{"id":152570,"date":"2025-07-17T09:35:58","date_gmt":"2025-07-17T07:35:58","guid":{"rendered":"http:\/\/e3mag.com\/?p=152570"},"modified":"2025-07-25T09:26:07","modified_gmt":"2025-07-25T07:26:07","slug":"el-motor-de-la-ia-anda-fallando","status":"publish","type":"post","link":"https:\/\/e3mag.com\/es\/el-motor-de-la-ia-anda-fallando\/","title":{"rendered":"El motor de la IA anda fallando"},"content":{"rendered":"

La IA se considera un factor de cambio para las empresas. Sin embargo, a pesar de las ambiciosas hojas de ruta de la IA y de las cuantiosas inversiones, muchas organizaciones se enfrentan a obst\u00e1culos a la hora de llevar a cabo sus iniciativas en este campo. Este es el principal resultado de una reciente encuesta mundial realizada por Redpoint en nombre de Fivetran. Casi la mitad de las empresas encuestadas (el 42%) informaron de que m\u00e1s del 50% de sus iniciativas de IA se retrasaron, obtuvieron resultados insuficientes o fracasaron por completo, principalmente debido a la falta de preparaci\u00f3n de los datos. Incluso algunas empresas con estrategias de centralizaci\u00f3n claramente definidas no avanzan m\u00e1s all\u00e1 de la fase piloto, ya que los problemas de integraci\u00f3n, los cuellos de botella en los recursos y las ineficiencias operativas ralentizan el progreso. En resumen, la IA no puede ofrecer resultados si los datos no est\u00e1n totalmente centralizados, gestionados y listos para su uso. Muchas organizaciones tienen planes ambiciosos de utilizar la inteligencia artificial para mejorar sus resultados empresariales.<\/p>\n\n\n\n

Por qu\u00e9 fracasan las ambiciones de la IA<\/h2>\n\n\n\n

En la pr\u00e1ctica, sin embargo, estos proyectos suelen tropezar con considerables problemas de aplicaci\u00f3n. Aunque el 57% de las empresas afirma que su estrategia de centralizaci\u00f3n de datos es \"muy eficaz\", el 42% admite que m\u00e1s de la mitad de sus proyectos de IA fracasan o obtienen resultados insuficientes. Un obst\u00e1culo clave para el \u00e9xito es la integraci\u00f3n: m\u00e1s de un tercio de las empresas lo citan como la principal raz\u00f3n del fracaso de las iniciativas de IA. Las consecuencias de estos retrasos son graves. El 68% de las empresas con menos del 50% de datos centralizados afirman haber perdido oportunidades de ingresos debido a retrasos o a un rendimiento insuficiente de la IA. Los equipos de datos est\u00e1n atrapados en el modo de mantenimiento. <\/p>\n\n\n\n

Incluso entre las empresas que han centralizado m\u00e1s de la mitad de sus datos, el 67% utiliza m\u00e1s del 80% de sus recursos para mantener canalizaciones de datos, lo que les deja poca capacidad para progresar en IA. La preparaci\u00f3n para la IA comienza con la centralizaci\u00f3n de los datos, pero la implementaci\u00f3n es crucial. Esto se debe a que el 59% de las empresas considera que los requisitos normativos son el mayor reto en la gesti\u00f3n de datos para la IA. Esto lo demuestra: La centralizaci\u00f3n es importante, pero no es suficiente por s\u00ed sola. Uno de los mayores obst\u00e1culos para el \u00e9xito de la IA es la complejidad de la integraci\u00f3n. Casi tres cuartas partes de las empresas gestionan o tienen previsto gestionar m\u00e1s de 500 fuentes de datos. Esto dificulta la normalizaci\u00f3n de estos datos dispares para la IA y su operatividad.<\/p>\n\n\n\n

El mantenimiento de los conductos de datos entre las fuentes de datos y el lugar donde se necesitan los datos es otro obst\u00e1culo importante. En lugar de centrarse en la innovaci\u00f3n de la IA, los equipos de datos tienen que dedicar la mayor parte de sus recursos a gestionar y mantener la infraestructura: el 65% de las empresas afirman que dedican m\u00e1s del 40% de sus recursos a mantener los conductos de datos. <\/p>\n\n\n\n

Ni siquiera centralizar los datos es suficiente sin automatizaci\u00f3n: el 67% de las empresas que han centralizado m\u00e1s de la mitad de sus datos siguen dedicando m\u00e1s del 80% de sus recursos al mantenimiento. A medida que aumentan los requisitos de mantenimiento, las organizaciones tienen dificultades para asignar capacidad a iniciativas de IA de mayor valor.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

