AI-first company

Datos y herramientas · Adoptar

Ponga en orden sus propios registros antes de pedir a la IA que prediga a partir de ellos

Una IA que estima un precio, un tiempo o el siguiente paso aprende de sus trabajos y clientes anteriores. Primero consiga que esos registros estén completos, sean coherentes y estén en un solo lugar. En los casos de esta página, eso fue la mayor parte del trabajo.

Autor
Última revisión
Correcciones
Avisar de un error
Cuándo Hacer después. Cuando sus primeros usos de la IA ya estén en marcha.
Esfuerzo Medio (semanas, unas pocas personas)
Evidencia Emergente

Cuatro empresas cuentan que poner en orden sus propios registros fue un paso previo para que la IA funcionara, y dos dicen que fue la parte difícil. Las cifras son de las propias empresas o de un centro de apoyo, y ninguna compara un proyecto con y sin este paso.

Para
Sectores Todos los sectores
En la guía Herramientas y sistemas según el tamaño

Qué es

Antes de poner en marcha una herramienta de IA que aprende de su propio historial, revise los registros de los que aprenderá. Los registros tienen que estar completos, anotados siempre de la misma forma y guardados en un solo lugar. Si no lo están, arregle eso primero.

Estas herramientas estiman el precio de un trabajo nuevo a partir de trabajos anteriores, el tiempo que llevará una tarea a partir de tareas anteriores, o el siguiente paso con un cliente a partir del historial de ese cliente.

Un asistente de chat general que se usa para redactar no necesita este paso. Una herramienta que predice a partir de sus propios datos, sí.

Qué muestra la evidencia

Los casos de empresas que aparecen abajo, en “Casos de empresas”, son la base de este consejo. Ningún estudio lo ha puesto a prueba.

  • La limpieza fue el trabajo principal. Un taller metalúrgico de seis personas quería que la IA pusiera precio a piezas a medida a partir de su historial de producción. Una gran parte del proyecto se dedicó a preparar los registros. El propietario dice: “If the data is not clean, the tool will not be reliable.” [“Si los datos no están limpios, la herramienta no será fiable”]. Un presupuesto lleva ahora unos diez minutos, cuando a veces llevaba dos horas.
  • Hubo que crear los registros. Un fabricante de estructuras de acero anotaba a mano los tiempos de producción. Los tiempos de piezas idénticas diferían hasta 30 minutos, así que servían de poco. La primera mitad del proyecto fue una aplicación sencilla para que los trabajadores registraran los tiempos reales. El modelo de IA entrenado con esos tiempos se acercaba unas cinco veces más a la cifra real que los expertos de la empresa.
  • Un solo lugar para cada cliente. Una empresa de asesoramiento de dos personas funcionaba con correos y hojas de cálculo. La empresa señala que tener un único archivo por cliente, en lugar de archivos dispersos, fue una de las decisiones de las que dependió su proyecto. Una empresa de limpieza tenía a sus clientes en hojas de cálculo. La empresa pasó a sus clientes a un único sistema de gestión de clientes, y la IA de ese sistema sugiere ahora respuestas a partir del historial de cada cliente.
  • Si entran registros malos, salen respuestas equivocadas. Rite Aid dejó entrar imágenes de baja calidad en la base de datos con la que su sistema de reconocimiento facial comparaba a los clientes. El regulador dijo que eso hacía más probables las coincidencias falsas. Se acusó a clientes sin motivo, y a la cadena se le prohibió usar esa tecnología durante cinco años.

Donde ya existen registros largos y completos, este paso es corto. Una planta de chips tenía los registros de 1197 lotes de producción anteriores, cada uno con 3614 valores registrados. Un modelo de IA entrenado con ellos señaló dos pasos de producción que estropeaban chips.

Un proveedor de IA dice algo parecido a partir de sus propios datos. Anthropic, que vende el modelo de IA Claude, clasificó cómo usan las empresas el modelo. En su informe de septiembre de 2025 sostiene que lo que más frena el uso complejo es el acceso al contexto adecuado, más que el propio modelo. Es la lectura que hace el proveedor del uso de sus propios clientes, no una prueba.

