.

¿Cómo funciona un agente de IA con datos incompletos?

Los agentes de IA no necesitan datos perfectos para generar valor. Necesitan datos suficientes para responder las preguntas más frecuentes y un mecanismo claro de derivación cuando no tienen la respuesta. Esa es la arquitectura de entrada.

Un agente de IA bien diseñado arranca con tres fuentes de información:

Esta arquitectura permite arrancar rápido y mejorar con datos reales. Después de dos semanas en producción, tenés un mapa exacto de qué información falta, qué consultas son más frecuentes y dónde están los cuellos de botella. Esa información es imposible de obtener sin estar en producción.

¿Qué datos sí necesitás tener listos?

No todos los datos son iguales. Hay información que sí tiene que estar disponible antes de arrancar, pero es mucho menos de lo que la mayoría cree:

Lo mínimo indispensable es: información para responder las diez preguntas más frecuentes, un flujo claro de derivación cuando el agente de IA no tiene la respuesta, y acceso a los canales de contacto donde está el cliente. Con eso se arranca. Todo lo demás se agrega iterativamente según prioridad real.

¿Cómo mejoran los datos con el agente de IA en producción?

La paradoja es que poner un agente de IA en producción es la forma más efectiva de ordenar los datos. Porque obliga a priorizar qué información realmente importa y expone inconsistencias que de otra forma quedan ocultas.

Un caso concreto: una aseguradora tenía un catálogo de productos desactualizado, con coberturas que ya no se vendían y condiciones que habían cambiado. El equipo comercial sabía que había inconsistencias, pero no había urgencia para corregirlas. Cuando el agente de IA empezó a operar, las consultas de clientes expusieron exactamente qué información estaba mal y cuál faltaba. En tres semanas, el catálogo estaba más ordenado que en los dos años anteriores.

El ciclo de mejora funciona así: el agente de IA responde con la información disponible, registra las consultas que no puede resolver, el equipo agrega la información faltante según frecuencia de consulta, y el agente de IA mejora su tasa de resolución. Ese ciclo se repite cada semana. En tres meses, el agente de IA está resolviendo el 70 u 80 por ciento de las consultas sin intervención humana.

¿Qué pasa con las integraciones?

La otra objeción frecuente es que el agente de IA necesita estar integrado con el CRM, el ERP o el sistema de gestión antes de arrancar. Eso también es falso. Las integraciones son expansión, no requisito de entrada.

Un agente de IA puede operar perfectamente sin integraciones en la primera etapa. Toma los datos del cliente, los registra en una planilla o los envía por correo al equipo comercial, y alguien los carga manualmente en el sistema. Eso no escala para siempre, pero permite arrancar rápido y demostrar valor antes de invertir en integraciones complejas.

Las integraciones se priorizan después, cuando ya hay volumen y se sabe exactamente qué datos hay que sincronizar. Hacer integraciones antes de tener el agente de IA en producción es trabajo especulativo: no sabés qué información realmente necesitás hasta que ves la operación real.

¿Cuál es el riesgo real de arrancar con datos imperfectos?

El miedo subyacente es que el agente de IA dé información incorrecta y eso dañe la relación con el cliente. Ese miedo es legítimo, pero se mitiga con arquitectura, no con datos perfectos.

Un agente de IA bien diseñado tiene tres mecanismos de control:

• Solo responde cuando tiene información verificada. Si no tiene la respuesta, deriva o toma datos para contacto posterior.
• Las respuestas se revisan en la etapa de diseño y se ajustan antes de que el agente de IA las use con clientes reales.
• Hay un tablero de supervisión que permite detectar respuestas problemáticas y corregirlas en tiempo real.

El riesgo de dar información incorrecta existe, pero es mucho menor que el riesgo de no responder. Un cliente que pregunta por WhatsApp y no recibe respuesta en dos horas ya está buscando alternativas. Un cliente que recibe una respuesta parcial y una derivación a un agente humano sigue en el embudo.

Tener la estrategia no alcanza: hay que poder ejecutarla

Todo esto suena bien en una presentación. El problema real aparece después: la plataforma que usás hoy no soporta agentes de IA que razonan, tu equipo ya está ocupado apagando incendios, y montar esto bien requiere experiencia que no se improvisa. Ahí es donde una buena idea se queda en idea.