Y lo peor: crees que estás tomando decisiones informadas. La IA acaba de sacar de la basura todo eso que botaste. Lo que hagas con eso define los próximos diez años de tu empresa.
Por Eddie Arenas, CEO de Quarks Data
Lunes, 8:40 a.m.
Comité comercial. Alguien hace la pregunta que vale millones: ¿cuál de nuestros clientes grandes está a punto de dejar de comprarnos?
Silencio. Ventas saca un reporte. Finanzas saca otro. Los números no cuadran. Alguien dice "déjame revisarlo y te confirmo". Nadie confirma nada. Tres semanas después el cliente ya se fue, y en la próxima reunión el tema es por qué se fue.
No es una pregunta difícil. Para responderla, ventas, finanzas y logística tendrían que estar hablando del mismo cliente. En ventas se llama cliente. En finanzas es un RIF. En logística es una cuenta. Tres sistemas, tres nombres, cero conexión.
No te falta data. Te falta un lugar donde tu negocio exista como una sola cosa.
Cuarenta años decidiendo con el 10%
Durante décadas la industria te vendió una solución: estructurar. Más ERP, más warehouse, más dashboards. Funcionó hasta donde podía funcionar. Lo que nadie te dijo es cuánto de tu negocio quedaba afuera.
McKinsey lo puso en números incómodos: la data estructurada (SKUs, especificaciones, transacciones, balances) es apenas el 10% de la información disponible. El otro 90% es no estructurado. QuantumBlack, el brazo de IA de McKinsey, estima que entre el 80% y el 90% de la data empresarial está atrapada en ese formato.
Atrapada es la palabra exacta. Piensa en lo que hay ahí. El WhatsApp donde tu aliado te dijo hace cinco meses que estaba comprando menos porque un competidor le mejoró el crédito. La foto del anaquel que tomó el visitador y quedó en su galería. La nota del médico explicando por qué el paciente abandonó el tratamiento. El correo donde negociaste la excepción de precio. Nada de eso entra en un JOIN. Nada de eso tiene esquema.
Así que construiste tu inteligencia sobre el 10% que sí cabía en una tabla y le llamaste "la verdad del negocio". El otro 90% siguió existiendo, siguió moviendo dinero, y siguió viviendo en un solo lugar: la cabeza de tu gerente de canal.
Ese es tu mejor modelo predictivo. Y se va por la puerta el día que renuncia.
Lo que la IA cambió de verdad
La lectura popular es que la IA nos dio mejores respuestas. Es una lectura pobre. La IA cambió qué cuenta como dato.
Un contrato en PDF se vuelve un conjunto de entidades, obligaciones y fechas. La foto del anaquel se vuelve un conteo de facings y un quiebre proyectado. El hilo de WhatsApp se vuelve una intención de compra con fecha, monto y contraparte. Extracción, clasificación, embeddings vectoriales, estructuración en grafo: lo que era ruido pasa a ser materia prima consultable por significado y no por keyword.
Eso no es un BI más bonito. Es una expansión de dominio. Tu empresa acaba de multiplicar por diez la superficie de sí misma que puede modelar.
Y ahí es donde casi todo el mundo se estrella.
Legible no es gobernable
Los números del State of AI 2025 de McKinsey son un espejo: cerca del 88% de las organizaciones ya usa IA en al menos una función, pero solo el 39% atribuye algún impacto en EBIT, y de esos la mayoría reporta menos del 5%. Apenas alrededor del 5,5% reportó valor significativo. En agentes es peor: casi dos tercios de las empresas del mundo ya experimentaron con ellos y menos del 10% los escaló a valor tangible. Ocho de cada diez señalan las limitaciones de datos como el obstáculo.
En América Latina la brecha es más aguda. El informe del Foro Económico Mundial con McKinsey reporta que solo el 23% de las organizaciones de la región genera algún valor económico con IA y apenas el 6% reporta valor significativo. Solo el 10% conecta su IA con la estrategia. La oportunidad en la mesa: entre 1,1 y 1,7 billones de dólares anuales.
Ya conoces cómo se ve el fracaso porque probablemente lo viviste. Contrataste, viste una demo deslumbrante, desplegaste. Al tercer mes el sistema contradice el reporte oficial, nadie sabe de dónde salió el número, y el piloto muere bonito.
No falló la IA. Faltaba una capa.
La capa donde vive el significado
Entre la data cruda y las aplicaciones de IA existe una capa semántica: el lugar donde el dato se convierte en conocimiento. En la práctica se implementa con ontologías y grafos de conocimiento. La ontología define qué son las cosas, cómo se relacionan y qué reglas las gobiernan. El grafo conecta la data real de todos tus sistemas en una red de entidades.
Sin esa base compartida, los agentes actúan sobre interpretaciones contradictorias del mismo dato y la tasa de error crece con la escala. Traducido: mientras más automatizas, más rápido te equivocas.
Lo poderoso de una ontología no es que sea un diccionario. Es que es ejecutable y versionada. Conceptos como cliente importante, SKU crítico o exposición aceptable no son universales. Son tuyos, de tu industria, de tu contexto regulatorio. Codificarlos de forma explícita, con dueño, con versión y con historial, es lo que separa a un agente que ejecuta de un agente que alucina.
Y cambia la naturaleza de tu software. Una regla de negocio deja de ser un párrafo en un manual o una condición enterrada en un stored procedure, y se vuelve un artefacto de primera clase: consultable, testeable, auditable, modificable sin reescribir la aplicación.
Ahí está la tesis completa. Tu negocio entero puede vivir en esa capa. No una copia de tu negocio. El negocio: el modelo operativo, la lógica de decisión, las métricas, los permisos, la trazabilidad. Y encima, como consumidores de un mismo modelo, tus dashboards, tus agentes, tus APIs y tus aplicaciones.
