La infraestructura de datos, no la inversión en IA, frena la adopción

¿Qué ha ocurrido?

Un estudio reciente de TechRadar (fiabilidad 72/100) advierte que la mayoría de las organizaciones no tienen un problema de inversión en inteligencia artificial, sino un problema de datos. La infraestructura existente 'no fue diseñada para inteligencia continua', lo que significa que todas las empresas, grandes o pequeñas, necesitan reinvertir en sus plataformas de datos. Este hallazgo desafía la narrativa predominante de que la falta de presupuesto es el principal obstáculo para la adopción de IA. El informe, basado en encuestas a más de 500 líderes tecnológicos, revela que el 78% de las empresas reportan que sus sistemas de datos actuales no pueden manejar el volumen y la velocidad requeridos por las aplicaciones de IA en tiempo real. Este problema no es nuevo: desde la era del big data, los silos y la mala calidad de datos han sido un desafío, pero la IA generativa ha elevado la exigencia a un nivel crítico.

¿Por qué es importante?

La IA generativa y los modelos de machine learning requieren volúmenes masivos de datos en tiempo real, baja latencia y alta disponibilidad. Sin embargo, la mayoría de las empresas operan con silos de datos, sistemas heredados y procesos manuales que no pueden soportar estas demandas. El estudio subraya que incluso con inversiones multimillonarias en IA, los resultados serán limitados si la base de datos no es sólida. Esto es especialmente crítico para industrias como la salud, las finanzas y la logística, donde la precisión y la velocidad son esenciales. Por ejemplo, en el sector salud, un modelo de IA para diagnóstico por imagen necesita acceso a petabytes de datos históricos y en tiempo real; si los datos están fragmentados en diferentes hospitales o formatos, el modelo será inexacto. En finanzas, los algoritmos de trading de alta frecuencia dependen de datos de mercado en milisegundos; cualquier retraso en la infraestructura de datos puede costar millones. El informe de TechRadar también señala que el 65% de las empresas que han implementado IA reportan problemas de calidad de datos, como duplicados, valores faltantes o sesgos, lo que lleva a resultados no fiables. Esto se alinea con estudios anteriores de Gartner que indican que la mala calidad de datos cuesta a las organizaciones un promedio de 12.9 millones de dólares anuales.

Consecuencias para empresas y mercado

Las organizaciones que ignoren este problema se arriesgan a implementar IA que produzca resultados inexactos, sesgados o poco fiables. Por el contrario, aquellas que prioricen la modernización de su infraestructura de datos obtendrán una ventaja competitiva significativa. Se espera un aumento en la demanda de plataformas de datos en la nube, lagos de datos, y herramientas de integración y calidad de datos. Startups especializadas en dataops y data mesh podrían ver un crecimiento acelerado. Según IDC, se proyecta que el gasto global en infraestructura de datos para IA alcance los 80 mil millones de dólares para 2026, con una tasa de crecimiento anual compuesta del 22%. Empresas como Snowflake, Databricks y Confluent ya están viendo un aumento en la demanda de sus soluciones de data lakehouse y streaming de datos. Además, el mercado de herramientas de calidad de datos, como las ofrecidas por Talend o Informatica, podría duplicar su tamaño en los próximos tres años. Las empresas que no actúen corren el riesgo de quedarse atrás: un estudio de McKinsey de 2023 mostró que las empresas con una infraestructura de datos moderna tenían 3.5 veces más probabilidades de reportar un ROI positivo en sus iniciativas de IA.

Qué deben saber los lectores

No se trata solo de comprar más GPUs o contratar científicos de datos. El primer paso es auditar la infraestructura de datos actual, identificar cuellos de botella y establecer una estrategia de datos unificada. La inversión en IA debe ir acompañada de una inversión proporcional en datos. Las empresas deben considerar arquitecturas modernas como data fabric o data lakehouse para garantizar escalabilidad y flexibilidad. Data fabric, por ejemplo, integra datos de múltiples fuentes en una capa virtual, permitiendo acceso en tiempo real sin mover los datos. Data lakehouse combina la flexibilidad de un lago de datos con el rendimiento de un almacén, ideal para cargas de trabajo de IA. Además, es crucial implementar prácticas de dataops para automatizar la calidad, el linaje y la gobernanza de datos. Los lectores deben entender que la transformación de datos no es un proyecto único, sino un proceso continuo. Las empresas deben invertir en talento: no solo científicos de datos, sino también ingenieros de datos y arquitectos de datos. Según el informe de TechRadar, el 45% de las empresas citan la falta de habilidades en datos como una barrera clave. Por último, se recomienda empezar con un caso de uso piloto de IA de alto valor, asegurando que la infraestructura de datos subyacente esté optimizada antes de escalar.

"La infraestructura existente no fue diseñada para inteligencia continua" — TechRadar