La importancia de tener una estrategia de analítica del dato

Sin gobierno del dato no hay agentes de IA que escalen

La industria explora el salto hacia los agentes de IA y la automatización inteligente, pero la pregunta clave no es solo qué modelos usar, sino sobre qué datos operan y bajo qué reglas: muchas organizaciones construyen agentes sin resolver antes el gobierno del dato, lo que limita su escala y confianza.

Una sólida arquitectura de base y capas semánticas que unifiquen y faciliten la gobernanza son el punto de partida de todo lo demás. Con ese tratamiento adecuado del dato, amplificado por la IA agéntica y la automatización de procesos, las organizaciones pueden lograr una escalabilidad, productividad y competitividad sin precedentes.

Los datos de cualquier organización pueden imaginarse como una mina de carbón en la que, de repente, aparece oro. Ese oro existe, pero hay que encontrarlo, y para ello hace falta una arquitectura completa. Saber dónde se pone el dato, dónde localizarlo, cómo transportarlo y qué capa de gestión permite trabajar sobre él.

Llegar al oro exige tener el dato, localizado y limpio, pero también un contexto limpio, capacidad para interacciones agénticas y, sobre todo, que todo ello se acerque al objetivo real del proyecto de analítica. Es un proyecto completo, no una suma de piezas.

La evolución tecnológica está cayendo sobre las empresas como una avalancha que toca todas las áreas. La seguridad es una de ellas, los ataques y los vectores de amenaza han evolucionado enormemente.

Pero el efecto más profundo se produce en las expectativas de los usuarios: acostumbrados a servicios capaces de responder bien a una pregunta con todo integrado, penalizan de inmediato a los servicios tradicionales y a las empresas que no evolucionan al mismo ritmo, que quedan muy atrás.

La cuestión ya no es qué hay que hacer, sino cómo. Cómo hacerlo de forma segura y cómo llevarlo a producción de forma inteligente. Ahí entra en juego una evolución controlada apoyada en la observabilidad, que aporta el contexto y las herramientas necesarias para entender, desarrollar, evolucionar y mantener la tecnología.

Quien opera sin estrategia analítica ni observabilidad está montando en bicicleta con los ojos cerrados. La única duda es cuánto durará el trayecto y cómo de grande será el golpe. El consejo es claro, asegurar una visión inteligente de todo lo que sucede y adoptar paso a paso, recogiendo feedback, porque así las decisiones se toman sobre datos reales y no sobre sensaciones.

Cualquier usuario puede vivir la escena en una sola mañana. La aplicación de fidelización de una estación de servicio que se queda «pensando» un minuto sin lograr responder dónde se ha repostado. La del seguro, que ni siquiera admite lenguaje natural y despacha con el clásico menú de opciones de hace una década.

Y la del banco, que tras treinta segundos de reflexión concluye que no se ha gastado nada en toda la mañana, ni en gasolina ni en café. ¿Por qué? Porque no tenía los datos. Han pasado años desde la explosión de la IA generativa, un mundo entero en términos de tecnología, y estas aplicaciones conversacionales siguen sin dar los resultados que deberían.

La explicación es arquitectónica. La arquitectura de desarrollo de aplicaciones apenas ha cambiado en cuatro décadas. La lógica pasó de estar codificada en los programas a modelarse en sistemas de workflow y después en microservicios, pero en esencia sigue siendo lo mismo.

La verdadera disrupción llega ahora con la IA, y el error más extendido es intentar montar una solución agéntica por encima de lo que ya existe. Lo que debe ocurrir es un replanteamiento completo.

Los datos seguirán donde están (bases de datos relacionales y no relacionales, motores de búsqueda, otros entornos), pero la lógica de los procesos de negocio tenderá a delegarse en LLMs, cuya capacidad de razonamiento es hoy increíble y realmente efectiva.

¿Y en base a qué razonarán? En base al contexto, la clave de todo. Hay que ser capaces de ofrecer los datos a los modelos y agentes de forma que, ante la misma pregunta en lenguaje natural, la respuesta sea siempre la misma. Eso hoy no está ocurriendo.