Tres cosas que casi todos se saltan
Trata la ingesta como un producto. Batch, streaming, estructurada o no estructurada: todo entra una vez y queda usable para todos. Un pipeline por caso de uso es una fábrica de verdades paralelas.
Comparte significado, no solo data. Un lago con todo adentro y sin definiciones comunes no es una fundación, es un depósito. Analítica, modelos y agentes tienen que entender lo mismo por lo mismo.
La gobernanza viaja con el dato. La data no estructurada se ingiere, se transforma y se recombina en continuo. Los controles de acceso, el linaje y los chequeos de calidad van embebidos en el pipeline, no en una revisión trimestral. Cuando un agente arma su contexto recuperando documentos dinámicamente, necesitas registrar qué modelo accedió a qué y con qué política. Sin eso no tienes auditoría, tienes fe.
Y un corolario que se ignora siempre: lo que el agente produce también es data nueva. El día que aceptas output de agente sin trazabilidad, empezaste a contaminar tu propio núcleo.
La ontología es local, y eso es tu ventaja
Aquí está lo que ninguna plataforma global va a resolver por ti.
Una ontología es el modelo semántico de un dominio en su contexto. No existe una versión universal para banca ni para pharma. Una capa genérica no modela múltiples tasas de cambio simultáneas, ni WhatsApp como canal comercial primario y contractualmente relevante, ni redes informales de distribución, ni ciclos de importación, ni FEFO por lote bajo autoridad sanitaria local, ni la superficie regulatoria de SUDEBAN en banca, OFAC en cross-border, INVIMA o COFEPRIS en salud. El software global trata esa complejidad como un feature request. Nosotros la tratamos como punto de partida.
Y de ahí sale el argumento estratégico. Si la ontología es específica de tu empresa y de tu contexto, entonces no es un commodity que compras: es un activo que construyes. Es lo único de tu stack que un competidor no puede licenciar. Mientras más de tu negocio vive en el núcleo, más imposible es operar sin él, y más caro es replicarte.
De costo a ingreso
Una droguería mueve millones de transacciones al mes y le vende a ciegas a su red de farmacias aliadas: no sabe qué recomendarle a cada una. Cuando compras, inventario y demanda viven en un solo modelo, encima corres un recomendador que le dice a cada aliado qué pedir y cuándo.
Y pasa algo que no estaba en el business case: la droguería empieza a vender ese recomendador a su red. Su data deja de ser una línea de costo en IT y se vuelve ingreso recurrente.
Ese es el patrón. El laboratorio que une sell-in, sell-out y comportamiento de canal deja de reaccionar tarde y hace CPFR real con sus distribuidores. La clínica que une prescripción, dispensación y seguimiento detecta el abandono antes de la recaída. El banco que consolida el modelo del cliente ve el deterioro antes del default. En todos los casos, la pregunta que antes moría sin respuesta ahora tiene respuesta y acción.
Lunes, 8:40 a.m. Dentro de diez años.
Mismo comité. Misma pregunta.
Solo que antes de que alguien se sentara, el núcleo ya la respondió. Tres aliados marcados, con la razón de cada uno: uno bajó frecuencia de pedido, otro mencionó crédito de un competidor en una conversación de la semana pasada, el tercero tiene dos lotes por vencer que nadie había cruzado con su historial de rotación. El agente ya reconcilió a qué tasa se registró cada operación. El borrador del mensaje al aliado está esperando aprobación. La proyección de qué SKU quiebra el jueves ya salió, por tienda.
La reunión no es para armar el rompecabezas. Es para decidir. Veinte minutos en lugar de tres semanas, y el gerente de canal ya no es el único lugar del mundo donde vive ese criterio.
Eso es lo que viene, y no es ciencia ficción: es arquitectura. En diez años la data no va a ser algo que tu empresa consulta. Va a ser el lugar donde tu empresa piensa. Los dashboards van a parecer lo que eran, una foto vieja de un negocio en movimiento. La ventaja no va a estar en quién tiene el modelo más grande, porque todos vamos a tener acceso a los mismos modelos. Va a estar en quién modeló su negocio con suficiente rigor para que una máquina pueda razonar sobre él sin inventar.
Hay una diferencia entre sobrevivir este continente y aprender a diseñar desde él. El 6% que hoy captura valor con IA en América Latina no tiene mejores algoritmos. Tiene mejor infraestructura: IA metida en procesos núcleo, métricas con dueño, y una arquitectura de datos que aguanta. Nada de eso sale en un demo. Todo eso es exactamente lo que separa ejecutar de experimentar.
La próxima década no va a premiar a quien compre la herramienta más nueva. Va a premiar a quien construyó el núcleo donde su negocio quedó viviendo: un solo modelo, gobernado y versionado, que abarca el 10% que siempre estuvo en tablas y el 90% que estabas botando.
Cuando eso existe, tu empresa deja de necesitar que alguien arme el rompecabezas a mano. Se responde sola.
Eso es lo que construimos en Essential 137, y puedes conocerlo en Essential o en nuestro trabajo como empresa de inteligencia artificial en Venezuela.
Referencias
Todos los datos citados provienen de McKinsey & Company y QuantumBlack, AI by McKinsey: Latin America in the Intelligent Age (con el Foro Económico Mundial, enero 2026), The State of AI in 2025 (noviembre 2025), Building the Foundations for Agentic AI at Scale (abril 2026, basado en Rewired, 2.ª edición, Wiley 2026), Charting a Path to the Data- and AI-Driven Enterprise of 2030 (2024) y Unlocking Consumable Data for Generative AI (2025).