De la inteligencia de datos al contexto: dos años de desarrollo de la IA empresarial
Principales conclusiones
- Unos modelos mejores no reducen los problemas relacionados con los datos empresariales, ya que una IA puede extraer información del sistema adecuado y, aun así, dar una respuesta errónea si carece de definiciones empresariales, relaciones, titularidad, información sobre la calidad y políticas de uso.
- La adquisición de Zeenea por parte de Actian en 2024 sentó las bases de la Actian Data Intelligence Platform, que conecta los metadatos técnicos con el significado empresarial en sistemas federados sin necesidad de mover los datos subyacentes.
- La gobernanza debe ser operativa: los contratos de datos ejecutables, los productos de datos con una titularidad clara, los controles de calidad de los datos en los procesos de integración y la gestión asistida por IA garantizan el cumplimiento de las políticas a medida que cambian los datos.
- La soberanía implica el control, la aplicación y la verificación de dónde se ejecutan las cargas de trabajo de IA, qué modelo utilizan y a qué datos pueden acceder, y no solo dónde se almacenan los datos.
- El siguiente reto consiste en mantener la precisión del contexto empresarial y proporcionar a los agentes de IA suficiente contexto para que puedan actuar de forma eficaz dentro de unos límites de gobernanza bien definidos.
Existe una tendencia a dar por sentado que, a medida que mejoran los modelos de IA, los problemas relacionados con los datos empresariales perderán de alguna manera importancia. Yo creo que está ocurriendo justo lo contrario.
Un modelo puede obtener información del sistema adecuado y, aun así, darte una respuesta errónea. Podría utilizar una definición obsoleta de «cliente», combinar datos que no deberían compararse o pasar por alto restricciones sobre cómo se puede utilizar cierta información. Es posible que el modelo funcione exactamente tal y como se diseñó. El problema es todo lo que desconoce sobre los datos.
Aquí es donde el contexto cobra una importancia fundamental. No me refiero al contexto en el sentido estricto de proporcionar al modelo una indicación más extensa, sino a las definiciones empresariales, las relaciones, la titularidad, la información sobre la calidad y las políticas que determinan cómo deben interpretarse y utilizarse los datos de la empresa.
También es una perspectiva útil para lo que hemos estado desarrollando en Actian.
Cuando adquirimos Zeenea en 2024, vimos una oportunidad que iba mucho más allá del descubrimiento de datos tradicional. Su tecnología se convirtió en la base de la actual Actian Data Intelligence Platform. La IA empresarial ha puesto de manifiesto una debilidad en las arquitecturas de datos con la que hemos convivido durante décadas. Nos hemos vuelto muy buenos almacenando, procesando y trasladando datos, pero mucho menos eficaces a la hora de poner su significado empresarial a disposición de los sistemas que los consumen.
Para un analista humano, esa brecha es manejable. Las personas con experiencia saben qué definición de cliente utilizar, en qué métricas confiar y a quién preguntar cuando algo parece estar mal. Los sistemas de IA no cuentan con ese conocimiento institucional. A menos que se represente de forma explícita y se haga accesible, se ven obligados a deducir el significado a partir de información incompleta.
Esto se está convirtiendo en un reto arquitectónico fundamental a medida que las empresas pasan de una IA que responde a preguntas a una IA que lleva a cabo acciones.
Además, es un elemento clave en la forma en que hemos ido desarrollando la inteligencia de datos en Actian durante los últimos dos años, haciendo que el contexto empresarial sea más accesible para las personas y los sistemas de IA que dependen de él.
Dos años después, a medida que más organizaciones han pasado de la fase experimental a la de implementación de la IA, el objetivo ha cobrado más importancia que nunca: ayudar a las empresas a comprender no solo qué datos tienen, sino también qué significan y cómo utilizarlos.
De los catálogos de datos al contexto empresarial conectado
Los catálogos de datos llevan años siendo una parte importante de la gestión de datos empresariales, ya que ayudan a las organizaciones a descubrir información en entornos cada vez más complejos. Sin embargo, encontrar un conjunto de datos es solo el primer paso. Comprender qué significa, cómo se relaciona con otros datos y si se ajusta a un fin concreto supone un reto distinto.
