Tus datos no están sucios. Están mudos.

Por qué llevas dos años esperando a «ordenar los datos» para hacer algo con inteligencia artificial, y por qué probablemente esa espera no era necesaria.

Hay una frase que se dice en casi todas las reuniones donde una empresa mediana se plantea hacer algo con inteligencia artificial. La dice el director financiero, o el de sistemas, o el propio gerente, y suele llegar en el minuto veinte:

"Antes de eso tenemos que ordenar los datos."

Nadie discute nunca esa frase. Es sensata, es prudente y suena a criterio profesional. Y es, por lo que vemos en las empresas con las que hablamos, la excusa mejor educada que existe para no hacer nada durante dos años.

El proyecto que nunca empieza

Lo que ocurre después de esa frase es siempre parecido. Se encarga un diagnóstico de calidad del dato. Se descubre —sorpresa— que hay duplicados, campos vacíos, clientes dados de alta tres veces con tres nombres distintos y una referencia de producto que alguien cambió en 2019 sin avisar. Se propone un proyecto de saneamiento. El proyecto es grande, aburrido y no produce ningún resultado visible hasta el final. Se prioriza para el siguiente trimestre. Y al siguiente.

Mientras tanto, la empresa sigue funcionando exactamente igual que antes. Con los mismos datos imperfectos que, curiosamente, no le impiden facturar, cobrar, pagar nóminas y cerrar el año.

Ahí está la pista que casi nadie recoge: si tus datos estuvieran realmente inservibles, tu empresa no podría operar. Y opera. Todos los días. Lo que significa que el problema no es tan grande como te han dicho — es que es de otra naturaleza.

Sucio no es lo mismo que mudo

Un dato sucio es un dato incorrecto: un importe mal escrito, un cliente duplicado, una fecha imposible. Existe, claro. Toda empresa los tiene y hay que corregirlos cuando aparecen.

Un dato mudo es otra cosa. Es un dato perfectamente correcto que no puede contestar a una pregunta.

La diferencia se ve con un ejemplo cualquiera. Imagina que quieres saber qué clientes te pagan tarde de forma sistemática. El dato existe: cada factura tiene su fecha de emisión, su vencimiento y su fecha de cobro. Ninguno está sucio. Todos son exactos. Y sin embargo nadie en tu empresa puede responder esa pregunta sin exportar tres listados a un Excel y pasarse una tarde cruzándolos.

Los datos estaban bien. Simplemente no hablaban entre ellos.

Otro: quieres saber qué margen real deja cada proyecto. Los tiempos están fichados, las compras están registradas, las facturas emitidas. Todo correcto, todo en el mismo sistema. Y la respuesta sigue tardando una semana en llegar, si llega.

Y otro más, el que más nos gusta porque es el más común: tu equipo comercial tiene notas de reuniones, correos con clientes, condiciones acordadas por teléfono y advertencias del tipo "a este no le llames los lunes". Nada de eso está sucio. Nada de eso es siquiera un dato, en el sentido en que lo entiende un informe. Está en cabezas, en bandejas de entrada y en documentos sueltos. Está mudo por diseño.

Casi todo lo que una pyme llama "problema de calidad de datos" es en realidad esto: información correcta que nadie puede interrogar.

Por qué nos hemos equivocado tanto con esto

La confusión tiene una causa histórica, y es importante entenderla porque explica por qué el consejo sigue repitiéndose cuando ya no aplica.

Durante veinte años, cualquier cosa que quisieras preguntarle a tus datos había que programarla. Alguien escribía una consulta, alguien diseñaba un informe, alguien montaba un cuadro de mando. Y esas consultas son literales: rompen si un campo está vacío, si un cliente aparece dos veces o si el formato de una fecha cambia. Una consulta no interpreta. Ejecuta.

En ese mundo, "primero limpia los datos" era un consejo excelente. Era, de hecho, el único orden posible: sin datos homogéneos, el informe daba error o daba una cifra falsa, que es peor.

Lo que ha cambiado es que ahora hay algo entre la pregunta y el dato que sí interpreta. Un sistema que puede leer una factura escaneada, entender que "Industrias García SL" e "IND. GARCIA, S.L." son la misma empresa, deducir de una transcripción que lo que el cliente pidió fue un aplazamiento, y avisarte de que un patrón se repite. No porque alguien lo programara para eso, sino porque entiende lo que está leyendo.