Cómo hacerlo

  1. Nombre la única cosa que quiere predecir. El taller metalúrgico quería el precio de una pieza nueva. El fabricante de estructuras de acero quería el tiempo para laminar una chapa. Una sola predicción le dice qué registros importan.
  2. Haga una lista de los registros que necesita la predicción y de dónde están. Para el taller metalúrgico eran las entradas de su software de gestión, las listas de piezas, los archivos 3D y las rutas de fabricación estándar.
  3. Compruebe si puede fiarse de los registros. Tome diez trabajos anteriores idénticos o casi idénticos y compare lo que se registró. El fabricante de estructuras de acero encontró diferencias de hasta 30 minutos entre piezas idénticas. Eso le dijo que tenía que empezar de nuevo.
  4. Si el registro no es lo bastante bueno, empiece a registrar. Hágalo sencillo. El fabricante de estructuras de acero dividió un proceso en pasos y dio a los trabajadores una aplicación para registrar cada paso con su trabajo. Ajustó la aplicación con los trabajadores y los formó para usarla.
  5. Registre lo que ocurrió de verdad. Los expertos del fabricante sobrestimaban las tareas secundarias, como mover material. Una herramienta entrenada con estimaciones habría copiado ese error. Entrene con tiempos medidos, costos reales y resultados reales.
  6. Vincule cada registro con su trabajo o su cliente. El taller metalúrgico vinculó cada archivo 3D con el registro de cómo se fabricó la pieza. La empresa de asesoramiento puso todo lo relativo a un cliente en un solo archivo.
  7. Decida qué puede entrar. Fije un estándar mínimo para un registro nuevo y nombre a quien lo comprueba.
  8. Siga registrando cuando la herramienta ya funcione. El fabricante de estructuras de acero sigue registrando cada trabajo nuevo y actualiza su modelo con esos registros a intervalos regulares.

Qué medir

  • La diferencia entre los registros de trabajos idénticos, antes y después de la limpieza.
  • La proporción de trabajos anteriores con un registro completo.
  • Cuánto se alejan las predicciones de la herramienta de lo que ocurrió de verdad, en trabajos que no ha visto. Vea mida frente a una medición de partida.

Dónde falla

  • Limpiarlo todo. El fabricante de estructuras de acero limitó su proyecto a un proceso. Limpie los registros que necesita una predicción y siga adelante. Vea empiece por un proceso costoso.
  • Registros que el personal no mantiene. El centro que llevó el proyecto del fabricante de estructuras de acero cuenta que los problemas con las personas ralentizaron una y otra vez la recogida de datos y alargaron el proyecto. Haga que registrar sea rápido, e implique a las personas que lo hacen.
  • Nadie se encarga de los registros después. Las entradas nuevas vuelven al estándar antiguo. Nombre a una persona.
  • Empezar por la herramienta. Una herramienta comprada antes de revisar los registros se juzgará por respuestas que no podía acertar.

Según el tamaño de la empresa

  • Micro y pequeña: el propietario puede hacerlo. El propietario del taller metalúrgico llevó el proyecto él mismo con su asistente y sin ninguna consultora.
  • Mediana: elija un proceso y entregue sus registros a una persona concreta. Cuente con que reunir y limpiar los datos ocupe una gran parte del proyecto.
  • Mediana-grande y gran empresa: los registros suelen existir, repartidos en varios sistemas. El trabajo consiste en vincularlos y acordar una forma única de registrar en todos los centros y equipos.

Casos de empresas

Empresas que lo hicieron

Qué pasó sin ella

Fuentes

Ningún estudio publicado pone a prueba directamente esta práctica, así que se califica como Emergente. La calificación se basa en los casos de empresas de arriba y en las fuentes de abajo.

  1. Anthropic (15 September 2025). Anthropic Economic Index report. A report by an AI vendor on how its own customers use its model. anthropic.com