Cómo preparar los datos de tu pyme para la IA

Introducción

En muchos proyectos de inteligencia artificial en pymes, el cuello de botella no es la tecnología, sino el estado real de los datos disponibles (Centro Común de Investigación [JRC], 2024). La mayoría de las empresas descubre ese problema tarde, cuando ya ha dedicado tiempo y recursos a analizar casos de uso o a comparar soluciones técnicas, y la conversación se desplaza de “qué podemos automatizar” a “con qué datos contamos en realidad” (Tribunal de Cuentas Europeo, 2024).

La evidencia reciente muestra que la adopción de IA está creciendo con rapidez en las empresas europeas, pero la integración profunda en los procesos es todavía minoritaria (Banco Central Europeo, 2026). En ese contexto, la disponibilidad, calidad y gobernanza de los datos internos se han convertido en una de las barreras más citadas para pasar de la experimentación a un uso estructural de la IA en pymes (Centro Común de Investigación [JRC], 2024; Eurostat, 2025b). Este artículo se centra exclusivamente en esa dimensión: qué condiciones debe cumplir un conjunto de datos para ser utilizable y cómo puede una pyme evaluar, sin herramientas sofisticadas, si está preparada.

Estado de la cuestión: datos en las pymes europeas

Grado de digitalización y dispersión de la información

Según los indicadores de intensidad digital de Eurostat, en 2024 el 73 % de las pequeñas y medianas empresas de la UE alcanzó al menos un nivel básico de intensidad digital, frente al 98 % de las grandes empresas (Eurostat, 2025a). Esa “intensidad digital” mide la presencia de prácticas como el uso de software de gestión, comercio electrónico, analítica de datos o servicios en la nube, pero no garantiza por sí misma que los datos estén integrados ni bien estructurados (Eurostat, 2025a).

En España, los informes de la Década Digital indican que alrededor del 60–61 % de las pymes alcanzó un nivel básico de intensidad digital en 2023, por encima de la media europea pero con un crecimiento anual aún insuficiente para llegar al objetivo del 90 % en 2030 (Comisión Europea [CE], 2024). Al mismo tiempo, el país muestra una adopción relativamente baja de servicios en la nube en comparación con la media europea, lo que contribuye a que los datos empresariales sigan fragmentados entre sistemas locales, documentos y aplicaciones heterogéneas (Comisión Europea [CE], 2024).

Uso de hojas de cálculo frente a sistemas estructurados

Los estudios de la OCDE sobre pymes y analítica de datos muestran que las pequeñas empresas dependen en gran medida de hojas de cálculo y soluciones ofimáticas básicas para registrar operaciones, frente al uso sistemático de software ERP y bases de datos que predomina en las grandes compañías (OCDE, 2019). Esta dependencia de hojas de cálculo facilita cierta flexibilidad, pero suele acompañarse de problemas como versiones paralelas del mismo fichero, ausencia de normas de registro y falta de trazabilidad sobre quién actualizó qué dato (OCDE, 2019).

Adicionalmente, se observa que las pymes tienden a implementar soluciones digitales por capas, añadiendo aplicaciones específicas (facturación, CRM, almacén) sin una estrategia clara de integración de datos (OCDE, 2021). El resultado típico es una dispersión de información entre el ERP, varios programas sectoriales, hojas de cálculo, correos electrónicos y documentos PDF escaneados, justo la situación que describe la mayoría de pymes que se plantean un proyecto de IA.

Los problemas de datos como barrera para la IA

La relación entre datos y adopción de IA está bien documentada en informes recientes de la UE y sus agencias. La encuesta de Eurostat sobre uso de IA en empresas señala que, entre las razones para no adoptar IA, las dificultades con la disponibilidad o la calidad de los datos necesarios aparecen de forma consistente junto a la falta de capacidades internas y los problemas de compatibilidad con los sistemas existentes (Eurostat, 2025b). Aunque la encuesta distingue entre motivos como “costes demasiado altos” y “falta de datos adecuados”, ambos se refieren a restricciones estructurales, no a falta de interés tecnológico (Eurostat, 2025b).

El Centro Común de Investigación, en un estudio sobre la red de European Digital Innovation Hubs, identifica a la calidad y disponibilidad de los datos de los clientes como el principal obstáculo para implementar soluciones de IA: el 60 % de los hubs menciona la falta de datos adecuados en las pymes a las que asesora, y el 94 % de las empresas encuestadas considera el acceso a datos un problema para adoptar IA (Centro Común de Investigación [JRC], 2024). El Comité Económico y Social Europeo también resume los obstáculos de las micro, pequeñas y medianas empresas en cinco categorías, incluyendo explícitamente “datos” y señalando que muchas pymes carecen de prácticas de gestión de datos que permitan integrarlos, armonizarlos y etiquetarlos para entrenar sistemas automatizados (Comité Económico y Social Europeo, 2021).