\u00bfQu\u00e9 porcentaje de proyectos de IA de su organizaci\u00f3n se han retrasado, no han cumplido las expectativas o han fracasado debido a problemas de preparaci\u00f3n de los datos?<\/em><\/p>\n\n\n\n

Falta de preparaci\u00f3n de los datos<\/h2>\n\n\n\n

Adem\u00e1s de los problemas de integraci\u00f3n y mantenimiento, la mala calidad de los datos y las deficiencias en la gobernanza de los mismos tambi\u00e9n merman la eficacia de la IA. El cumplimiento de la normativa (59%) se considera el mayor reto en la gesti\u00f3n de datos para la IA. Sin embargo, los datos obsoletos (52%) e inexactos (52%) tambi\u00e9n impiden que los modelos de IA proporcionen informaci\u00f3n fiable. Adem\u00e1s, el acceso a los datos en tiempo real suele ser limitado (41%), por lo que la IA no puede ofrecer resultados oportunos y procesables.<\/p>\n\n\n\n

Aunque todas las empresas desean aprovechar todo el potencial de la IA, no todas est\u00e1n igual de preparadas para su implantaci\u00f3n. Esto var\u00eda significativamente seg\u00fan el sector y la regi\u00f3n, creando una brecha cada vez mayor entre los l\u00edderes y los rezagados de la IA. Las organizaciones que no consigan trasladar la IA a las operaciones tendr\u00e1n dificultades para traducir las estrategias en un impacto real. Por otro lado, las que cuentan con s\u00f3lidas capacidades de datos e implementaci\u00f3n ya est\u00e1n ampliando las transformaciones impulsadas por la IA. Para ilustrar estas diferencias, se desarroll\u00f3 el \"Modelo de madurez de preparaci\u00f3n para la IA\" para el estudio de Fivetran. Eval\u00faa los sectores y las regiones en funci\u00f3n de cuatro criterios de ejecuci\u00f3n clave: eficacia de la gesti\u00f3n y la integraci\u00f3n de datos, proporci\u00f3n de datos preparados para la IA, tasa de \u00e9xito o fracaso de los proyectos de IA y recursos utilizados para mantener los canales de datos. <\/p>\n\n\n\n

Las cifras lo demuestran: La implantaci\u00f3n de la IA no es solo un reto espec\u00edfico de cada sector, sino tambi\u00e9n de cada regi\u00f3n. Las organizaciones de los mercados de IA menos desarrollados deben dar prioridad a la automatizaci\u00f3n, la integraci\u00f3n moderna de datos y la gobernanza para seguir siendo competitivas.<\/p>\n\n\n\n

Costes de una aplicaci\u00f3n inadecuada de la IA<\/h2>\n\n\n\n

La IA ya no es una tecnolog\u00eda experimental: es un motor clave de la eficiencia, las ventas y la fidelidad de los clientes. Cuando las iniciativas de IA fracasan, las consecuencias van mucho m\u00e1s all\u00e1 de las TI. El suministro inadecuado de datos y las ineficiencias de la IA repercuten en el crecimiento empresarial, los costes operativos y la satisfacci\u00f3n del cliente.<\/p>\n\n\n\n

La IA deber\u00eda mejorar la toma de decisiones, optimizar los procesos y abrir nuevas fuentes de ingresos. Sin informaci\u00f3n y an\u00e1lisis fiables procedentes de la IA, a las empresas les resulta dif\u00edcil identificar a tiempo las tendencias del mercado, optimizar las estrategias de fijaci\u00f3n de precios y desarrollar medidas que fomenten la conversi\u00f3n y la fidelizaci\u00f3n de los clientes: el 68 % de las empresas con menos del 50 % de datos centralizados afirman haber perdido oportunidades de venta debido a proyectos de IA fallidos o retrasados. <\/p>\n\n\n\n

Las ineficiencias de la IA no solo frenan la innovaci\u00f3n, sino que tambi\u00e9n aumentan los costes. En lugar de racionalizar los procesos y automatizar los flujos de trabajo, muchas empresas gastan m\u00e1s en infraestructura, mantenimiento y correcci\u00f3n de modelos de IA defectuosos. Muchas empresas est\u00e1n invirtiendo sus recursos en el mantenimiento de la infraestructura en lugar de en innovaci\u00f3n y crecimiento estrat\u00e9gico. Por ejemplo, el 38% de las empresas se quejan del aumento de los costes operativos como resultado de proyectos de IA fallidos.<\/p>\n\n\n\n