Pensemos en algo tan cotidiano como el expediente de un cliente. El departamento de ventas podría definir a un cliente activo como alguien con una oportunidad de venta pendiente. El departamento financiero podría definirlo como una relación de facturación activa. El servicio de atención al cliente podría basarse en las interacciones recientes. Ninguna de esas definiciones es necesariamente errónea. Simplemente responden a preguntas diferentes.
Si un analista comprende esas diferencias, podrá decidir qué definición es la adecuada. Un sistema de inteligencia artificial necesita tener acceso a esa misma comprensión; de lo contrario, podría ofrecer una respuesta convincente basada en supuestos erróneos.
Esto formaba parte de la lógica que nos llevó a adquirir Zeenea. Su enfoque de la gestión federada de metadatos nos proporcionó una base para vincular la información técnica con el significado empresarial, las relaciones, el linaje y la titularidad.
El aspecto federado es importante. La mayoría de las empresas no van a consolidar todos sus datos en un único entorno, y no creo que deban hacerlo. Cuentan con inversiones ya realizadas, obligaciones normativas, diferentes modelos operativos y buenas razones para mantener determinadas cargas de trabajo donde están.
Lo que necesitan es una forma de comprender las relaciones entre los activos de datos sin tener que mover todos los datos subyacentes.
Nuestro « gráfico de conocimiento » federado ayuda a establecer esas conexiones. Conecta los metadatos entre distintos sistemas, lo que facilita la comprensión de cómo se relacionan los activos de datos con los conceptos empresariales y entre sí.
Eso no significa que el gráfico resuelva por arte de magia todas las definiciones contradictorias. Aún es necesario determinar qué definiciones son las válidas, a quién pertenecen y cómo aplicarlas. Pero ofrece a las organizaciones una base mucho más sólida para llevar a cabo esa labor.
El contexto solo es útil si puedes confiar en él
Otro error que veo que cometen las organizaciones es tratar los metadatos, la gobernanza y la calidad de los datos como proyectos independientes.
Cuentan con una iniciativa de catálogo, un programa de gobernanza, una herramienta de calidad y, tal vez, un equipo que trabaja en productos de datos. Es posible que cada uno de ellos realice una labor útil, pero las conexiones entre ellos suelen ser débiles.
En mi informe de O’Reilly, «Fundamentos para una mejor gestión de los datos empresariales», describí cinco pilares que deben funcionar de forma conjunta: arquitectura, gobernanza, calidad y observabilidad de los datos, metadatos, y personas y cultura.
La observabilidad de los datos es una parte importante de ese panorama. Entender qué significa un conjunto de datos es útil, pero las organizaciones también necesitan saber si los datos son fiables, cómo evolucionan con el tiempo y cuándo surge algún problema. Sin esa visibilidad, incluso los datos bien documentados pueden dar lugar a decisiones erróneas.
Por eso estamos invirtiendo en la calidad de los datos y en su supervisión en una fase más temprana del ciclo de vida de los datos. Con Actian DataConnect, incorporamos la evaluación de la calidad de los datos, la corrección y la supervisión continua asistidas por IA directamente en los flujos de integración, lo que ayuda a las organizaciones a identificar y resolver los problemas antes de que afecten a los análisis posteriores y a las aplicaciones de IA.
He incluido deliberadamente a las personas y la cultura porque la tecnología, por sí sola, no resuelve las cuestiones relacionadas con la propiedad o la responsabilidad.
Se puede documentar que un conjunto de datos concreto es la fuente oficial de una métrica empresarial. Pero, ¿qué ocurre cuando el generador de datos modifica su estructura? ¿Quién se encarga de comunicar ese cambio? ¿Cómo saben los usuarios posteriores si los datos siguen cumpliendo sus requisitos?
Se trata de cuestiones operativas, no de catalogación.
Han influido en la forma en que hemos desarrollado la plataforma Actian Data Intelligence. En lugar de considerar los metadatos como un inventario estático, hemos invertido en formas de conectarlos con los productos de datos, los procesos de gobernanza y las personas encargadas de gestionar los datos de la empresa.
El objetivo no es crear otra capa administrativa, sino hacer que la información que las organizaciones ya gestionan resulte útil en las decisiones y los flujos de trabajo en los que realmente importa.
