Los 7 Tipos de Datos que Impulsan la IA de Negocios

Conozca a Rachel. Dirige una firma de servicios profesionales de 65 personas. El negocio es sólido, el mejor trimestre hasta ahora, impulsado principalmente por referidos y clientes recurrentes.

Pero el mes pasado, su Director de Operaciones le trajo algo incómodo. "Seguimos comprando herramientas de IA," dijo, "y ninguna funciona como prometían las demos."

Mostró tres compras recientes: una herramienta de inteligencia de reuniones que producía transcripciones llenas de [Hablante 1] y [Hablante 2] en lugar de nombres; un modelo de puntuación de leads que calificaba cada lead entrante con 7 sobre 10; un generador de propuestas que seguía citando servicios que la firma no ofrecía desde hacía dos años. Cincuenta mil dólares en suscripciones anuales. Una utilidad casi nula.

Rachel hizo la pregunta obvia: ¿es mala la IA? Su Director de Operaciones negó con la cabeza. "Creo que la IA está bien. Creo que nuestros datos son el problema. Pero no sé cómo demostrarlo, ni cómo solucionarlo."

Este artículo es para Rachel. Y para cada fundador y líder de operaciones que sospecha que sus problemas de IA son en realidad problemas de datos, pero aún no tiene el vocabulario para diagnosticarlos.

Por qué los tipos de datos importan antes que cualquier otra cosa

En el ACE Framework para IA de negocios, los Datos se ubican en la capa Foundation, por debajo de las cinco capacidades (Ingest, Analyze, Predict, Generate, Execute), por debajo de los patterns, por debajo de los agentes. No es modestia. Es causa y efecto. Cada capacidad de IA requiere datos como materia prima. Cambie la calidad, el formato o la accesibilidad de esos datos y cambiará lo que puede hacer la IA.

Los siete tipos de datos canónicos representan los distintos formatos en que existe la información dentro de una empresa. Cada uno requiere infraestructura diferente para almacenarse, pipelines diferentes para moverse y modelos de IA diferentes para procesarse. Entenderlos no es académico. Es el primer paso práctico para saber si una herramienta de IA funcionará realmente antes de firmar el contrato.

Aquí está el inventario. Léalo como referencia. Luego use la lista de verificación al final para auditar su propio stack.

---

1. Texto

El texto es el tipo de datos más abundante en casi todos los negocios, y también el menos estructurado, lo que lo convierte tanto en la mayor oportunidad de la IA como en uno de sus mayores dolores de cabeza.

Dónde vive: Gmail, Outlook, Slack, Microsoft Teams, Notion, Confluence, notas del CRM de Salesforce, tickets de Zendesk, Google Docs, carpetas de contratos, reseñas de clientes, respuestas de encuestas.

Qué hace bien la IA con él: Detección de intención (¿este correo es urgente o informativo?). Resumen (condensa un hilo de 40 mensajes en tres puntos clave). Extracción (obtiene el nombre del proveedor, la fecha del contrato y la cláusula de renovación de un PDF). Clasificación (etiqueta este ticket de soporte como "facturación", "bug" o "solicitud de función"). Generación (redacta un seguimiento basado en el contexto completo de la conversación).

Problemas comunes: Fragmentado en 20 herramientas que no se comunican entre sí. Sin esquema (los campos de texto libre hacen que "próximos pasos" se vea diferente en las notas de cada representante). Datos sensibles mezclados con datos operativos, creando exposición de cumplimiento normativo.

El modo de falla honesto: La herramienta de propuestas de Rachel citaba servicios desactualizados porque su corpus de texto incluía decks de presentación y hilos de correo electrónico antiguos sin ponderación de vigencia. La IA promedió todo, tratando una descripción de servicio de 2019 igual que una de 2026.

---

2. Datos Estructurados

Los datos estructurados son información organizada en filas y columnas con nombres de campo explícitos. Es el tipo de datos con el que la IA ha trabajado más tiempo, y el que todavía más dependen las capacidades de IA predictiva.

Dónde vive: Salesforce, HubSpot, Pipedrive (registros CRM), Snowflake, BigQuery, Redshift (data warehouses), Excel, Google Sheets, ERPs como NetSuite o Sage, envíos de formularios, respuestas de API.