Por último, el Banco Central Europeo, a partir de datos armonizados de doce países del área del euro, muestra que las barreras dominantes para la adopción de IA son la escasez de capacidades, las preocupaciones sobre datos, privacidad y ética, y la incompatibilidad con sistemas existentes, mientras que la idea de que la IA “no es útil” para la empresa es minoritaria (Banco Central Europeo, 2026). Estos resultados apuntan a que el problema de datos no es anecdótico, sino estructural y especialmente acusado en las pymes.

Análisis: dimensiones de datos utilizables

Para que un conjunto de datos sea utilizable en un proyecto de IA en una pyme, no basta con que exista en formato digital. Debe cumplir unas condiciones mínimas en varias dimensiones: accesibilidad, estructura, calidad, historial y gobernanza. A continuación se describen cada una y se proponen formas de evaluarlas con medios sencillos.

Accesibilidad: poder extraer y reutilizar

La accesibilidad se refiere a si los datos pueden extraerse del sistema donde residen y utilizarse en otros contextos sin romper procesos ni depender de una sola persona. Un dato registrado en un ERP puede ser accesible o no, según exista un mecanismo claro para exportarlo a CSV o Excel, o para consultarlo mediante informes parametrizables. Del mismo modo, un dato en una hoja de cálculo puede ser inaccesible si está en un fichero que solo abre una persona y nadie sabe dónde se guarda la versión actual.

En la práctica, evaluar la accesibilidad en una pyme puede hacerse con tres pasos sencillos: elaborar un listado de sistemas y documentos relevantes, identificar para cada uno si existe una opción de exportación o impresión en formato reutilizable, y comprobar quién tiene permisos reales para ejecutar esa exportación. No hace falta software especializado: basta con revisar menús del ERP, de las aplicaciones sectoriales y de las herramientas ofimáticas, y hacer una prueba de extracción con un periodo pequeño, por ejemplo un mes de datos de facturación. Si esa prueba resulta difícil o depende de un técnico externo que tarda semanas en responder, la accesibilidad es baja aunque la empresa esté oficialmente “digitalizada”.

Estructura: campos definidos frente a texto libre

La estructura de los datos determina qué tipo de modelos y automatizaciones pueden construirse. Los datos estructurados, con campos bien definidos (por ejemplo importe, fecha, cliente, producto, forma de pago), permiten hacer modelos de predicción, segmentaciones y reglas automatizadas con relativa facilidad. En cambio, los datos en texto libre o mezclados en documentos PDF requieren procesos previos de extracción y normalización para ser útiles.

En una pyme, la evaluación de la estructura puede abordarse seleccionando tres procesos clave (por ejemplo ventas, compras y atención al cliente) y listando los campos que se registran en cada uno. Si en ventas los datos están en una tabla con columnas claras y sin mezclar varios conceptos en el mismo campo, hablamos de estructura razonable; si en atención al cliente la información se guarda solo en correos electrónicos o notas libres, la estructura es baja. En hojas de cálculo, conviene revisar si todas las filas representan la misma entidad (una factura, un pedido), si las columnas tienen encabezados únicos y si se evita introducir comentarios dentro de las celdas de datos. Esta revisión puede hacerla cualquier responsable administrativo con apoyo puntual de alguien que domine las hojas de cálculo.

Calidad: completitud, coherencia y duplicados

La calidad de los datos abarca varias dimensiones: que los campos estén rellenos cuando es necesario (completitud), que se usen criterios coherentes a lo largo del tiempo (por ejemplo los mismos códigos de producto), y que no existan duplicados que dificulten el análisis. Diversos informes señalan que entre el 60 % y el 80 % del coste de implementar soluciones de IA se destina a tareas de agregación, limpieza y etiquetado de datos, más que a los algoritmos en sí (Comité Económico y Social Europeo, 2021).

En una pyme, evaluar la calidad sin herramientas avanzadas implica seleccionar una muestra razonable de registros (por ejemplo todas las facturas de un trimestre) y revisar, con filtros de la propia hoja de cálculo o del ERP, cuántos campos clave están vacíos, cuántos valores “extraños” aparecen (como códigos inventados o fechas imposibles) y cuántos registros parecen duplicados. También conviene comprobar si existen normas explícitas sobre cómo introducir datos, o si cada persona usa sus propios criterios. Una empresa puede tener datos digitalizados y aun así estar lejos de poder usarlos en un modelo de IA porque esos datos están incompletos, mezclan formatos o contienen errores sistemáticos.

