La IA se encuentra con su próximo obstáculo: las empresas tienen tecnología, pero les falta contexto
El 93% de los equipos españoles de atención al cliente estudia incorporar inteligencia artificial, según HubSpot, pero solo el 39% dispone de un historial completo y centralizado de sus clientes. La calidad y conexión de los datos emerge como una de las grandes barreras para pasar de experimentar con IA a obtener resultados.
NOTICIA
Durante los últimos años, buena parte de la conversación empresarial sobre inteligencia artificial ha girado alrededor de una pregunta: ¿cómo podemos utilizarla?
La siguiente empieza a ser bastante más difícil: ¿con qué información va a trabajar?
A medida que la inteligencia artificial deja de funcionar únicamente como un asistente para redactar, resumir o responder preguntas y empieza a intervenir en procesos de negocio, la calidad del contexto al que puede acceder se convierte en una variable determinante.
Los últimos datos de HubSpot reflejan esa contradicción. Según un estudio de la compañía, el 93% de los equipos españoles de atención al cliente ya está evaluando incorporar inteligencia artificial, pero únicamente el 39% dispone de un historial centralizado y completo de cada cliente.
Casi uno de cada cuatro reconoce, además, que ni siquiera accede de manera consistente a esa información.
La distancia entre ambos porcentajes revela uno de los problemas que empieza a emerger en esta segunda etapa de adopción de la IA: las organizaciones pueden estar incorporando inteligencia artificial más rápido de lo que están preparando la información necesaria para que funcione bien.
Automatizar es relativamente fácil. Dar contexto es otra cosa
La diferencia adquiere mayor importancia con la llegada de los agentes de IA.
Estas herramientas empiezan a asumir tareas que requieren algo más que generar una respuesta: pueden cualificar oportunidades comerciales, preparar reuniones, recomendar acciones, gestionar consultas o participar en determinados procesos de forma cada vez más autónoma.
Pero para tomar decisiones útiles necesitan comprender qué ha ocurrido antes.
El historial de un cliente, sus conversaciones anteriores, las oportunidades comerciales abiertas, las incidencias pendientes o las decisiones adoptadas por otros departamentos forman parte de un contexto que tradicionalmente ha permanecido distribuido entre diferentes herramientas y equipos.
Una IA que no puede acceder a esa información puede seguir siendo productiva en términos de volumen. Lo que resulta mucho más difícil es que sea relevante.
Los datos vuelven al centro de la conversación
La dificultad no parece exclusiva de las empresas españolas.
HubSpot cita una encuesta realizada por KPMG entre líderes empresariales estadounidenses a principios de 2025 en la que el 85% señalaba la calidad de los datos organizativos como el principal desafío para sus estrategias de inteligencia artificial.
También recoge una previsión de Gartner según la cual el 60% de los proyectos de IA que no estuvieran respaldados por datos preparados para esta tecnología serían abandonados durante 2026.
Ambas referencias apuntan hacia una conversación menos llamativa que la aparición de nuevos modelos o agentes, pero probablemente más importante para las organizaciones: la infraestructura de datos condicionará hasta dónde puede llegar realmente la inteligencia artificial.
Durante años, digitalizar significó fundamentalmente acumular información. El reto actual consiste en conseguir que esa información esté estructurada, conectada, actualizada y disponible cuando una persona —o una IA— necesita utilizarla.
De herramientas aisladas a una inteligencia que conoce la organización
Este cambio está impulsando también una evolución de las plataformas empresariales.
HubSpot denomina “Plataformas Agénticas de Clientes” a un modelo en el que los datos del negocio, el historial del cliente y los procesos se encuentran conectados para que puedan ser utilizados tanto por los profesionales como por diferentes agentes de inteligencia artificial.
Más allá de la denominación comercial, el principio resulta relevante: si cada agente trabaja con una versión distinta de la realidad, la automatización puede multiplicar también las inconsistencias de la organización.
El desafío, por tanto, ya no consiste únicamente en desplegar agentes especializados, sino en conseguir que todos ellos trabajen sobre una base común de información.
“Cuando la IA comprende el historial del cliente, conoce el estado real del negocio y comparte información con el resto de los equipos, deja de ser una herramienta aislada para convertirse en un auténtico acelerador del crecimiento”, explica Diego Santos, Head de Marketing de HubSpot para España y Latinoamérica.
Una lección que también afecta a Recursos Humanos
Aunque los datos de HubSpot proceden del ámbito de atención al cliente, la reflexión resulta fácilmente trasladable a la gestión de personas.
Las empresas empiezan a utilizar inteligencia artificial en selección, aprendizaje, planificación de plantillas, movilidad interna, análisis de competencias o atención al empleado. Y en todos esos ámbitos aparece el mismo problema.
Un algoritmo puede ser sofisticado y trabajar, al mismo tiempo, con una visión incompleta de la organización.
Si las competencias están mal definidas, la información sobre los profesionales permanece repartida entre distintos sistemas o los datos no están actualizados, incorporar IA no elimina esas deficiencias. Puede hacerlas más visibles e incluso amplificarlas.
Por eso, una parte importante del trabajo que espera a los departamentos de Recursos Humanos probablemente será menos espectacular que desplegar nuevos agentes: ordenar datos, revisar procesos, definir permisos, establecer criterios de gobierno y decidir qué información puede utilizar la inteligencia artificial y para qué.
La madurez en IA empieza antes de la IA
La primera etapa de la inteligencia artificial empresarial estuvo marcada por la experimentación. Muchas organizaciones necesitaban descubrir qué podía hacer la tecnología.
La siguiente parece exigir algo diferente: preparar la organización para que pueda hacerlo bien.
Eso implica tecnología, pero también arquitectura de datos, gobierno, procesos y responsabilidades claras.
La paradoja es que algunas de las empresas que más rápidamente quieran avanzar con inteligencia artificial pueden descubrir que su principal freno no está en la capacidad de los modelos.
Está en todo aquello que ya existía antes de que llegara la IA.
Y quizá esa sea una de las lecciones más relevantes de esta nueva etapa: la inteligencia artificial puede aprender mucho sobre una empresa, pero primero la empresa tiene que ser capaz de explicarse a sí misma.