Las empresas acumulan cada vez más datos, pero no siempre saben usarlos: el reto de convertir información en decisiones

Un cliente escribe por WhatsApp para resolver un problema, después llama al call center y termina contactándose por la aplicación. En cada canal vuelve a explicar quién es, qué necesita y qué ocurrió. La empresa tiene toda esa información, pero repartida en sistemas que no necesariamente conversan entre ellos.

La escena resume uno de los problemas que enfrentan muchas organizaciones: durante años acumularon datos procedentes de llamadas, correos electrónicos, transacciones, aplicaciones y plataformas digitales, pero disponer de grandes cantidades de información no equivale automáticamente a saber utilizarla.

La expansión de la inteligencia artificial ha vuelto esa diferencia todavía más evidente. Un informe publicado por McKinsey & Company en 2026 señala que, aunque nueve de cada diez responsables de marketing consultados experimentan con aplicaciones de IA, menos del 10% afirma haberlas escalado o capturado valor a lo largo de sus flujos de trabajo.

Es decir, probar herramientas resulta relativamente sencillo. Conseguir que formen parte real de los procesos de una empresa es otra historia.

Para Andrés Bogetto, director de Operaciones de Konecta Perú, el punto de partida no debería ser incorporar una nueva tecnología, sino conseguir que la información que una organización ya posee pueda utilizarse cuando realmente se necesita.

“El verdadero valor de los datos se multiplica cuando logramos unificar toda esa información en la nube y la ponemos a disposición de sistemas inteligentes capaces de asistir y actuar de inmediato”, explica.

A partir de ese problema, el especialista identifica tres pasos que pueden marcar la diferencia entre acumular información y convertirla en una herramienta útil para el negocio.

Primera clave: conseguir que los datos dejen de vivir en sistemas separados

Una llamada puede quedar registrada en una plataforma, una compra en otra y un reclamo en una tercera. Si esos sistemas no están integrados, cada área termina con una pieza distinta de la historia del mismo usuario.

Para Bogetto, una de las primeras tareas consiste en centralizar la información procedente de los diferentes canales para que pueda consultarse de manera conjunta.

Esto permitiría, por ejemplo, que un asesor sepa desde el inicio si un cliente ya realizó una consulta, qué producto tiene contratado o qué ocurrió durante una interacción anterior, sin obligarlo a repetir nuevamente toda la información.

Pero integrar datos no significa simplemente enviarlos a la nube. Para que resulten útiles, deben estar actualizados, organizados, protegidos y disponibles para los sistemas y trabajadores que realmente necesitan consultarlos.

El impacto puede ser relevante. McKinsey estima que determinadas aplicaciones de personalización mediante inteligencia artificial pueden elevar entre 15% y 20% la satisfacción del cliente y reducir hasta 30% los costos de servicio, aunque alcanzar esos resultados depende, entre otros factores, de contar con información integrada y procesos capaces de utilizarla.

El reto adquiere mayor relevancia con la inteligencia artificial. Un sistema puede procesar miles de registros en pocos segundos, pero si recibe información incompleta, duplicada o desactualizada, su capacidad para ofrecer una respuesta útil también se reduce.

Segunda clave: pasar de una IA que responde a otra que ejecuta tareas

El siguiente cambio está relacionado con la denominada IA agéntica, una generación de sistemas diseñada para ir más allá de responder preguntas o generar contenido.

Estos asistentes pueden realizar diferentes pasos dentro de un mismo proceso. En atención al cliente, por ejemplo, podrían validar la identidad de una persona, consultar su historial, revisar el estado de una solicitud y ejecutar determinadas operaciones dentro de los sistemas internos.

Bogetto sostiene que las empresas están comenzando a buscar aplicaciones que puedan incorporarse directamente a procesos cotidianos, en lugar de quedarse únicamente en pruebas piloto.

La diferencia es importante. Un chatbot puede indicar qué necesita hacer un usuario para resolver un trámite; un sistema con capacidad de ejecutar acciones podría avanzar parte de ese procedimiento por él.

Sin embargo, la mayor autonomía también exige establecer límites.

Las organizaciones necesitan definir qué acciones puede ejecutar una herramienta automáticamente, cuáles requieren aprobación humana y cómo se revisa una operación cuando existe un error o una situación excepcional.

La protección de datos personales, la trazabilidad de las decisiones y la supervisión humana pasan así a ser tan relevantes como la velocidad de respuesta.

Tercera clave: utilizar la automatización para apoyar a las personas

La tercera pieza está en el trabajo humano.

Automatizar un proceso no necesariamente significa eliminar a la persona que participa en él. La tecnología puede encargarse de tareas repetitivas como buscar información, ordenar antecedentes, completar datos o presentar recomendaciones, mientras el trabajador concentra su tiempo en resolver situaciones que requieren criterio.

“Cuando las herramientas digitales se encargan del trabajo operativo pesado y de la sincronización de datos, el asesor puede concentrarse en escuchar al usuario y resolver su problema”, señala Bogetto.

En una interacción compleja, por ejemplo, un sistema puede presentar en pantalla todo el historial disponible y proponer posibles soluciones. El trabajador puede entonces evaluar cuál corresponde, conversar con el cliente y tomar una decisión cuando el caso no encaja dentro de un procedimiento estándar.

El riesgo está en automatizar por automatizar. Digitalizar un proceso ineficiente sin modificarlo puede conseguir únicamente que el mismo problema ocurra más rápido.

Por ello, la incorporación de tecnología debería comenzar identificando qué tareas consumen tiempo, qué información falta y qué decisiones realmente pueden simplificarse.

Muchas empresas prueban IA, pocas consiguen escalarla

La diferencia entre experimentar y transformar un proceso explica por qué muchas organizaciones anuncian pilotos de inteligencia artificial que luego no llegan a convertirse en herramientas utilizadas a gran escala.

El informe de McKinsey citado anteriormente muestra que, aunque nueve de cada diez responsables de marketing consultados experimentan con aplicaciones de IA, menos del 10% afirma haberlas escalado o capturado valor a lo largo de sus flujos de trabajo. El obstáculo no siempre está en la herramienta elegida, sino en lo que existe antes de ella: datos dispersos, sistemas desconectados y procesos que todavía dependen de tareas manuales.

Para Bogetto, el salto ocurre cuando la inteligencia artificial deja de funcionar como una prueba aislada y se conecta con la información y los procesos reales de la organización. Es allí donde puede pasar de responder consultas a intervenir en tareas concretas.

Si una empresa tiene bases de datos duplicadas, sistemas que no se comunican y procesos poco claros, añadir una nueva capa de inteligencia artificial no elimina automáticamente esas deficiencias.

Por eso, antes de escoger el chatbot, agente o plataforma más reciente, la pregunta puede ser mucho menos tecnológica: ¿qué problema concreto queremos resolver y qué información necesitamos para hacerlo?