Respuesta directa: elija una empresa de datos y analytics para IA solo cuando pueda demostrar seis capacidades conectadas: definir la decisión de negocio, identificar fuentes autorizadas, establecer contratos de datos, medir calidad en el contexto real, preservar control y linaje y operar la fundación con responsables claros. No comience por lakehouse, plataforma o modelo. Comience por la decisión que debe mejorar, el dato que la sustenta y la evidencia de que el resultado puede reproducirse.
Los proyectos de IA fallan silenciosamente cuando una tabla parece completa pero no representa el proceso, las identidades no se reconcilian, las métricas tienen definiciones contradictorias o las transformaciones no pueden rastrearse. NIST recomienda documentar fuentes, orígenes, transformaciones, etiquetas, dependencias, limitaciones y metadatos. El socio correcto trata esa documentación como parte del producto operativo.
El Data Foundation Proof-6 de MAKINAI
Evalúe seis pruebas: Decisión, Fuente, Contrato, Calidad, Control y Operación. Puntúe cada una de cero a cuatro: cero, ausente; uno, promesa; dos, método documentado; tres, evidencia parcial; cuatro, ejecución reproducible. Exija al menos tres puntos en Fuente, Calidad y Control. Un dashboard elegante no compensa datos sin procedencia o una identidad de cliente imposible de auditar.
1. Prueba de Decisión: ¿qué acción debe mejorar el dato?
Pida convertir objetivos vagos en decisiones observables. “Personalizar mejor” debe definir qué cliente, momento, alternativas, evidencia, impacto permitido y acción posterior. “Predecir churn” debe indicar horizonte, población, costo del falso positivo, intervención y medición incremental. De lo contrario, el equipo optimiza una métrica técnica sin valor operativo.
- Evidencia exigible: dueño de la decisión; usuario; frecuencia; SLA; acción habilitada; valor esperado; error tolerado; segmentos; baseline; comparación; regla de parada. Alerta: casos de uso seleccionados porque coinciden con la herramienta del proveedor.
2. Prueba de Fuente: ¿el dato existe, puede usarse y representa la realidad?
El socio debe inventariar sistemas de origen, responsables, frecuencia, historia, granularidad, cobertura, restricciones, consentimiento y derechos de uso. Exija muestras reales antes de aceptar arquitectura o plazo. Datos de CRM, transacción, medios y atención pueden usar claves, calendarios y definiciones diferentes. La propuesta debe mostrar cómo resolverá las diferencias y qué gaps quedarán.
Pregunte quién creó cada dato, para qué propósito y en qué condiciones. NIST AI RMF y su Playbook relacionan procedencia con transparencia y accountability. No acepte “first party” como uso irrestricto. Una fuente interna puede tener finalidad incompatible, retención vencida, baja representación o acceso excesivo.
3. Prueba de Contrato: ¿cada conjunto tiene significado y expectativa verificable?
Exija contratos para entradas críticas: esquema, unidad, clave, zona horaria, dominio válido, nulidad, actualización, dueño, consumidor, SLA y cambio compatible. Cada transformación necesita versión y prueba. Cuando una fuente cambia columna, código o frecuencia, el sistema debe detectar impacto antes de alimentar modelo, agente, dashboard o activación.
Pida un glosario comercial vinculado al contrato técnico. Ingreso, cliente activo, conversión, pedido y lead necesitan definición, fuente, ventana y exclusiones. Si marketing, producto y finanzas calculan la misma métrica de tres maneras, la capa de IA solo acelera el conflicto. El proveedor debe facilitar decisiones, no esconderlas en SQL.
4. Prueba de Calidad: ¿el dato sirve para el contexto de uso?
La calidad no es una nota universal. Mida completitud, validez, actualidad, unicidad, consistencia y representación según la decisión. Una dirección incompleta puede tolerarse en análisis agregado y bloquear una entrega. Una muestra puede predecir el promedio y fallar en un segmento importante. NIST recomienda evaluar calidad, integridad y procedencia.
Pida perfilado, reglas por campo crítico, distribución de fallas, reconciliación con fuentes oficiales y evaluación por segmento. El proveedor debe mostrar el impacto de registros ausentes o atrasados. “99% de filas válidas” no basta si el 1% contiene clientes de mayor valor o la regla valida formato, pero no verdad comercial.
5. Prueba de Control: ¿identidad, acceso, privacidad y linaje siguen visibles?
El proyecto debe aplicar privilegio mínimo, separación de entornos, enmascaramiento, retención, eliminación, auditoría y aprobación de acceso. NIST Privacy Framework ayuda a identificar y gestionar riesgos de privacidad; la propuesta debe vincular esos riesgos con controles técnicos y responsables. Pregunte cómo una solicitud de eliminación atraviesa copias, features, vectores, modelos y exportaciones.
Exija linaje punta a punta: fuente, transformación, tabla, feature, modelo, respuesta, dashboard o activación. Registre versión de código, reglas, dataset y modelo. La prueba MAKINAI de reconciliación inversa parte de una decisión o cifra final y vuelve hasta registros de origen. Si el socio no explica diferencias, filtros y pérdida, la fundación no está lista.
6. Prueba de Operación: ¿quién mantiene la confianza después del lanzamiento?
Defina responsables de producto de datos, plataforma, seguridad, privacidad, calidad, modelo y uso comercial. Exija observabilidad, alertas, incidentes, costo, capacidad, cambios, backup, recuperación y deprecación. Monitoree no solo pipelines rotos, sino datos atrasados, distribuciones alteradas, métricas divergentes y salidas sin uso.
El contrato debe aclarar propiedad de código, modelos semánticos, catálogo, pruebas, features, documentación y datos derivados. Exija exportación, transferencia, capacitación y salida. Evite dependencia de una capa propietaria que impida reproducir la decisión fuera del proveedor. El activo estratégico es la capacidad operativa, no solo la plataforma.
Piloto recomendado de 10 a 12 semanas
Seleccione una decisión prioritaria y dos o tres fuentes. Documente baseline, contratos, privacidad y calidad. Luego construya una porción vertical hasta la decisión, con linaje y evaluación. Ejecute reconciliación inversa y simule fuente atrasada, campo modificado y eliminación de persona. Escale solo cuando usuarios adopten la salida, la calidad supere límites y el equipo interno pueda explicar el resultado.
Señales de alerta y próximo paso
- Arquitectura antes de decisión; migración completa como requisito; plazo sin muestra real; calidad reducida a completitud; sin glosario; identidad “resuelta por IA”; acceso administrativo amplio; privacidad solo legal; linaje prometido después; dashboard sin baseline; costo de nube ignorado; sin transferencia.
Estructure la contratación con https://makinai.co/insights/es/como-crear-rfp-servicios-ia, compare capacidad general en https://makinai.co/insights/es/como-elegir-empresa-implementar-ia-brasil-scorecard-30-puntos y diferencie sistemas de conocimiento en https://makinai.co/insights/es/como-elegir-empresa-rag-sistema-conocimiento-ia. MAKINAI conecta datos, contenido e inteligencia en https://makinai.co/services/es/datos-contenido-inteligencia-artificial.