La información contradictoria en un panel puede ser algo que un empleado investigue. Según el artículo, un agente de IA ante la misma ambigüedad puede propagar el error resultante en su trabajo. Para que las organizaciones puedan confiar en los resultados generados por IA, los datos deben estar estructurados tanto para el uso de las máquinas como para ser gobernados y entendidos por las personas.
El artículo identifica cuatro requisitos para que los datos estén preparados para la IA. Deben ser confiables, con la procedencia, la titularidad, el historial de validación y las transformaciones trazables junto con los datos. Las reglas de gobernanza deben acompañar a los conjuntos de datos, en lugar de estar separadas en herramientas posteriores, donde los cambios pueden pasar inadvertidos. Esa trazabilidad también ayuda a las organizaciones a explicar los resultados de un modelo y asumir la responsabilidad por ellos.
Los datos también deben estar lo suficientemente actualizados para las decisiones que respaldan. Los usos operativos, como la detección de fraude o los ajustes de inventario, pueden requerir actualizaciones en cuestión de segundos, mientras que la planificación estratégica puede funcionar con datos diarios o semanales. Lo esencial es adaptar la actualización de los datos al momento en que se toma la decisión y dejar claro cualquier retraso.
Un vocabulario empresarial compartido es otro requisito. Términos como «ingresos» pueden referirse a medidas diferentes en distintos sistemas. Sin definiciones comunes y documentadas que se apliquen en la capa de datos, un modelo puede combinar medidas distintas como si significaran lo mismo.
Por último, los datos deben ser fáciles de encontrar y de utilizar para las máquinas. Los analistas suelen depender de su conocimiento de las tablas y los campos que deben usar, pero los agentes de IA no cuentan automáticamente con ese contexto institucional. Por eso, la organización de los datos y la forma de exponerlos son tan importantes como su contenido.
El artículo presenta los productos de datos como una forma de satisfacer estas necesidades. Un producto de datos es una unidad independiente, con titular y documentación, que incluye información como su esquema, calendario de actualización, política de acceso y significado empresarial. Esto ofrece a los agentes una manera coherente y legible por máquina de encontrar y recuperar datos.
Las organizaciones pueden exponer productos de datos mediante MCP, o Model Context Protocol, que el artículo describe como un estándar emergente para proporcionar a los agentes de IA acceso estructurado y sujeto a permisos a sistemas y fuentes de datos. Con este enfoque, un agente podría identificar un producto de datos «Customer Lifetime Value», comprender su contenido y vigencia, y recuperar información pertinente sin que una persona tenga que crear una integración personalizada o codificar una consulta de forma fija.
En cambio, las organizaciones que utilizan lagos de datos sin procesar ni diferenciar pueden tener que crear una capa de navegación para cada nuevo caso de uso antes de que los agentes puedan trabajar con los datos. El artículo sostiene que las empresas con productos de datos consolidados pueden reducir ese trabajo de preparación y la necesidad de intervención humana durante la inferencia.
Fuentes: TechRadar.