El gran desafío de la IA en 2026: solo el 5% de las empresas tiene datos realmente preparados para escalarla

Con 2026 casi a mitad de camino, las empresas empiezan a ver retornos tangibles de sus inversiones en IA. Sin embargo, muchas descubren que escalar la IA requiere algo mucho menos llamativo que los modelos de última generación o las métricas más avanzadas: datos limpios, interoperables y bien gobernados. Según la nueva encuesta AI Momentum Survey de Dun & Bradstreet, el 97 % de las organizaciones afirma tener iniciativas activas de IA, pero solo el 5 % asegura que sus datos están preparados para respaldarlas.

Ese dato refleja la compleja realidad de la IA en el entorno corporativo, donde las empresas luchan por pasar de la experimentación a la operación real. “No es necesario contar con datos preparados para IA a nivel corporativo para lanzar pilotos o casos de uso aislados”, explica Cayetano Gea-Carrasco, chief strategy officer de Dun & Bradstreet. “Pero sí lo es para escalar la IA de forma fiable en flujos de trabajo y sistemas críticos para el negocio”.

Según el informe de D&B, las organizaciones se están volcando en la IA en 2026 y la consideran una prioridad estratégica. Más de dos tercios (67 %) ya perciben “señales tempranas o focos puntuales” de retorno de la inversión, y un 24 % habla de resultados “amplios o sólidos”. Además, más de la mitad (56 %) de las 10 000 empresas encuestadas por la firma de datos y analítica planea aumentar su inversión en IA en los próximos 12 meses. En torno a un tercio (30 %) está escalando la IA a entornos de producción, y el 26 % la está operativizando en múltiples procesos clave.

A medida que la adopción se acelera, los retornos tempranos son hoy más habituales que hace apenas un año, señala D&B, aunque siguen siendo desiguales. En paralelo, las preocupaciones sobre la preparación de los datos son “incluso más profundas” que en 2025.

Las razones son diversas: problemas de acceso a los datos (50 % de los encuestados), riesgos de privacidad y cumplimiento normativo (44 %) y dudas sobre la calidad e integridad de los datos (40 %). A ello se suma la falta de integración entre sistemas (38 %) y la escasez de profesionales cualificados en IA (37 %).

De forma preocupante, solo una pequeña proporción de las empresas (10 %) afirma con un alto grado de confianza ser capaz de identificar y mitigar los riesgos asociados a la IA. “La cuestión clave ya no es si las organizaciones están experimentando con la IA”, subraya Gea-Carrasco. “La pregunta es si cuentan con los datos y la infraestructura necesarios para desplegarla de forma fiable a escala empresarial”.

El directivo señala que resulta relativamente sencillo lanzar copilotos, interfaces conversacionales o herramientas departamentales apoyadas en modelos de propósito general y obtener “resultados impresionantes en entornos controlados”. Pero muy pocas organizaciones consiguen llevar la IA a flujos de trabajo en producción, donde factores como la precisión, la responsabilidad, la explicabilidad, la interoperabilidad y la coherencia influyen directamente en las decisiones de negocio. Eso afecta a ámbitos como la incorporación de clientes, el cumplimiento normativo, la gestión de riesgos o las operaciones de atención al cliente. “Ahí es donde la preparación de los datos se vuelve crítica”, insiste.

Los retos relacionados con los datos se agravan a medida que las empresas pasan de los copilotos a flujos de trabajo más autónomos basados en agentes. “La mayoría de los entornos de datos empresariales se diseñaron para flujos de trabajo humanos, no para sistemas de IA autónomos que operan de forma continua en toda la organización”, apunta Gea-Carrasco.

Aunque los sistemas de IA pueden generar resultados que suenan coherentes, desde el punto de vista operativo pueden ser difíciles de confiar, debido a alucinaciones, recomendaciones contradictorias entre sistemas o problemas de cumplimiento. Ese aspecto es especialmente crítico en sectores regulados como banca, seguros, sanidad o servicios financieros, donde contar con resultados fiables y auditables es “imprescindible”.

Las organizaciones que logran mayores avances son las que trabajan para garantizar que sus datos sean de alta calidad, fiables y estén bien gobernados. Invierten en una resolución de identidades coherente, así como en interoperabilidad y mantenimiento de los datos, para que la IA pueda “consumir información de forma fiable” y actuar en consecuencia.

Según Gea-Carrasco, las empresas comienzan a ver retorno de la inversión en aquellos ámbitos donde los entornos de datos están más maduros, lo que facilita integrar directamente la IA en los flujos de trabajo reales. Es el caso de áreas como la inteligencia comercial, la incorporación de clientes, los flujos de cumplimiento, la investigación de clientes, el análisis de riesgos, la automatización de procesos, la prospección, el ‘screening’, la evaluación de proveedores y la verificación de negocios.

El ROI suele reflejarse en una reducción del trabajo manual de investigación, procesos de incorporación y revisión más rápidos, mayor coherencia operativa, aceleración de los flujos comerciales y un mejor apoyo a la toma de decisiones. “En muchos casos, las organizaciones utilizan la IA para ayudar a los equipos a procesar y sintetizar grandes volúmenes de información mucho más rápido que antes”.

El directivo enfatiza que la IA es más eficaz cuando refuerza los procesos operativos existentes, en lugar de sustituir por completo la toma de decisiones humanas. “Las organizaciones están teniendo éxito cuando la IA ayuda a los empleados a trabajar más rápido, a tomar mejores decisiones y a reducir tareas manuales repetitivas, manteniendo siempre a las personas involucradas en la supervisión y las aprobaciones finales”.

La IA basada en agentes empieza a entrar en entornos de producción, aunque “todavía de forma relativamente temprana y muy focalizada”, según Gea-Carrasco. En la actualidad, la mayoría de las empresas despliega agentes con un alcance limitado, en lugar de sistemas completamente autónomos. El modelo predominante a corto plazo es el de autonomía supervisada, en el que los agentes ejecutan partes de los flujos de trabajo mientras los humanos conservan el control sobre aprobaciones, supervisión y gestión de excepciones. Así, los agentes se integran en “flujos de trabajo claramente definidos”, como la investigación, el soporte a la incorporación de clientes o la orquestación de procesos.

En los próximos años, la IA evolucionará desde copilotos aislados hacia sistemas de agentes más conectados e integrados directamente en los flujos de trabajo empresariales. Esos coordinarán cada vez más tareas entre clientes, proveedores, socios, empleados y aplicaciones corporativas, y ganarán protagonismo en áreas como operaciones comerciales, incorporación de clientes, cumplimiento, compras, investigación de clientes, gestión de riesgos, evaluación de proveedores y monitorización.

“La IA empresarial está dejando de centrarse en herramientas de productividad aisladas”, concluye Gea-Carrasco, “para convertirse en la base de sistemas operativos inteligentes capaces de apoyar la toma de decisiones y la ejecución de procesos a gran escala”.