Por Claudia Boeri, Presidenta de SAP para la región MCLAC

En América Latina estamos ante una transformación profunda, quizá la más determinante desde la digitalización masiva de los años noventa. Pero, a diferencia de aquellas etapas visibles y ruidosas, esta revolución avanza en silencio. No son las interfaces ni los algoritmos los que están cambiando el futuro de las organizaciones: son los datos. Más específicamente, la calidad, el contexto y la confiabilidad de esos datos.

Hoy la inteligencia artificial ocupa los titulares, pero su verdadero poder depende de la materia prima que la alimenta. Un agente de IA es tan inteligente como los datos que recibe. Por eso afirmamos que la revolución no es sólo la IA; es la calidad del dato. Y ambas necesitan una de la otra.

La calidad de los datos no se limita a su exactitud. También depende de la semántica empresarial, es decir, del significado compartido que les damos dentro de la organización. Dos áreas pueden utilizar el mismo dato con interpretaciones distintas; cuando eso sucede, incluso la información correcta genera decisiones contradictorias. En una región donde todavía conviven sistemas fragmentados, legados y procesos manuales, esta alineación es más urgente que nunca.

Para evaluar si un dato es realmente útil, debemos mirarlo a través de dimensiones concretas: exactitud, completitud, contexto, consistencia, oportunidad y unicidad. Son los criterios que permiten saber si la información es confiable y si puede respaldar analítica avanzada, automatización o modelos de IA generativa. Sin este piso, no hay innovación posible y el impacto en el negocio no se hace esperar.

La importancia de los datos de calidad se vuelve evidente cuando observamos sus beneficios: habilitan decisiones más precisas, predicciones acertadas, cumplimiento normativo, experiencias más coherentes y una operación más eficiente. Pero también cuando analizamos sus riesgos. Registros duplicados, reportes incorrectos, riesgos regulatorios, pérdida de clientes, oportunidades desaprovechadas: el costo del “mal dato” es enorme, y muchas veces invisible hasta que es demasiado tarde.

La buena noticia es que esta nueva necesidad está generando un movimiento virtuoso en el mundo del trabajo. La región de América Latina está viendo surgir profesiones que, hace pocos años, ni siquiera aparecían en los organigramas: arquitectos y curadores de datos, especialistas en gobierno de datos, ingenieros de IA, expertos en semántica, gestores de ética algorítmica. La calidad de datos no solo impulsa la eficiencia; también crea empleo, reconvierte perfiles y abre nuevas oportunidades para jóvenes profesionales y equipos técnicos.

Además, los datos confiables permiten a las empresas latinoamericanas explorar nuevos modelos de negocio: monetización de información, servicios basados en insights, cadenas de suministro predictivas, ecosistemas colaborativos y procesos autónomos.

La revolución silenciosa está en marcha y ha decidido acelerar su proceso. No ocurre en los titulares ni en los laboratorios, sino en los cimientos de cada empresa: sus datos. Quienes invierten hoy en calidad, gobierno y contexto están construyendo no solo mejores operaciones, sino también un motor sostenible para la competitividad de la próxima década. En un mundo donde la confianza es el nuevo diferencial, los datos confiables serán el activo más valioso para seguir creciendo.

Por Alex Cabrera Espejo, CEO Prevsis

¿Debemos ser amables o más exigentes con la inteligencia artificial? La pregunta es interesante, pero la discusión está mal enfocada.

Seguimos proyectando comportamiento humano sobre sistemas que no son humanos. Los modelos actuales conversan con una fluidez que hace difícil recordar que son sistemas estadísticos, no interlocutores conscientes. Es una trampa cognitiva.

Los modelos de lenguaje no sienten nada. No se intimidan. No se esfuerzan más porque alguien les escriba con dureza. Son sistemas probabilísticos entrenados sobre enormes volúmenes de texto humano. Si un tono directo obtiene mejores resultados que uno excesivamente educado, la explicación no es psicológica. Es estructural.

Cuando llenamos la indicación, o en inglés el prompt, con cortesías y amabilidades, estamos agregando palabras que no aportan información operativa. El modelo no entiende la intención detrás del “¿podrías, por favor, si no es mucha molestia…?”, simplemente procesa partes del lenguaje que no orientan hacia ningún resultado o instrucción concreta. En cambio, cuando escribimos de forma directa y precisa, concentramos significado. No es la rudeza lo que mejora el resultado, es principalmente ir al grano y ser taxativo.

Y aquí es donde la conversación se vuelve realmente relevante para quienes trabajamos con IA en procesos productivos complejos, en temas de seguridad y salud en el trabajo, donde las respuestas deben ser exactas. Se trata de análisis que afectan decisiones técnicas, regulatorias o estratégicas. En esos contextos, la calidad de la indicación es un factor crítico. Una instrucción bien construida puede ser la diferencia entre un resultado utilizable y uno que requiere reescribirse desde cero. Más aún cuando nos encontramos en entornos donde reportar un accidente implica que el tiempo, la precisión y la trazabilidad importan. Es allí donde estos temas marcan la diferencia y tienen consecuencias reales.

Patrón de formalidad

En el lenguaje humano, la exigencia suele ir de la mano con responsabilidad. Cuando alguien dice que algo debe ser perfecto, el contexto implícito es alta precisión, márgenes de error mínimos o nulos y consecuencias muy desfavorables si algo falla. Los modelos han aprendido esos patrones.

Entonces, cuando escribimos que algo es crítico, que no hay margen de error, que el análisis será revisado por especialistas, no estamos intimidando al modelo. Estamos invocando un patrón de formalidad técnica que activa una distribución de respuesta más cuidadosa. Es ingeniería del lenguaje, no psicología aplicada.

Si un modelo solo mejora cuando lo insultas, el problema no es el modelo. Es la falta de claridad en lo que escribes. La agresividad puede estar funcionando como un indicador accidental de urgencia o especificidad, pero no es el mecanismo activo. No es agresividad lo que necesitamos. Es estructura con propósito técnico y contexto bien definido. Si el resultado es inconsistente, faltó delimitar el alcance. Si divaga, no hubo marco de referencia. Siempre hay una causa estructural en la instrucción antes de culpar al modelo.

Así, la IA se está convirtiendo en un espejo de nuestra capacidad de pensar con claridad y de dedicarle el tiempo que merece a escribir y definir lo que realmente queremos lograr. No nos juzga, no nos presiona, no nos exige nada. Pero amplifica exactamente lo que le entregamos. Si el pensamiento es impreciso, la respuesta lo refleja. Si la pregunta está bien construida, el resultado lo demuestra.

La IA nos obliga a pensar mejor. Nos exige disciplina y especificidad. Esa es una de las competencias estratégicas que necesitamos desarrollar, la capacidad de comunicar con precisión lo que realmente necesitamos.