Clientes insatisfechos<\/h2>\n\n\n\n

Cuando la IA falla debido a la mala calidad de los datos, a problemas de integraci\u00f3n o a modelos obsoletos, la satisfacci\u00f3n del cliente tambi\u00e9n se resiente. Las empresas que conf\u00edan en la personalizaci\u00f3n y la automatizaci\u00f3n basadas en la IA -especialmente en sectores como el comercio minorista, las finanzas y la sanidad- corren el riesgo de socavar la confianza, reducir las tasas de conversi\u00f3n y da\u00f1ar la fidelidad a la marca a largo plazo. <\/p>\n\n\n\n

Las iniciativas de IA no fracasan por falta de datos, sino porque las empresas no pueden preparar, integrar y poner en funcionamiento estos datos de forma eficiente. Sin la infraestructura y los procesos adecuados, los proyectos de IA se estancan y consumen recursos sin aportar valor empresarial. Para liberar todo el potencial de la IA, las empresas deben abandonar el mantenimiento manual de los datos y pasar a la automatizaci\u00f3n. S\u00f3lo entonces podr\u00e1n los equipos centrarse en la innovaci\u00f3n respaldada por la IA en lugar de mantener la infraestructura. <\/p>\n\n\n\n

La centralizaci\u00f3n de los datos es un punto de partida crucial para el \u00e9xito de la implantaci\u00f3n de la IA, pero s\u00f3lo es el principio. Aunque el 57% de las empresas califican su estrategia de centralizaci\u00f3n de \"muy eficaz\", el 42% afirman que m\u00e1s de la mitad de sus proyectos de IA fracasan o rinden por debajo de lo esperado. Los datos centralizados manualmente pueden afectar al rendimiento de la IA debido a problemas estructurales y de calidad. Sin datos limpios y preparados para la IA, los modelos reciben datos incoherentes. Esto conduce a predicciones inexactas y conocimientos poco fiables. <\/p>\n\n\n\n

Para aprovechar todo el potencial de la IA, las empresas deben ir m\u00e1s all\u00e1 de la mera centralizaci\u00f3n. La preparaci\u00f3n automatizada de datos es un paso importante para garantizar que los modelos de IA reciban datos limpios y estructurados. Adem\u00e1s, las herramientas de validaci\u00f3n, depuraci\u00f3n y normalizaci\u00f3n contribuyen decisivamente a mejorar la calidad de los datos antes de introducirlos en los sistemas de IA. Por \u00faltimo, se requiere una supervisi\u00f3n continua para garantizar que los modelos de IA se entrenen siempre con informaci\u00f3n precisa y actualizada.<\/p>\n\n\n\n


Al directorio de socios:<\/p>\n\n\n\n

\"\"<\/a><\/figure>","protected":false},"excerpt":{"rendered":"