Qué hace bien la IA con ellos: Puntuación de leads (73% de probabilidad de cierre basada en 18 señales). Pronóstico de Pipeline (closed-won en Q2 entre USD 3,8M y USD 4,4M). Detección de anomalías (este gasto está un 340% por encima del promedio de la categoría). Predicción de Churn. Clasificación y segmentación a escala.

Problemas comunes: Registros desactualizados (un CRM de 12.000 contactos donde 4.000 entradas tienen títulos incorrectos y correos electrónicos inactivos produce puntuaciones poco confiables). Campos faltantes (si el 60% de los registros closed-won no tienen campo "source", el modelo no puede aprender qué fuentes convierten). Sistemas en silos (Finanzas en NetSuite, Ventas en Salesforce, Customer Success en Gainsight, sin integración y sin razonamiento entre sistemas).

---

3. Imagen

Los casos de uso de IA para imágenes en negocios van mucho más allá del e-commerce y la manufactura. El rango abarca desde facturas escaneadas hasta fotos de productos y capturas de pantalla de dashboards.

Dónde vive: Almacenamiento de archivos (Google Drive, Dropbox, SharePoint), portales de carga de clientes, catálogos de e-commerce (Shopify, WooCommerce), bibliotecas de activos de marketing, sistemas de control de calidad en manufactura, repositorios de documentos escaneados.

Qué hace bien la IA con ellas: OCR (convierte texto escaneado en caracteres legibles por máquina, crucial para el procesamiento de facturas). Clasificación visual (defecto vs. sin defecto en una línea de manufactura). Detección de objetos. Verificación de identidad para flujos KYC. Generación de imágenes (variantes de fotos de productos, visuales de marketing).

Problemas comunes: Calidad inconsistente (un modelo entrenado con fotos de estudio limpias falla con cargas de campo borrosas). Exposición a propiedad intelectual y derechos de autor de las herramientas de generación. Los documentos cargados por clientes a menudo contienen PII (números de pasaporte, formularios médicos) que conlleva requisitos propios de gobernanza aunque los datos sean visuales.

---

4. Audio

Los datos de audio habilitan uno de los casos de uso de IA con mayor ROI en B2B: la inteligencia de reuniones. En el momento en que una llamada de ventas o una conversación de soporte al cliente puede transcribirse y analizarse, la empresa gana un tipo de dato que simplemente no tenía antes: un registro buscable de cada interacción hablada.

Dónde vive: Gong, Chorus, Fireflies (plataformas de grabación de llamadas de ventas), grabaciones en la nube de Zoom, Microsoft Teams, sistemas de call center, servicios de correo de voz a texto.

Qué hace bien la IA con él: Transcripción. Análisis de sentimiento (¿estaba frustrado el cliente al final de la llamada?). Extracción de temas (¿qué objeciones surgieron?). Identificación de hablantes. Puntuación de llamadas (¿hizo el representante suficientes preguntas de descubrimiento?). Monitoreo de cumplimiento normativo.

Problemas comunes: Requisitos de consentimiento (grabar sin el consentimiento de todas las partes es ilegal en varios estados de EE.UU. y muchas otras jurisdicciones; la revisión legal es obligatoria antes del despliegue). El ruido de fondo y la superposición de hablantes degradan la precisión de la transcripción. El fallo de inteligencia de reuniones de Rachel es el caso de libro de texto: el modelo de transcripción funcionó bien, pero el paso de identificación de hablantes no tenía acceso a su calendario ni a la lista de contactos del CRM. En el pipeline faltaba una conexión, no en la IA.

---

5. Video

El video es audio más imagen más tiempo, lo que lo convierte en el tipo de datos más rico y costoso con el que trabajar. Procesar video requiere sustancialmente más cómputo que cualquier otro tipo, por lo que el umbral de ROI es más alto.

Dónde vive: YouTube (canales propios), Loom (mensajería asíncrona), grabaciones en la nube de Zoom, Vimeo (contenido de capacitación), sistemas de cámaras de seguridad, bibliotecas de demos de productos.

Qué hace bien la IA con él: Transcripción (ya que el video incluye audio). Comprensión de escenas. Extracción de destacados. Generación de capítulos. Moderación de contenido. Generación de video (avatares sintéticos, clips de demo).

