Un informe de 2025 del IBM Institute for Business Value (IBV) encontró que el 43% de los directores de operaciones identifican los problemas de calidad de datos como su prioridad más significativa. Para varios expertos, dicha afirmación tiene sentido, pues más de una cuarta parte de las organizaciones estiman pérdidas por encima de cinco millones de USD anuales debido a la baja calidad de los datos, con un 7% reportando pérdidas de 25 millones o más.
En opinión del Ingeniero Fran Romero Álvarez, director del Programa de Ingeniería de Datos e Inteligencia Artificial de la Universidad Católica de Colombia, esta situación es cada vez más frecuente en las empresas, las cuales se apresuran a implementar soluciones basadas en Inteligencia Artificial sin antes consolidar procesos que garanticen la calidad de los datos. Como resultado, la IA genera respuestas basadas en información desactualizada, incompleta o sesgada.
Los riesgos de entrenar algoritmos con datos erróneos o imprecisos
Los datos, la analítica y la IA ocupan ahora un lugar central en las operaciones de cualquier organización alrededor del mundo. Resulta muy importante adoptar esquemas de gobernanza que aseguren una adecuada calidad de datos para la toma de decisiones y el entrenamiento de modelos de IA. Es esta una de las principales razones por las que el rol del Ingeniero de Datos e IA cobra una gran importancia para las empresas.
Si entrenas un modelo con datos incompletos, erróneos o imprecisos, las salidas del modelo no solo serán erróneas, aún más grave, se pueden tornar sistemáticas y replicarse a gran velocidad.
“Una falla de medición en un sensor que alimenta un algoritmo puede hacer que un sistema asuma como ‘normal’ un comportamiento anómalo, lo cual es fatal en entornos industriales o de tráfico automatizado”, precisó el Ing. Fran Romero Alvarez.
Cómo la mala calidad de los datos puede impactar decisiones en salud, finanzas y seguridad y generar pérdidas irreparables
Los errores en los datos y gestión deficiente tienen serias consecuencias en el mundo organizacional; he aquí algunos ejemplos:
Finanzas: personas y organizaciones alrededor del mundo toman malas decisiones de inversión, entre otras razones, por no contar con datos y modelos predictivos de buena calidad para una adecuada toma de decisiones.
Salud: un registro médico duplicado, la omisión de una alergia en una base de datos o equipos biomédicos mal calibrados que envíen datos erróneos al sistema central pueden derivar en tratamientos incorrectos o sobredosis.
Seguridad: algoritmos de reconocimiento facial entrenados con bases de datos poco representativas han llevado a falsos arrestos, marcando a personas inocentes como sospechosas simplemente porque la IA no tenía datos de calidad para diferenciar rasgos adecuadamente.
Estudios publicados en la revista MIT Sloan Management Review calculan que el costo de la mala calidad de los datos equivale a perder entre el 15% y el 25% de los ingresos totales de una empresa. Por su parte, en un reporte famoso, IBM estimó que la mala calidad de los datos le costaba a la economía de Estados Unidos más de 3000 millones de dólares anuales por pérdida de productividad y mantenimiento de sistemas.
La confiabilidad de los datos en empresas y entidades públicas del país
En ese contexto, también surge la necesidad de analizar qué tan confiables son los datos que utilizan actualmente las empresas y las entidades públicas en Colombia.
Es un panorama mixto. A nivel normativo, Colombia es muy exigente. El MinTIC publica constantemente la Guía de Estándares de Calidad e Interoperabilidad de Datos Abiertos, exigiendo a las entidades públicas que cumplan con criterios como precisión, completitud y actualización. Sin embargo, la misma guía del MinTIC reconoce textualmente que "actualmente, no todos los conjuntos de datos proporcionados y publicados por las entidades del Estado en el portal de Datos Abiertos tienen la misma calidad", precisó el director del Programa de Ingeniería de Datos e Inteligencia Artificial del a Universidad Católica de Colombia.
Muchas entidades aún sufren de bases de datos fragmentadas, formatos incompatibles (como subir un PDF escaneado en lugar de un Excel estructurado) y errores de digitación humana que obligan a los analistas a perder horas "limpiando" la información antes de poder usarla.
