Los cimientos deben estar en su sitio

Las automatizaciones suelen funcionar sólo de forma selectiva, las previsiones se utilizan con cautela y la confianza en las decisiones basadas en datos es frágil. El problema rara vez radica en la propia IA. Es más profundo: en la arquitectura. En mi práctica en la interfaz de la arquitectura de datos y la gestión empresarial, he aprendido una cosa: la brillante superficie de las nuevas tecnologías no vale nada si la sala de máquinas que hay debajo no funciona.

Estabilidad operativa

Cualquiera que observe de cerca las transformaciones de S/4 reconocerá un patrón familiar. Se da prioridad a lo que asegura las operaciones: procesos estables, lanzamientos limpios, una puesta en marcha lo menos problemática posible. La analítica se considera compleja, potencialmente arriesgada o un tema para una fase posterior. Lo primero es la puesta en marcha y luego ya veremos qué pasa.

Sin embargo, después de la puesta en marcha, el coste de esta decisión se hace evidente. Faltan datos históricos o sólo pueden utilizarse de forma limitada. Las cifras clave se han redefinido, a menudo sin una lógica de transición comprensible. Los informes proporcionan valores diferentes a los de antes, sin que nada haya cambiado desde el punto de vista operativo. Aquí es exactamente donde empieza el problema de la IA. Los modelos requieren series temporales estables, una lógica coherente y estados de datos reproducibles. La IA se convierte entonces en un experimento más que en una fuerza productiva. El error está en el enfoque: la arquitectura operativa y la arquitectura analítica se conciben por separado. La IA se considera un complemento de un sistema acabado. Las decisiones arquitectónicas se toman sin tener en cuenta sus consecuencias analíticas.

La IA surge entre sistemas

Las aplicaciones de IA relevantes casi nunca se crean en un único sistema. Se crean entre sistemas. Los datos transaccionales de S/4 proporcionan el contexto empresarial. Los datos de sensores y eventos proporcionan la dinámica temporal. Los datos externos complementan la información del mercado o de la cadena de suministro. Estos datos hablan diferentes idiomas. La referencia temporal, la granularidad y el significado difieren, a menudo históricamente cultivados y sólo implícitamente conocidos. Sin una disociación clara, surgen dependencias frágiles. En términos técnicos, esto puede verse en interfaces ausentes o no versionadas, en los llamados contratos de datos.

Un contrato de datos es algo más que un documento técnico: es un apretón de manos digital entre la TI operativa y los usuarios de los datos. Define de forma vinculante la calidad y la semántica de los datos que debe proporcionar el ERP. Si falta este „contrato“, la cadena se rompe con cada pequeña actualización del sistema. Un proyecto práctico de mantenimiento lo ilustra: el objetivo era predecir los fallos de las máquinas. Tras un lanzamiento de S/4, la lógica de materiales cambió en el ERP. Todo seguía igual para los departamentos especializados, pero las predicciones para el modelo se desviaban sin que se viera ningún error. La causa era trivial: una interrupción de la integración debido a que un cambio relevante no se había versionado ni comunicado.

Este patrón se intensifica con la IA generativa. Los modelos basados en el lenguaje dependen especialmente de un contexto coherente y de información histórica. Si los datos cambian de significado con cada publicación, los resultados siguen siendo superficiales. Sin una semántica estable -es decir, significados claramente definidos de las cifras clave y las referencias temporales-, la IA generativa se convierte en un mero asistente textual, pero no en una herramienta de toma de decisiones.

El tema del tiempo real suele ocupar un lugar central. Sin embargo, hay algo más que es crucial para el aprendizaje de la IA: la persistencia. Los modelos que reaccionan principalmente a los flujos actuales pierden los patrones históricos y los efectos estacionales. El tiempo real controla el comportamiento, pero la persistencia crea la comprensión necesaria para la verdadera inteligencia empresarial.
La organización gana a la tecnología: ¿a quién pertenecen los datos? Un factor a menudo subestimado es la organización. La responsabilidad de los datos no suele estar clara o sólo se distribuye por proyectos. La informática se optimiza en función del funcionamiento del sistema, los costes y la disponibilidad. Cuando las cifras dejan de cuadrar, comienza la búsqueda del culpable. La gobernanza existe a menudo sobre el papel, pero no se aplica en el día a día. Esto se ve agravado por un panorama de competencias fragmentado: los expertos en BW entienden de modelos de datos, los consultores funcionales conocen los procesos y los científicos de datos trabajan en base a modelos, a menudo sin una visión profunda de la semántica del ERP. Cada uno es bueno en su área, pero se crea poco en el medio.

El verdadero cambio comienza con la propiedad funcional. La responsabilidad de los datos no debe ser una cuestión de TI. Se necesitan personas en los departamentos especializados que no sólo sean responsables del proceso (por ejemplo, la entrada de mercancías), sino también de la calidad de los datos y su importancia analítica. Sólo cuando la empresa reconozca que los datos son un activo, la modernización tecnológica será sostenible.

Tres palancas estratégicas para 2026

De estas observaciones pueden derivarse oportunidades concretas:

1. la analítica como criterio de diseño: Los requisitos analíticos deben formar parte de la arquitectura desde el principio, en pie de igualdad con la estabilidad operativa.

2. semántica explícita: Los contratos de datos y las interfaces versionadas no son una teoría, sino las instrucciones de construcción para garantizar que los datos conserven su significado en todas las versiones de S/4 Hana.

3. responsabilidad permanente: La soberanía de los datos requiere una propiedad profesional clara y permanentemente anclada.

Aquellos que sigan optimizando la arquitectura principalmente para las operaciones seguirán viendo impresionantes demostraciones de IA en el futuro, pero lograrán poco impacto en la vida cotidiana. Aquellos que pongan en orden la subestructura ahora obtendrán una empresa que no solo está preparada para la IA, sino que por fin puede controlar su propia realidad con precisión. (Fuente: Stefan Maxones)