Ciudad de México,
Patricia Manero
Crédito foto: Sergio F Cara (NotiPress/Composición)
Mientras la conversación pública sobre inteligencia artificial (IA) se concentra en modelos cada vez más avanzados, dentro de las empresas el problema es otro: los datos. La limitante no está en la capacidad de los algoritmos, sino en la infraestructura que los alimenta. Esa es una de las conclusiones que surgen de los anuncios y estudios presentados en SAS Innovate 2026.
De acuerdo con una investigación global de SAS en conjunto con IDC, el 49% de las organizaciones identifica los entornos cloud no centralizados o poco optimizados como la principal barrera para avanzar en iniciativas de IA. A esto se suma que el 44% señala procesos insuficientes de gobernanza de datos como un obstáculo crítico. En otras palabras, el freno no es la falta de modelos, sino la incapacidad de operar con datos confiables, accesibles y estructurados.
El hallazgo redefine el debate sobre adopción tecnológica, aseguró SAS en información para NotiPress. Durante los últimos años, la narrativa dominante ha girado en torno al desarrollo de modelos de lenguaje, automatización y capacidades generativas. Sin embargo, en el terreno operativo, muchas empresas enfrentan un problema más básico: datos dispersos en múltiples sistemas, duplicados, sin estándares comunes y con procesos manuales que dificultan su uso a escala.
Esta fragmentación tiene implicaciones directas en la viabilidad de la IA. Modelos entrenados con datos inconsistentes o incompletos generan resultados poco confiables, lo que limita su uso en decisiones críticas. Además, la falta de gobernanza dificulta cumplir con marcos regulatorios y estándares de privacidad, un factor cada vez más relevante en sectores como finanzas, salud o servicios públicos.
Frente a este escenario, la estrategia de empresas como SAS apunta a un cambio de enfoque: mover la analítica hacia donde están los datos, en lugar de centralizar los datos para analizarlos. Este modelo busca reducir fricciones operativas, acelerar procesos y mantener control sobre la información sin comprometer seguridad o cumplimiento.
El problema, sin embargo, no es exclusivamente tecnológico, también es organizacional. La gestión de datos implica coordinación entre áreas, definición de políticas internas y una visión clara sobre cómo se utiliza la información dentro de la empresa. Sin estos elementos, incluso las herramientas más avanzadas terminan subutilizadas.
Otro factor crítico es la velocidad. Mientras la adopción de IA —incluyendo agentes y copilotos— avanza rápidamente, las capacidades de gestión de datos no evolucionan al mismo ritmo. Este desfase genera un entorno en el que las empresas pueden implementar soluciones de IA, pero sin una base sólida que garantice su funcionamiento adecuado.
En ese contexto, el dato deja de ser un insumo pasivo para convertirse en un activo estratégico. Su calidad, trazabilidad y disponibilidad determinan no solo la efectividad de la IA, sino también su impacto en el negocio. Esto explica por qué iniciativas de modernización de datos están ganando prioridad en las agendas corporativas, incluso por encima del desarrollo de nuevos modelos.
El cambio de paradigma es claro: la inteligencia artificial ya no se mide únicamente por la sofisticación de sus algoritmos, sino por la madurez del ecosistema de datos que la sustenta. Sin esa base, la promesa de la IA —automatización, eficiencia y mejores decisiones— difícilmente puede materializarse en entornos reales.