Empresas de todo el mundo han invertido miles de millones en su infraestructura de datos
\nNo obstante, la implantaci\u00f3n con \u00e9xito de la IA sigue siendo un camino lleno de baches.<\/p>","protected":false},"author":2706,"featured_media":152581,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"pmpro_default_level":"","footnotes":""},"categories":[2,12999,44209],"tags":[],"coauthors":[42073],"class_list":["post-152570","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-sap-nachrichten","category-kuenstliche-intelligenz","category-mag-25-07","pmpro-has-access"],"acf":[],"featured_image_urls_v2":{"full":["https:\/\/e3mag.com\/wp-content\/uploads\/2025\/07\/KI.jpg",1000,450,false],"thumbnail":["https:\/\/e3mag.com\/wp-content\/uploads\/2025\/07\/KI-150x150.jpg",150,150,true],"medium":["https:\/\/e3mag.com\/wp-content\/uploads\/2025\/07\/KI-400x180.jpg",400,180,true],"medium_large":["https:\/\/e3mag.com\/wp-content\/uploads\/2025\/07\/KI-768x346.jpg",768,346,true],"large":["https:\/\/e3mag.com\/wp-content\/uploads\/2025\/07\/KI.jpg",1000,450,false],"image-100":["https:\/\/e3mag.com\/wp-content\/uploads\/2025\/07\/KI-100x45.jpg",100,45,true],"image-480":["https:\/\/e3mag.com\/wp-content\/uploads\/2025\/07\/KI-480x216.jpg",480,216,true],"image-640":["https:\/\/e3mag.com\/wp-content\/uploads\/2025\/07\/KI-640x288.jpg",640,288,true],"image-720":["https:\/\/e3mag.com\/wp-content\/uploads\/2025\/07\/KI-720x324.jpg",720,324,true],"image-960":["https:\/\/e3mag.com\/wp-content\/uploads\/2025\/07\/KI-960x432.jpg",960,432,true],"image-1168":["https:\/\/e3mag.com\/wp-content\/uploads\/2025\/07\/KI.jpg",1000,450,false],"image-1440":["https:\/\/e3mag.com\/wp-content\/uploads\/2025\/07\/KI.jpg",1000,450,false],"image-1920":["https:\/\/e3mag.com\/wp-content\/uploads\/2025\/07\/KI.jpg",1000,450,false],"1536x1536":["https:\/\/e3mag.com\/wp-content\/uploads\/2025\/07\/KI.jpg",1000,450,false],"2048x2048":["https:\/\/e3mag.com\/wp-content\/uploads\/2025\/07\/KI.jpg",1000,450,false],"trp-custom-language-flag":["https:\/\/e3mag.com\/wp-content\/uploads\/2025\/07\/KI-18x8.jpg",18,8,true],"bricks_large_16x9":["https:\/\/e3mag.com\/wp-content\/uploads\/2025\/07\/KI.jpg",1000,450,false],"bricks_large":["https:\/\/e3mag.com\/wp-content\/uploads\/2025\/07\/KI.jpg",1000,450,false],"bricks_large_square":["https:\/\/e3mag.com\/wp-content\/uploads\/2025\/07\/KI.jpg",1000,450,false],"bricks_medium":["https:\/\/e3mag.com\/wp-content\/uploads\/2025\/07\/KI-600x270.jpg",600,270,true],"bricks_medium_square":["https:\/\/e3mag.com\/wp-content\/uploads\/2025\/07\/KI-600x450.jpg",600,450,true],"profile_24":["https:\/\/e3mag.com\/wp-content\/uploads\/2025\/07\/KI-24x24.jpg",24,24,true],"profile_48":["https:\/\/e3mag.com\/wp-content\/uploads\/2025\/07\/KI-48x48.jpg",48,48,true],"profile_96":["https:\/\/e3mag.com\/wp-content\/uploads\/2025\/07\/KI-96x96.jpg",96,96,true],"profile_150":["https:\/\/e3mag.com\/wp-content\/uploads\/2025\/07\/KI-150x150.jpg",150,150,true],"profile_300":["https:\/\/e3mag.com\/wp-content\/uploads\/2025\/07\/KI-300x300.jpg",300,300,true]},"post_excerpt_stackable_v2":"

Weltweit haben Unternehmen Milliarden in ihre Dateninfrastruktur investiert \u2013
\ndennoch bleibt die erfolgreiche Implementierung von KI ein holpriger Weg.<\/p>\n","category_list_v2":"Community Nachrichten<\/a>, K\u00fcnstliche Intelligenz<\/a>, MAG 25-07<\/a>","author_info_v2":{"name":"Tobias Knieper, Fivetran","url":"https:\/\/e3mag.com\/es\/author\/tobias-knieper\/"},"comments_num_v2":"0 comentarios","_links":{"self":[{"href":"https:\/\/e3mag.com\/es\/wp-json\/wp\/v2\/posts\/152570","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/e3mag.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/e3mag.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/e3mag.com\/es\/wp-json\/wp\/v2\/users\/2706"}],"replies":[{"embeddable":true,"href":"https:\/\/e3mag.com\/es\/wp-json\/wp\/v2\/comments?post=152570"}],"version-history":[{"count":14,"href":"https:\/\/e3mag.com\/es\/wp-json\/wp\/v2\/posts\/152570\/revisions"}],"predecessor-version":[{"id":152764,"href":"https:\/\/e3mag.com\/es\/wp-json\/wp\/v2\/posts\/152570\/revisions\/152764"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/e3mag.com\/es\/wp-json\/wp\/v2\/media\/152581"}],"wp:attachment":[{"href":"https:\/\/e3mag.com\/es\/wp-json\/wp\/v2\/media?parent=152570"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/e3mag.com\/es\/wp-json\/wp\/v2\/categories?post=152570"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/e3mag.com\/es\/wp-json\/wp\/v2\/tags?post=152570"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/e3mag.com\/es\/wp-json\/wp\/v2\/coauthors?post=152570"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}