Poner en práctica la gobernanza de datos
Abogo firmemente por acercar la gobernanza al lugar donde se crean y consumen los datos, siguiendo un enfoque de «shift-left».
Eso no significa que todas las decisiones de gobernanza deban descentralizarse. Las grandes empresas siguen necesitando normas comunes y supervisión. Pero un equipo central de gobernanza tiene un margen de actuación limitado si cada cambio requiere una intervención manual.
Imagina que un proveedor de datos cambia el formato de un campo que utilizan varias aplicaciones posteriores. El cambio podría ser totalmente razonable desde el punto de vista del proveedor. Sin embargo, para un usuario que espera el formato anterior, esto podría provocar un error o, lo que es peor, un resultado que parezca plausible pero que sea incorrecto.
El hecho de que un documento normativo establezca que los cambios deben someterse a revisión no lo impide.
Los contratos de datos ofrecen una forma más práctica de expresar las expectativas entre productores y consumidores. Permiten definir requisitos relativos a la estructura, la calidad y otras características de los datos acordadas. Cuando dichos contratos son ejecutables, las comprobaciones pertinentes pueden integrarse en los flujos de trabajo operativos, en lugar de depender por completo de que alguien se acuerde de consultar una política.
Los productos de datos aportan otro elemento importante: una mayor claridad en cuanto a la titularidad y la responsabilidad sobre la información de la que dependen otros.
Por eso también hemos invertido en capacidades que ayuden a las organizaciones a definir y gestionar productos de datos y contratos de datos, facilitando así la aplicación de los requisitos de gobernanza a las prácticas operativas.
Nuestro estudio realizado junto con BARC, «Productos de datos y contratos de datos en 2026: la base para el éxito de la IA», refleja la creciente adopción de estos enfoques.
Por supuesto, la utilidad de un contrato depende de los requisitos que establece y de los procesos que lo respaldan. Las organizaciones aún deben decidir qué debe hacerse cuando falla una comprobación, quién puede aprobar las excepciones y cómo se comunican los cambios.
Ahí es donde creo que reside la verdadera labor de la gobernanza.
También estamos aplicando la inteligencia artificial a algunas de las tareas más laboriosas de la gestión de datos. Nuestro «Data Steward Agent» está diseñado para ayudar en las tareas relacionadas con los metadatos y la gobernanza, de modo que el personal pueda centrarse en las decisiones que requieren conocimientos especializados y criterio.
No considero que la automatización sustituya a la rendición de cuentas. En todo caso, cuanto más automatizamos, más clara debe ser la rendición de cuentas.
Poner el contexto a disposición allí donde se toman las decisiones
El siguiente reto consiste en poner todo este conocimiento a disposición de las personas y las aplicaciones que lo necesitan.
El análisis conversacional es un buen ejemplo.
La posibilidad de formular una pregunta en lenguaje natural supone una mejora significativa respecto a la necesidad de que todos los usuarios empresariales comprendan los esquemas de las bases de datos o escriban consultas. Pero la interfaz es solo una parte del problema.
Si le preguntas a un sistema de IA cuántos clientes activos tenías el trimestre pasado, este seguirá necesitando saber qué significa «activo», qué datos son fiables, cómo se calculan las métricas pertinentes y qué información está autorizado a ver el usuario.
Sin esa comprensión, una interfaz más coloquial puede, sencillamente, facilitar la obtención de respuestas incorrectas.
He analizado este tema en mi artículo « libro blanco: la IA no es el problema. Tu modelo de datos sí lo es». El modelo de datos subyacente es importante porque recoge las relaciones y las reglas de negocio que un modelo de lenguaje no puede deducir de forma fiable solo a partir de los nombres de las columnas.
Hemos abordado este problema desde varios ángulos.
Actian AI Analyst aporta análisis conversacional regulado a los datos empresariales, reduciendo las barreras técnicas entre los usuarios de negocio y la información que necesitan. Su integración con la plataforma Actian Data Intelligence permite a las organizaciones utilizar las definiciones y relaciones de negocio almacenadas en el catálogo para determinar cómo se interpretan las consultas analíticas.