Problemas comunes: Los costos de almacenamiento se acumulan rápidamente (una hora de video 1080p son 2-4 GB; 200 reuniones grabadas por semana suma rápido). Los costos de procesamiento son significativos para contenido de larga duración. Se aplican requisitos de consentimiento y datos biométricos. El video captura rostros, lo que añade obligaciones bajo leyes como BIPA (Illinois) y GDPR más allá de lo que el audio solo requiere.

---

6. Código

El código es texto estructurado con sintaxis formal, pero se comporta de manera suficientemente diferente al lenguaje natural como para merecer su propia categoría. La IA construida para código (GitHub Copilot, Amazon Q Developer, Cursor) está diseñada específicamente para sus patrones de sintaxis, no solo afinada en prosa.

Dónde vive: GitHub, GitLab, Bitbucket (repositorios), sistemas CI/CD (Jenkins, GitHub Actions), agregadores de logs (Datadog, Splunk, Sumo Logic), archivos de infraestructura como código (Terraform, Ansible).

Qué hace bien la IA con él: Generación de código. Revisión de código (marcar vulnerabilidades de seguridad, violaciones de estilo, problemas de rendimiento). Documentación. Depuración a partir de logs de error. Refactorización. Análisis de vulnerabilidades (encontrar credenciales hardcodeadas). Análisis de logs.

Problemas comunes: Límites de ventana de contexto (la IA razona bien sobre un solo archivo, pero tiene dificultades con un monorepo de 500.000 líneas; herramientas como Cursor manejan esto mediante estrategias de recuperación). Secretos en repositorios (las claves API y credenciales en el código aumentan dramáticamente la superficie de ataque cuando se conectan a un asistente de IA). Intención faltante (la IA puede leer qué hace el código; generalmente no puede leer por qué, y la documentación y los comentarios son el puente).

---

7. Series de Tiempo

Los datos de series de tiempo son cualquier medición registrada a intervalos regulares: una métrica a las 9:00 AM, 9:01 AM, 9:02 AM. Es el lenguaje nativo de las operaciones, las finanzas y el monitoreo de infraestructura, y permite pronósticos y detección de anomalías que ningún otro tipo de datos puede sustituir.

Dónde vive: Herramientas de monitoreo (Datadog, New Relic, Prometheus), sistemas de sensores IoT, sistemas financieros (ingresos diarios, gastos, headcount), analítica web (Google Analytics, Mixpanel, Amplitude), sistemas POS (volumen de transacciones por hora y día).

Qué hace bien la IA con ellas: Pronóstico (ingresos del próximo mes, tasa de Churn del próximo trimestre). Detección de anomalías (esta métrica está a 3,4 desviaciones estándar de su línea base móvil). Análisis de tendencias (el volumen de soporte crece más rápido que los ingresos). Modelado de estacionalidad.

Problemas comunes: La deriva de reloj y los timestamps faltantes rompen los intervalos regulares que asumen los modelos de series de tiempo. Mezclar granularidades de muestreo (un sistema registra cada minuto, otro cada hora) produce líneas base poco confiables. La historia insuficiente es la brecha más común: un modelo de pronóstico entrenado con 3 meses de datos no puede predecir de manera confiable patrones anuales. La regla general es 2-3 ciclos completos del patrón que se intenta modelar.

---

Cómo se combinan los tipos de datos en casos de uso reales

La mayoría de los casos de uso de IA de negocios abarcan dos o tres tipos de datos. Entender la combinación le indica qué pipelines construir y qué problemas de preparación de datos resolver primero.

Cuando un proveedor presenta una herramienta de IA, pregúntele qué tipos de datos consume. Si esos tipos no están limpios, accesibles y correctamente conectados en su stack, la herramienta no rendirá como se prometió sin importar cuán bueno sea el modelo subyacente.

---

Qué tipo de datos alimenta qué capacidad ACE

Esta matriz mapea los siete tipos de datos contra las cinco capacidades ACE. "Alto" significa que el tipo de dato es un input primario. "Medio" significa que es secundario o de apoyo. "Bajo" significa que la conexión es poco común.

Tres cosas destacan en esta matriz.

Ingest es el punto de entrada para los tipos no textuales. Las imágenes, el audio y el video no pueden razonarse directamente. Necesitan conversión primero (OCR, transcripción, análisis de escenas). Si su pipeline de Ingest está roto, todo lo que viene después falla.