Y eso invierte el orden de las cosas. Antes tenías que limpiar para poder preguntar. Ahora puedes preguntar para descubrir qué merece la pena limpiar.

Nosotros lo hemos hecho en ese orden por pura impaciencia, y resultó ser el orden correcto. Pusimos nuestros propios sistemas de inteligencia artificial a trabajar dentro de nuestro ERP sin haber saneado nada, preguntando cosas que nadie había podido preguntar antes. Lo primero que salió no fue una respuesta: fue un mapa de lo que estaba roto y de lo que en realidad no importaba. De ese mapa, la mitad de los problemas que teníamos anotados como pendientes de arreglar resultó ser irrelevante. La otra mitad, la que sí afectaba a decisiones de verdad, se arregló en una semana — porque ya sabíamos exactamente qué arreglar y por qué.

El coste de esperar

Conviene decir lo que cuesta el consejo bienintencionado.

Una empresa que decide sanear antes de preguntar se compromete a un proyecto largo, caro y sin resultados intermedios, decidido a ciegas: como no sabe qué preguntas va a querer hacer, limpia todo por igual. Limpia campos que nadie va a mirar con el mismo esmero que los que deciden su margen. Y cuando termina —si termina— descubre que las preguntas que le interesan de verdad necesitaban otros datos, que no estaban en el plan.

Mientras eso pasa, la empresa sigue tomando decisiones con la información que tiene a mano, que es peor que la que podría tener. Ese es el coste real, y no aparece en ningún presupuesto: dos años de decisiones tomadas a media luz, esperando una limpieza que nunca acaba de estar lista.

Hay una asimetría aquí que merece pensarse. Sanear sin saber qué vas a preguntar es caro y lento. Preguntar sin haber saneado es rápido y barato — y su peor resultado posible es enterarte de qué está mal. Cuando una de las dos opciones tiene un suelo tan bajo, el orden lo decide solo.

No hace falta un gran proyecto para averiguarlo

Y aquí está la parte incómoda para el sector en el que trabajamos: averiguar si tus datos están sucios o solo mudos no es un proyecto. Es una tarde.

Basta con hacerle a tu sistema tres o cuatro preguntas que hoy nadie puede contestar sin abrir un Excel, y ver qué pasa. Si las contesta, nunca tuviste un problema de calidad de datos: tenías un problema de acceso. Si no las contesta, ya sabes exactamente dónde está lo roto — y no en abstracto, sino en el sitio concreto que te impide saber lo que quieres saber.

Lo tranquilizador es que esa prueba no exige tocar nada. Se puede hacer sobre una copia de tu sistema, en otra máquina, sin instalar nada en la tuya y sin riesgo para lo que hoy te funciona. Si la respuesta es que estás bien como estás, te has ahorrado un proyecto de dos años. Y si no lo estás, has cambiado una limpieza general a ciegas por una lista corta de cosas concretas.

Las tres preguntas, y lo que cuesta hacerlas

Nosotros somos Nodu, una agencia de Odoo, y esto es exactamente lo que hacemos: una vista de tu negocio que hoy no puedes ver, construida sobre un clon de tu ERP, con precio cerrado y publicado. Trabajamos así porque venimos de un laboratorio de inteligencia artificial —AiKit Research— y llevamos dos años gestionando nuestra propia empresa sobre Odoo con nuestros propios agentes trabajando dentro. Lo contamos con detalle en La lista invisible.

Antes de eso hay algo que no cuesta nada: la radiografía de tu Odoo es gratis. Te decimos qué tienes, qué no estás usando y qué se puede preguntar ya con lo que hay — sin limpiar nada primero. Si de ahí sale que no te hace falta nada, te lo diremos nosotros.

Así que no traigas los datos ordenados. Trae las tres preguntas que hoy nadie en tu empresa puede responder sin un Excel. Escríbenos y las probamos.

Esa es, en el fondo, la única diferencia importante. No entre datos sucios y datos limpios.

Entre datos que callan y datos que contestan.