La misma pregunta en contextos distintos produce respuestas completamente diferentes, y esa inconsistencia explica en buena parte por qué estas aplicaciones no terminan de triunfar. Quien pregunta a su banco cuánto ha gastado quiere la respuesta inmediata y correcta, sin excusas. A ello se suma un cambio de fondo en la interfaz de usuario.

Durante décadas se diseñó para personas, con sus teclados, ratones y dedos. Ahora serán cada vez más los agentes quienes interactúen con las aplicaciones, y la parte importante de la interfaz pasarán a ser las APIs. La capa que hará posible que estas aplicaciones triunfen es la del contexto y la recuperación de información: el retrieval.

Bajando a la infraestructura, cualquier estrategia de datos a gran escala debe contemplar cinco elementos. Primero, el coste y el rendimiento. A escala multipetabyte, las cifras sensibilizan a cualquier organización, y no todos los datos merecen el privilegio de vivir en almacenamiento premium.

Segundo, la gobernanza, habrá cada vez más regulación sobre los datos, y toda estrategia debe incorporar las leyes que aplican a la información y a los procesos de negocio.

En tercer lugar está la energía. Las capacidades no son infinitas, y en pleno hype de construcción de centros de datos conviene recordar que la electricidad cuesta mucho dinero generarla y no siempre está disponible. En cuarto lugar está un clásico de las dos últimas décadas, los datos crecen más rápido que los equipos capaces de gestionarlos. Y en quinta posición, la propia escala. Ya hay sistemas únicos de almacenamiento cercanos al exabyte, con despliegues reales de 720 nodos y 250 petabytes en un solo repositorio.

Una estrategia vale lo que sus resultados, y se estructura en cuatro perspectivas. Las operaciones autónomas, ante la falta de personal y de capacitación, la IA puede ayudar a los administradores a gestionar los entornos de forma óptima, puesto que dispone de toda la documentación de operación.

Mediante protocolos como MCP, los contenedores de datos pueden integrarse en flujos de inteligencia artificial que optimicen los procesos de negocio. Eso sí, con una frontera clara, no se puede dejar que la IA decida al cien por cien de forma autónoma, porque llegará el error y, sin un humano supervisando, el problema. El humano debe permanecer siempre dentro del ciclo de decisión.

También es importante la flexibilidad de medios. El dato caliente vive en entornos caros por terabyte o por milisegundo, y el frío se desplaza a capas más económicas. Así como contar con un grado de ciberresiliencia integrada. Todo sistema que albergue datos debe incorporar de forma intrínseca cifrado, protección frente a ransomware y robo de información, y una disponibilidad muy cercana al cien por cien.

El último punto es el rendimiento extremo que requiere la IA. Algunas cargas exigen latencias bajísimas, con desarrollos que permiten a las GPUs acceder directamente a los datos sin pasar por las CPUs.

El mercado de almacenamiento atraviesa un momento crítico que se prolongará en 2027 y empeorará en 2028. Se crea más información de la que somos capaces de gestionar, y componentes como los discos NVMe o la memoria RAM cotizan a precio de oro.

En ese contexto recupera protagonismo una técnica que existe desde 1995 y que muchas organizaciones siguen sin aplicar, perdiendo muchísimo dinero: el tiering. Esto organiza los datos en fríos, templados y calientes.

No toda la información tiene el mismo valor ni necesita el mismo rendimiento, y automatizar su movimiento entre capas reduce costes y complejidad en equipos ya sobresaturados.

Un ejemplo lo condensa todo. La ingesta de siete petabytes de imágenes de diagnóstico médico procedentes de cinco centros hospitalarios, con migración automática entre silos según prioridad y tiempo de ingesta, clasificación y etiquetado por IA según categorías definidas médicamente, y devolución del dato importante al almacenamiento para que esté disponible justo donde debe hacerse el diagnóstico.

Un círculo virtuoso que debe ejecutarse automáticamente, pero con criterios que no pueden dejarse solo en manos de la IA. En en sector de la salud, por ejemplo, pueden pasar cosas muy graves.