Analyze es universal. Cada tipo de datos alimenta Analyze, porque dar sentido a la información siempre sigue a recibirla. Por eso la capacidad Analyze aparece en casi todos los casos de uso real de IA.

Predict funciona con Estructurado y Series de tiempo. El pronóstico y la puntuación requieren patrones históricos en forma estructurada. Los datos estructurados sucios o la historia corta de series de tiempo producirán un rendimiento inferior incluso con un buen modelo.

---

Antes de iniciar cualquier proyecto de IA: lista de verificación de inventario de datos

Pase por esto antes de firmar un contrato con un proveedor o lanzar una iniciativa interna. Toma menos de una hora y evita los errores más costosos.

1. ¿Qué tipos de datos requiere este caso de uso? Escríbalos específicamente. No "datos" en general. Texto (¿de dónde?), estructurado (¿qué sistema?), audio (¿qué grabaciones?), y así sucesivamente.

2. ¿Tiene esos datos hoy? No cuente los datos que planea recopilar. Cuente los que tiene. Si el caso de uso requiere 18 meses de grabaciones de llamadas de ventas y lleva 4 meses usando Gong, no tiene los datos.

3. ¿Son accesibles para la herramienta de IA? Los datos que existen pero no pueden alcanzarse son datos que no tiene. Bloqueadores comunes: sin API, integración no construida, acceso local requerido, la política de TI no ha aprobado la conexión.

4. ¿Son lo suficientemente limpios para ser útiles? Para datos estructurados: ¿qué porcentaje de registros tienen los campos clave poblados? Para texto: ¿está fragmentado entre sistemas? Para audio: ¿qué porcentaje de llamadas se graban y almacenan realmente?

5. ¿Están correctamente autorizados? El audio de clientes, las comunicaciones de empleados y los registros financieros conllevan obligaciones de manejo de datos. Confirme su DPA con el proveedor y sus políticas internas antes de conectar.

6. ¿Qué problemas de preparación de datos deben resolverse primero? Aquí es donde la mayoría de los proyectos de IA se estancan. La herramienta está lista; los datos subyacentes no lo están. Solucione el problema de datos, luego despliegue la IA que depende de ellos. Secuencia poco glamorosa. La que funciona.

---

Qué le dice esto sobre el problema de Rachel

Las tres herramientas de IA fallidas de Rachel tenían cada una un problema específico de datos, no un problema de IA.

La herramienta de inteligencia de reuniones producía etiquetas de [Hablante 1] porque el pipeline del proveedor no estaba integrado con su calendario ni con su CRM. La transcripción funcionó bien. El paso de identificación de hablantes simplemente nunca recibió los datos de contacto necesarios para hacer coincidir las voces con los nombres.

El modelo de puntuación de leads devolvía 7/10 para todos porque su CRM carecía de datos históricos diferenciados. Demasiados registros closed-won tenían campos faltantes (source, industria, tamaño de empresa). El modelo no pudo encontrar patrones distintivos y recurrió al promedio.

La herramienta de propuestas citaba servicios desactualizados porque su corpus de texto no tenía ponderación de vigencia. Una descripción de servicio de 2019 tenía el mismo peso que una de 2026.

En cada caso, la IA funcionó según lo previsto. Y ahora Rachel puede nombrar el tipo de datos específico, identificar dónde estaba la brecha y describir qué debería cambiar. Ese es el valor de un inventario de datos: no solo una lista, sino un diagnóstico.

---

Qué leer a continuación

Este artículo le dio el catálogo. El siguiente paso es entender qué hace utilizables estos tipos de datos para la IA.

• Preparación de datos para IA: los prerrequisitos prácticos: accesible, estructurado, actualizado y autorizado
• Guía de campo de datos limpios: diagnóstico de problemas de calidad de datos antes de que hundan un proyecto
• Ingest: la primera capacidad ACE, y la que determina si los datos de imagen, audio y video entran a sus flujos de trabajo
• Analyze: la capacidad que se aplica a cada tipo de datos, donde los datos en bruto se convierten en insights de negocios
• El ACE Framework: la tabla periódica completa, con la pila de seis capas que muestra cómo se conectan datos, capacidades y patterns