AI Analyst también utiliza métricas y relaciones definidas para orientar la elaboración de consultas, en lugar de dejar esas decisiones exclusivamente en manos de un modelo de lenguaje.
Nuestro trabajo en materia de gestión inteligente respalda los fundamentos de metadatos y gobernanza de los que dependen estas experiencias.
No se trata de capacidades intercambiables. Resuelven problemas distintos y no eliminan la necesidad de contar con una arquitectura de datos sólida. Pero reflejan la dirección que estamos tomando: hacer que los datos empresariales sean más fáciles de entender y utilizar sin pedir a los usuarios que ignoren la complejidad subyacente.
Para los clientes, esto puede suponer menos tiempo dedicado a buscar información, menos trabajo manual en el mantenimiento de los metadatos y un camino más claro desde una pregunta de negocio hasta una respuesta que puedan evaluar y sobre la que puedan actuar.
El contexto también incluye las normas sobre dónde puede ejecutarse la IA
Un ámbito en el que esto resulta especialmente interesante es el de la soberanía en materia de datos e inteligencia artificial.
A veces se reduce la soberanía al lugar donde se almacenan los datos. Sin embargo, una organización puede conservar datos sensibles en una jurisdicción concreta y, al mismo tiempo, enviar información a un modelo o servicio externo como parte de un flujo de trabajo de IA. La residencia de los datos por sí sola no garantiza el control sobre cómo se utilizan dichos datos.
En el informe de O’Reilly «Soberanía de los datos y la IA: comprender la soberanía de los datos y la IA en la nube, en las instalaciones y en el perímetro», del que soy coautor junto con Ole Olesen-Bagneux y Steffen Kläbe, analizamos este reto más amplio.
Pienso en la soberanía en términos de control, aplicación y prueba. ¿Puedes decidir dónde se ejecuta una carga de trabajo, qué modelo utiliza y a qué datos puede acceder? ¿Puedes hacer cumplir esas decisiones en todos los sistemas implicados? ¿Y puedes demostrar que los controles han funcionado realmente?
Nuestro estudio de BARC, «Dónde se ejecuta la IA empresarial: ubicación deliberada de las cargas de trabajo entre la nube, las instalaciones locales y el perímetro», analiza cómo las organizaciones están tomando decisiones cada vez más deliberadas sobre dónde implementar las cargas de trabajo de IA. No lo veo como un argumento en contra de la nube. Las diferentes cargas de trabajo tienen requisitos distintos, y la portabilidad rara vez es tan sencilla como parece sobre el papel.
Esa es parte de la lógica que subyace a inversiones como AI Analyst autohospedado, con soporte para «trae tu propio LLM», y VectorAI DB, incluida su implementación en entornos con recursos más limitados. Estas capacidades ofrecen opciones arquitectónicas adicionales, aunque no eliminan las responsabilidades operativas que conllevan ni resuelven todos los aspectos relacionados con la soberanía.
En última instancia, estas decisiones dependen de la comprensión del carácter sensible de la información, su finalidad empresarial, las políticas aplicables y el entorno en el que opera el sistema. Esa es otra dimensión del contexto que necesita la IA empresarial.
Tras dos años, ¿qué hemos aprendido?
Dos años después, la visión arquitectónica que guió nuestra adquisición de Zeenea sigue siendo fundamental para la forma en que estamos desarrollando la inteligencia de datos en Actian.
Esa adquisición nos proporcionó una base sólida en la gestión de metadatos y la búsqueda federada. Hemos aprovechado esa base para vincular los metadatos con la gobernanza, los productos de datos, la gestión inteligente y nuevas formas de interactuar con los datos empresariales.
Una de las lecciones más importantes ha sido que la gestión y la gobernanza de los metadatos no pueden evolucionar de forma independiente. Es fundamental comprender dónde se encuentran los datos, qué significan y cómo se mueven entre los distintos sistemas. Pero las organizaciones también deben traducir esa comprensión en una atribución clara de la responsabilidad, en políticas que se puedan hacer cumplir y en procesos capaces de adaptarse al ritmo del cambio.
Al mismo tiempo, las exigencias de las empresas en materia de IA nos han llevado a plantearnos con una perspectiva más amplia la flexibilidad y el control de la implementación.