Historial: profundidad temporal y estabilidad

La dimensión de historial se refiere a cuánta profundidad temporal tienen los datos y hasta qué punto esa historia es estable y comparable en el tiempo. Para entrenar modelos de predicción sobre ventas, impagos o carga de trabajo, suele ser necesario disponer de varios años de datos consistentes, mientras que para automatizaciones de lectura de documentos basta con tener representadas las distintas variantes de esos documentos, aunque el volumen histórico sea menor.

La evaluación del historial puede hacerse respondiendo a tres preguntas para cada conjunto de datos: desde cuándo se registra esa información de manera más o menos homogénea; si ha habido cambios importantes de sistema o de criterios de registro que rompan la serie; y qué horizonte temporal considera relevante la propia pyme para tomar decisiones (por ejemplo ciclos estacionales de uno o dos años). No es un requisito tener décadas de datos: lo importante es saber si el historial existente cubre los patrones que la empresa necesita y si es interpretable sin saltos que hagan imposible compararlo.

Gobernanza: responsabilidades, permisos y base legal

La gobernanza de los datos combina cuestiones organizativas y legales: quién es responsable de un conjunto de datos, quién puede modificarlos, qué base legal permite tratarlos y bajo qué condiciones pueden compartirse dentro de la empresa o con terceros. Informes sobre la ambición europea en IA subrayan que la falta de gobernanza clara y de capacidades para gestionar aspectos como trazabilidad, documentación o cumplimiento normativo es especialmente problemática en pymes (Tribunal de Cuentas Europeo, 2024).

Para evaluar la gobernanza en una pyme, es útil elaborar un mapa simple donde cada conjunto de datos importante (por ejemplo clientes, empleados, facturas, contratos) tenga asignada una persona o rol responsable y unas reglas básicas de acceso y corrección. Sin entrar en el detalle jurídico, conviene que la empresa pueda responder a preguntas como: quién decide qué datos de clientes se conservan y durante cuánto tiempo; quién puede corregir un error en una factura registrada; cómo se documentan las modificaciones de datos sensibles; y qué criterios se siguen para compartir datos con herramientas externas. Si esas respuestas dependen únicamente “de la persona que lleva esto desde hace años”, el riesgo de bloqueo en cualquier proyecto de IA es elevado.

Discusión: errores frecuentes al preparar datos

Un error común consiste en pensar que, para hacer un proyecto de IA, primero hay que centralizar todos los datos de la empresa en un único sistema o lago de datos. En muchas pymes, esa aspiración se traduce en proyectos largos, costosos y con poca relación directa con los casos de uso de negocio, que acaban paralizando la adopción de la propia IA. La evidencia disponible sugiere que, para la mayoría de pymes, el problema no es tanto la falta de volumen de datos como la ausencia de criterios claros sobre qué datos son críticos para cada proceso y cómo se registran (Centro Común de Investigación [JRC], 2024).

Otro error habitual es subestimar el trabajo manual necesario para poner en orden los datos. Tanto los estudios del Comité Económico y Social Europeo como los informes de la OCDE advierten que los costes “ocultos” de agregación, limpieza y etiquetado de datos representan una parte sustancial del esfuerzo de implantación de IA en pymes (Comité Económico y Social Europeo, 2021; OCDE, 2019). Cuando este esfuerzo no se reconoce desde el principio, es fácil que los equipos internos perciban el proyecto como una “carga administrativa extra” y que se generen resistencias.

Un tercer error es asumir que todos los datos deben estar perfectos antes de empezar, sin distinguir entre requisitos mínimos para un piloto y condiciones deseables a largo plazo. Eso lleva a retrasar indefinidamente cualquier experimento, mientras otras empresas avanzan con modelos basados en subconjuntos de datos razonablemente limpios. La literatura sobre adopción de IA en el área del euro muestra que muchos proyectos exitosos han comenzado con usos acotados sobre procesos concretos, en los que se ha trabajado primero sobre los datos más relevantes para ese proceso (Banco Central Europeo, 2026).

Cuándo no hace falta un proyecto de datos previo

Existe también el caso contrario al tópico: situaciones en las que no es necesario un gran proyecto previo de datos para empezar a usar IA. Por ejemplo, en tareas centradas en la lectura automática de documentos (facturas, albaranes, correos) para extraer información y trasladarla entre sistemas, la clave no es tanto la calidad histórica de los datos en el ERP como la accesibilidad a los documentos actuales y la definición clara de qué campos se necesitan. En estos casos basta con que la empresa pueda proporcionar un conjunto representativo de documentos en formato digital y consensuar qué información quiere extraer.

