Todos los insights
ES · Estrategia de IA y Transformación

Cómo evaluar la preparación de datos antes de contratar una empresa de IA

Compruebe acceso, calidad, derechos, representatividad, linaje y operación antes de adjudicar una implementación de IA.

Los flujos de datos atraviesan ocho controles de preparación y rutas de remediación antes del entorno de IA.
AI Data Readiness Evidence-8 convierte la preparación en evidencia verificable antes de contratar. · Generated with OpenAI

Los datos no tienen que ser perfectos antes de contratar una empresa de IA. Deben estar suficientemente conocidos, accesibles, autorizados y probados para que los proveedores estimen entrega, riesgo y resultado sin convertir supuestos en ampliaciones de alcance. Antes de adjudicar, demuestre el camino entre el caso de uso y una muestra representativa, con dueño, derechos, calidad, linaje, controles y actualización. Si no puede demostrarlo, compre un discovery de datos acotado, no una implementación completa.

No pregunte si la organización tiene muchos datos. Pregunte si tiene la evidencia correcta para esta decisión en las condiciones reales de operación. Un repositorio enorme puede ser inútil por falta de permisos, cobertura o vigencia; una colección menor puede sostener un piloto controlado si representa el trabajo y permite una evaluación reproducible.

AI Data Readiness Evidence-8: matriz de 32 puntos

Califique cada prueba de cero a cuatro: cero es desconocida; uno, afirmación; dos, muestra o proceso parcial; tres, evidencia consistente con dueño y plan de brechas; cuatro, evidencia reproducida con un finalista. Como puerta orientativa, exija 24 de 32, ningún cero y al menos tres en derechos, seguridad y representatividad antes de implementar. Ajuste los pesos al riesgo del caso.

  • Resultado y decisión — tarea, usuario, acción, línea base, error tolerable y valor medible están definidos.
  • Fuentes y ownership — sistemas de origen, dueños, contratos, terceros y responsabilidades son conocidos.
  • Acceso y permisos — finalidad, autoridad, entornos, retención, eliminación y restricciones de uso están aprobados.
  • Calidad y perfil — completitud, validez, duplicación, vigencia, consistencia y extremos se miden por segmento.
  • Cobertura y representatividad — períodos, regiones, canales, grupos, excepciones y condiciones adversas reflejan el uso.
  • Linaje y procedencia — origen, transformaciones, versiones, etiquetas, contenido sintético y restricciones son trazables.
  • Seguridad y privacidad — clasificación, minimización, segregación, acceso, registros, desidentificación e incidentes son operables.
  • Pipeline y operación — ingesta, actualización, monitoreo, drift, corrección, rollback, costo y dueño de producción son ejecutables.

Seis criterios que bloquean una implementación completa

  • Ningún dueño responsable puede autorizar la fuente principal.
  • Los derechos, la finalidad o las restricciones contractuales siguen desconocidos.
  • La propuesta exige datos sensibles en un entorno no aprobado.
  • No existe una muestra que represente el proceso y sus excepciones materiales.
  • Las etiquetas, el ground truth o los criterios de corrección no son reproducibles.
  • Producción depende de una actualización manual sin dueño, frecuencia ni costo.

Un bloqueo no implica abandonar la IA. Cambia la compra. Se puede contratar inventario, perfilado, regularización de acceso, diseño de evaluación o un piloto controlado. El error comercial es pagar implementación para descubrir tarde que el insumo decisivo no existe o no puede utilizarse.

Exija ocho artefactos comparables

  • Brief de decisión que conecta dato, usuario, acción, riesgo y métrica.
  • Inventario de fuentes con dueño, finalidad, volumen, frecuencia y restricciones.
  • Matriz de acceso por persona, sistema, entorno y fase.
  • Informe de perfilado con reglas, segmentos, excepciones y fecha de medición.
  • Ficha de linaje con origen, transformaciones, versiones y dependencias.
  • Plan de conjuntos de desarrollo, evaluación y holdout sin fugas.
  • Backlog de remediación con impacto, responsable, costo y ruta crítica.
  • Plan operativo de actualización, observabilidad, incidentes y retiro.

Pruebe al proveedor con una defensa de datos de 90 minutos

Entregue a cada finalista la misma muestra enmascarada y el mismo brief. Reserve 30 minutos para perfil y riesgos; 20 para proponer la separación de evaluación; luego introduzca una definición modificada, un segmento subrepresentado y una fuente atrasada. En los 20 minutos finales, exija un plan actualizado, impacto en costo y plazo y una recomendación: implementar, remediar o parar. Evalúe razonamiento, preguntas, reproducibilidad y protección, no la estética del dashboard.