Se trata de retos tecnológicos distintos, pero que comparten un problema común: las organizaciones deben comprender sus datos y las condiciones en las que pueden utilizarlos.
Aún quedan preguntas difíciles por resolver. ¿Cómo mantenemos la precisión del contexto empresarial a medida que cambian los sistemas subyacentes? ¿Cómo conseguimos que las políticas sean aplicables en arquitecturas cada vez más distribuidas? ¿Cómo proporcionamos a los agentes de IA la información suficiente para que actúen de forma útil sin concederles más libertad de la que deberían tener?
No creo que un único modelo, catálogo o plataforma pueda dar respuesta a esas preguntas. Requieren decisiones arquitectónicas, una responsabilidad clara y la voluntad de conectar disciplinas que, históricamente, han funcionado por separado.
Creo que ahí es hacia donde se dirige la inteligencia de datos. Los metadatos deben ser más útiles. La gobernanza debe ser más continua. Y el contexto debe estar disponible no solo para las personas que descubren los datos, sino, cada vez más, para los sistemas de inteligencia artificial que los utilizan.
Reconocimiento a lo largo del camino
Dos años después de adquirir Zeenea, Actian fue reconocida por primera vez en el «Magic Quadrant™» de Gartner® de noviembre sobre plataformas de gobernanza de datos y análisis como la única empresa de nueva incorporación, situándose en la categoría de «Niche Player».
Se trata de un hito significativo en nuestro recorrido. Nuestro enfoque de la gobernanza ha evolucionado desde ayudar a las organizaciones a descubrir y comprender sus datos hasta hacer que la gobernanza sea más operativa. A través de los contratos de datos y la gestión asistida por IA, estamos integrando políticas en los flujos de trabajo de datos, reduciendo el esfuerzo manual y ayudando a las organizaciones a mantener el control a medida que se acelera la adopción de la IA.
Hemos avanzado mucho desde entonces, aunque aún queda mucho por hacer. Y creo que los retos a los que nos enfrentamos hoy en día son aún más relevantes ahora que las empresas están incorporando la inteligencia artificial a sus procesos de producción.
Actian también ha recibido reconocimiento en otras evaluaciones realizadas por analistas independientes. Hemos sido nombrados «Major Player» en el IDC MarketScape 2026 para software de plataformas de inteligencia de datos, incluidos en la lista «ShortList» de Constellation Research para la gestión semántica y contextual aplicada al análisis y la IA, reconocidos como «Líder» y «Ace Performer» en la matriz SPARK 2026 de QKS Group para soluciones de gobernanza de datos, y nombrados «proveedor ejemplar» en las guías de compra de ISG sobre inteligencia de datos, productos de datos y gobernanza de datos.
Estas evaluaciones utilizan metodologías diferentes y analizan distintos aspectos del mercado. Yo no las consideraría intercambiables, ni un sustituto de lo que experimentan los clientes al utilizar nuestra tecnología.
Lo que me importa es lo que vendrá después. A medida que los sistemas de IA se vuelven más autónomos, el reto consiste en garantizar que tengan acceso al contexto empresarial adecuado, que operen dentro de unos límites de gobernanza claros y que sigan rindiendo cuentas ante las personas responsables de los datos.
Esa es la siguiente fase del trabajo que iniciamos hace dos años.
Gartner, Cuadrante Mágico de plataformas de gobernanza de datos y análisis, Anurag Raj, Sarah Turkaly, Lulu Wang, Dalia Naguib, 12 de noviembre de 2026.
Gartner y Magic Quadrant son marcas registradas de Gartner, Inc. y/o sus filiales.
Gartner no respalda a ninguna empresa, proveedor, producto o servicio mencionado en sus publicaciones, ni aconseja a los usuarios de tecnología que elijan únicamente a aquellos proveedores con las calificaciones más altas u otras distinciones. Las publicaciones de Gartner recogen las opiniones de la organización de análisis empresarial y tecnológico de Gartner y no deben interpretarse como afirmaciones de hecho. Gartner renuncia a toda garantía, expresa o implícita, con respecto a esta publicación, incluidas las garantías de comerciabilidad o de idoneidad para un fin determinado.