La IA depende de la calidad de los datos que la alimentan, pero en la industria, estos también deben llegar con contexto y a tiempo para evitar interrupciones, afirma Steve Parvin, vicepresidente de CONNECT Data Harmonization en AVEVA.
El viejo principio de “basura entra, basura sale” sigue vigente en la era de la Inteligencia Artificial (IA). La industria entiende que la calidad de los datos de entrada determina la calidad de los resultados que se obtienen. Sin embargo, pocos pueden explicar cómo es esa “basura” o cómo clasificarla.
Casi dos tercios de las organizaciones (63%) no cuentan con las prácticas de gestión de datos adecuadas para la IA, o no están seguras de tenerlas, según una encuesta de Gartner. La firma de investigación prevé que las empresas abandonarán el 60% de los proyectos de IA que no cuenten con datos preparados para la IA en 2026.
El verdadero valor, entonces, radica en una pregunta ligeramente distinta: ¿cómo pueden las empresas garantizar que sus datos estén preparados para la IA, de modo que los pilotos de IA y los casos de uso posteriores generen un impacto sostenido en el desempeño?
Cómo cerrar la brecha de preparación de datos en la industria
Para responder, es necesario analizar de cerca las canalizaciones (pipelines) de datos industriales. Estos flujos de trabajo automatizados se construyeron en torno a un proceso de tres etapas: extracción, transformación y carga (ETL).
Steve Parvin, vicepresidente de CONNECT Data Harmonization de AVEVA, explica que “ese modelo funciona bien para la generación de informes, donde los datos se almacenan y las herramientas posteriores les dan sentido más adelante. Pero resulta menos adecuado para el análisis profundo en operaciones industriales, donde los datos son útiles solo durante un período breve y deben convertirse en información utilizable antes de que se cierre la ventana de oportunidad”.
Tampoco los enfoques existentes pueden gestionar realmente los cientos de trillones de datos que las empresas utilizan cada día para tomar decisiones estratégicas fundamentales.
En la industria, los datos “basura” son aquellos cuya utilidad es limitada porque llegan demasiado tarde, carecen de contexto o no están armonizados con otras partes del negocio, como los sistemas de TI y empresariales. Una lectura de sensor solo cobra sentido cuando se vincula con el activo al que pertenece, el proceso que respalda y el historial operativo y de mantenimiento circundante. No todas las situaciones requieren esperar a que los datos brutos del sensor se transporten y sean procesados por una IA antes de recibir una alerta de que una máquina está a punto de fallar.
Cuanto más lejos viajan los datos industriales antes de ser procesados, menos útiles resultan los conocimientos que se obtienen. Más allá de la latencia, lo mismo ocurre con el tiempo y el esfuerzo manual dedicados a crear y conectar los flujos de trabajo que hacen utilizable la mayoría de los datos. Esa lectura de sensor que antes podía tardar minutos en transmitirse antes de emitirse como alerta ahora puede desencadenar una acción basada en condiciones en cuestión de segundos y notificar al equipo mediante un mensaje que también describe el estado del activo, sus condiciones operativas recientes y el posible impacto en el negocio si no se toman medidas.
“Cuando los equipos dependen de código escrito a mano e integraciones improvisadas, los ciclos de implementación de los proyectos de IA pueden avanzar a paso de tortuga”, advierte el ejecutivo de AVEVA.
Inteligencia que vive en el flujo
Por lo tanto, las canalizaciones de datos deben realizar una mayor parte del procesamiento numérico en etapas más tempranas del ciclo. Deben abarcar toda la pila de TI, OT y sistemas empresariales para enriquecer y analizar los datos a medida que fluyen. Y deben poder desencadenar acciones basadas en condiciones predefinidas por expertos en la materia.
En ese sentido, la canalización de datos pasa a formar parte de la manera en que el negocio responde. Una canalización más sólida cambia la calidad del flujo en sí. Lo logra capturando el contexto del evento o del activo, en lugar de transmitir simplemente valores brutos.
IA a escala: de complemento externo a función integrada
Nos encontramos en el punto de la curva de adopción de IA en que la tecnología está pasando de ser un complemento a convertirse en una base integrada de los modelos de negocio. Los sistemas de IA deben alimentarse con datos que lleguen a tiempo y con contexto: a qué activo pertenece una lectura, cómo se relaciona con los sistemas circundantes, cómo su desviación podría alterar los flujos de simulación y el impacto resultante en la confiabilidad, la producción y los resultados financieros.
La investigación muestra que las empresas que operan como un negocio en tiempo real, donde los empleados cuentan con los datos para decidir y actuar de inmediato, suelen ser líderes de mercado. Las que se ubican en el cuartil superior en operaciones en tiempo real también logran un crecimiento de ingresos más de un 50% superior y márgenes de utilidad casi el doble (97% más altos) que los de sus pares. Con la IA, se puede avanzar rápido y ganar terreno, pero solo si los datos llegan listos para la toma de decisiones y a tiempo para actuar.