Asimismo, cuando se plantean usos de IA como asistentes de consulta sobre procedimientos internos o bases de conocimiento, el requisito principal es disponer de documentos relativamente coherentes (manuales, instrucciones, modelos de contrato) y poder indexarlos, más que tener registros estructurados de años de operaciones. En estas situaciones, un proyecto de datos previo centrado en unificar todas las fuentes de información operativa puede ser desproporcionado: es preferible empezar con los corpus documentales clave y dejar para más adelante la integración completa de los sistemas transaccionales. Lo importante es distinguir cuándo el valor de la IA depende de patrones estadísticos en grandes volúmenes de datos y cuándo se apoya sobre capacidades de comprensión de lenguaje y extracción de campos.

Conclusiones: secuencia mínima de preparación

A partir de las dimensiones anteriores, una secuencia mínima de preparación de datos para una pyme podría estructurarse en los siguientes pasos:

1. Acotar el proceso de negocio objetivo. Aunque este artículo no entra en detalle sobre priorización de casos de uso, es necesario elegir un proceso concreto (por ejemplo facturación recurrente, gestión de cobros o atención a consultas) para poder evaluar qué datos son relevantes.

2. Inventariar las fuentes de datos relacionadas. Para ese proceso, listar sistemas, hojas de cálculo, documentos y correos donde se genera o registra información, indicando quién los usa y con qué frecuencia.

3. Evaluar accesibilidad y estructura. Probar exportaciones de datos, comprobar formatos, revisar encabezados de columnas y tipos de campos, y detectar dónde la información clave está solo en texto libre o en documentos difíciles de procesar.

4. Revisar la calidad básica. Sobre una muestra de datos, identificar campos vacíos, errores evidentes y duplicados, y documentar las normas de registro existentes, aunque sean informales. No se trata de limpiar todo, sino de conocer el estado real.

5. Analizar historial y relevancia temporal. Ver desde cuándo se registran los datos de forma homogénea, qué cambios de sistema ha habido y qué horizonte temporal necesita la empresa para ese caso de uso.

6. Asignar responsabilidades y reglas mínimas de gobernanza. Designar responsables para cada conjunto de datos, fijar criterios simples de acceso y corrección, y aclarar la base legal general para tratar esos datos dentro de la empresa y, si procede, con proveedores de tecnología.

Se puede considerar que un dato está “listo” para un primer proyecto de IA cuando: es accesible sin depender de una única persona; tiene una estructura suficiente para el tipo de modelo o automatización prevista; presenta un nivel aceptable de completitud y coherencia para el periodo analizado; cuenta con un historial que cubre el horizonte temporal relevante; y hay una persona o rol responsable capaz de validar y corregir errores. No significa que los datos sean perfectos, sino que la empresa conoce sus limitaciones y puede trabajar sobre ellos de forma iterativa, sin descubrir el problema de datos demasiado tarde.

Referencias

Banco Central Europeo [BCE]. (2026). Adoption and investment in AI across the euro area: Insights from harmonised firm-level data (Occasional Paper 395). https://www.ecb.europa.eu/pub/pdf/scpops/ecb.op395.en.pdf

Centro Común de Investigación [JRC]. (2024). Advancing AI adoption: Strengths and gaps in the European Digital Innovation Hubs network. https://publications.jrc.ec.europa.eu/repository/handle/JRC141305

Comisión Europea [CE]. (2024). Spain 2024 Digital Decade Country Report. https://digital-strategy.ec.europa.eu/en/factpages/spain-2024-digital-decade-country-report

Comité Económico y Social Europeo. (2021). Boosting the use of Artificial Intelligence in Europe's micro, small and medium-sized enterprises. https://www.eesc.europa.eu/sites/default/files/files/qe-02-21-953-en-n.pdf

Eurostat. (2025a). Digitalisation in Europe – 2025 edition. https://ec.europa.eu/eurostat/web/interactive-publications/digitalisation-2025

Eurostat. (2025b). Usage of AI technologies increasing in EU enterprises (DDN-20250123-3). https://ec.europa.eu/eurostat/web/products-eurostat-news/w/ddn-20250123-3

OCDE. (2019). Data Analytics in SMEs (OECD SME and Entrepreneurship Papers, No. 15). https://www.oecd.org/publications/data-analytics-in-smes-1de6c6a7-en.htm

OCDE. (2021). The Digital Transformation of SMEs (OECD Studies on SMEs and Entrepreneurship). OECD Publishing. https://www.oecd.org/en/publications/the-digital-transformation-of-smes_bdb9256a-en.html

Tribunal de Cuentas Europeo. (2024). EU Artificial intelligence ambition: Special report 08/2024. https://www.eca.europa.eu/en/publications/sr-2024-08