El objetivo final es siempre el mismo, que el desorden del trastero se convierta en una biblioteca de datos, con el dato importante bien etiquetado, donde tiene que estar y disponible para la agéntica, la analítica y el business intelligence. Solo así los datos podrán ofrecer ese contexto que todo lo demás reclama.

La industria coincide en el diagnóstico: los problemas del dato están identificados y tienen solución. Nada de esto es conceptualmente nuevo (se lleva trabajando en ello cinco o seis décadas), pero la velocidad actual no tiene precedentes, con una explosión simultánea de datos y de necesidad de explotarlos que en lugares como Estados Unidos y China ya se aborda de forma masiva.

El dato estructurado lleva décadas resuelto. El reto real está en el no estructurado, que crece exponencialmente. Y exige pensar de abajo arriba. La fijación con el agente y la IA ha hecho descuidar la infraestructura que lo soporta, la capa analítica que da contexto y el frontend.

Experiencias de IA que “ni es inteligencia ni es artificial” pese a las grandes inversiones, como una aplicación bancaria incapaz de decir cuánto se ha gastado en un día, son un toque de atención. Para la IA hay que empezar por la infraestructura y tener limpio y ordenado el cajón de los datos.

Adaptar la IA como una pieza más sobre lo ya existente no funciona. Hay que rediseñar las aplicaciones manteniendo los datos, añadiendo una capa de contexto que los LLMs puedan explotar y asumiendo interfaces orientadas a agentes.

A ello se suman dos tensiones. La soberanía, que ya no se limita a dónde reside el dato y bajo qué regulación, sino que alcanza a las herramientas que lo gestionan. Ser un proveedor cien por cien europeo ha pasado de percibirse como desventaja a ser un activo.

Y un mercado de almacenamiento en punto de inflexión. Se genera más información de la que los fabricantes pueden soportar a precio asumible, algo que durará hasta 2028. Con el dato como valor de la compañía, debe ser fiable, estructurado y recuperable. Y quizá no importe llegar el primero, sino automatizar pequeños puntos que aporten valor, no marketing.

Dos tendencias avanzan de la mano. La primera es el cambio drástico en la forma de interactuar con aplicaciones, servicios y negocios, con una capa de interacción mucho más sencilla y llena de posibilidades. La segunda, la más interesante, es la democratización de la tecnología. Hoy es mucho más fácil interactuar, desarrollar y crear.

Lo que antes era territorio de especialistas, donde llegar al valor resultaba muy complejo, se abre ahora a perfiles de negocio que, sin saber nada de las plataformas, extraen valor de forma simple.

El síntoma es claro. La gente ya no quiere dashboards, quiere respuestas directas, sin tener que construir nada. La conclusión también. No hay que perder la oportunidad de extraer el valor real de los datos con una buena estrategia y evitar que se conviertan en trasteros, que cuestan mucho y valen poco.

Mientras tanto, los responsables de tecnología soportan una presión enorme: el negocio ve soluciones de IA de consumo que funcionan y exige replicar ese éxito como ventaja competitiva, automatizando y cumpliendo a la vez regulación y seguridad.

La respuesta pasa por unificar la amalgama actual de soluciones (bases de datos vectoriales, buscadores, orquestadores) para obtener contexto sin grandes inversiones iniciales, incluyendo el almacenamiento de datos no estructurados como vectores para responder consultas en lenguaje natural.

En el horizonte destacan dos movimientos. Por un lado, la apuesta de las administraciones públicas por una IA soberana europea, con proyectos en casi todos los países e iniciativas como el euro digital. Europa como espacio donde información, datos y dinero sigan siendo propios, frente a potencias que se aprovechan de ella.

Por otro, la automatización masiva que ya es realidad en Estados Unidos y China, desde los taxis autónomos a los SOC que interpretan alertas y actúan solos, anticipa un 2027 con cada vez más soluciones agénticas en las empresas, con consecuencias laborales evidentes.