Elija implementación, discovery o stop

  • Implementar — las pruebas críticas están en tres o cuatro, las brechas tienen dueños y el pipeline es viable.
  • Discovery acotado — el valor es plausible, pero acceso, perfil, cobertura o evaluación requieren prueba; compre los ocho artefactos con plazo y precio máximos.
  • Parar o rediseñar — derechos, representatividad, seguridad o capacidad operativa no tienen una ruta aceptable, o los datos no sostienen la decisión.

Decida por caso de uso, no por empresa. El mismo corpus puede estar preparado para búsqueda interna con revisión humana y ser inadecuado para una decisión automatizada de alto impacto. Reevalúe cuando cambien finalidad, población, fuente, modelo, autonomía o entorno.

Contexto de América Latina

Involucre desde el inventario a privacidad, seguridad, jurídico y especialistas sectoriales de los países relevantes. Documente roles de tratamiento, finalidad, necesidad, retención, transferencias, acceso y subcontratistas. Las reglas varían entre jurisdicciones y sectores. Una base técnicamente limpia no está preparada si el uso no está autorizado; la documentación legal tampoco sustituye calidad, cobertura y evaluación.

Señales de alerta en la propuesta

  • El proveedor promete limpiar después sin medir primero la brecha.
  • El precio excluye integración, etiquetado, evaluación, gobierno u operación.
  • La calidad se resume en un promedio sin segmentos ni casos adversos.
  • Los datos de evaluación pueden contaminar desarrollo o prompts.
  • No se identifica procedencia ni contenido sintético.
  • La solución depende de extracciones manuales sin dueño de producción.
  • El socio pide una copia amplia antes de definir minimización y controles.

Lleve la preparación al RFP y al contrato

Entregue a los competidores el mismo brief, diccionario mínimo y perfil agregado sin revelar datos personales o secretos más allá de lo necesario. Exija que cada propuesta separe hechos, supuestos, dependencias del cliente y remediación; cotice escenarios; identifique responsables; y vincule el primer hito de pago con la reproducción de la línea base y el conjunto de evaluación. Aplique control de cambios cuando varíen fuente, finalidad, población o actualización.

Conecte los datos con las demás decisiones de compra

Use https://makinai.co/insights/es/conviene-pagar-discovery-ia-antes-implementacion para elegir la fase inicial, https://makinai.co/insights/es/como-evaluar-cronograma-proyecto-ia-realista para exponer dependencias, https://makinai.co/insights/es/como-elegir-empresa-evaluacion-pruebas-ia para diseñar la evaluación y https://makinai.co/insights/es/due-diligence-seguridad-contratar-empresa-ia para profundizar accesos y terceros.

Cuándo involucrar a MAKINAI

MAKINAI puede realizar un diagnóstico breve, normalizar evidencia de proveedores y convertir brechas de datos en alcance, puertas, economía y una decisión defendible antes de implementar. Conozca https://makinai.co/services/es/consultoria-estrategia-ia-transformacion.

Fuentes y referencias

  1. GAO — Artificial Intelligence Accountability Framework · U.S. Government Accountability Office

    Organiza la rendición de cuentas de IA en gobierno, datos, desempeño y monitoreo, con preguntas para gestores y evaluadores independientes.

    2026-09-09
  2. NIST AI RMF Core · National Institute of Standards and Technology

    Exige documentar contexto, disponibilidad, representatividad y adecuación de los datos, pruebas reproducibles y monitoreo durante el ciclo de vida.

    2026-09-09
  3. NIST AI RMF — Generative AI Profile · National Institute of Standards and Technology

    Recomienda examinar integridad, procedencia, origen, privacidad y otros riesgos de los datos usados por sistemas generativos.

    2026-09-09
  4. UK Government — Artificial Intelligence Playbook · UK Government

    Considera calidad, disponibilidad, gobierno, legalidad y ubicación de los datos como fundamentos del diseño y la operación de IA.

    2026-09-09
  5. GSA — Starting an AI Project · U.S. General Services Administration

    Orienta alinear casos de uso, equipos de datos y objetivos antes de implementar y explicitar las brechas de capacidad.

    2026-09-09
Making connections

Siga explorando

Estrategia de IA y Transformación

Empresa de IA local, nearshore u offshore: cómo elegir el modelo de entrega

Leer insight
Estrategia de IA y Transformación

Cómo definir el gobierno y desempeño de un proveedor de IA antes de contratar

Leer insight
Estrategia de IA y Transformación

Cómo evaluar el ROI prometido por una consultora de IA antes de contratar

Leer insight
Capacidad relacionada

Estrategia de IA y transformación

Una consultora de transformación con IA debe responder cuatro preguntas antes de recomendar tecnología: dónde existe valor de negocio, qué capacidades y datos se necesitan, cómo se controlará el riesgo y quién operará el cambio. MAKINAI conecta esas respuestas en un plan ejecutable con prioridades, responsables, métricas y decisiones de escala.

Conocer esta capacidad