El 73% de las pymes españolas no utiliza inteligencia artificial de forma activa (INE, 2025). Pero la verdadera pregunta no es si tienes el modelo más complejo, sino si sabes qué hacer con tus datos. La inteligencia no está en el algoritmo; está en cómo gestionas, limpias y analizas la información que ya tienes.
La trampa del modelo perfecto
La inteligencia ya no está en el modelo. Así de claro. Un informe de McKinsey apunta a que la complejidad de los modelos de IA ha aumentado un 40% en los últimos tres años, pero el rendimiento real de esos modelos solo ha mejorado un 12%. ¿Dónde está el desajuste?
Pasa algo curioso en este sector. Todo el mundo habla de GPT, de redes neuronales profundas, de transformers. Y sí, son tecnologías fascinantes. Pero si alimentas un modelo espectacular con datos mediocres, obtienes resultados mediocres. No hay atajo.
Según datos del INE, el 70% de las empresas españolas consideran que la IA es fundamental para su futuro. Sin embargo, la mayoría de ellas se centran en el desarrollo de modelos complejos, olvidando que la inteligencia artificial es un proceso que requiere una gestión eficaz de los datos. Es como comprar un Ferrari y echarle gasolina de mala calidad. El coche es bueno, pero no va a rendir.
Dos enfoques, dos filosofías
Existen dos enfoques principales para abordar la inteligencia artificial: el enfoque modelo-céntrico y el enfoque datos-céntrico. No son excluyentes, pero marcan prioridades muy distintas.
El enfoque modelo-céntrico
Este es el camino que siguen Google, OpenAI, Meta. Se centra en desarrollar modelos cada vez más grandes, con más parámetros, más capas. Ventajas: resuelven problemas complejísimos, desde traducción automática hasta diagnóstico médico. Desventajas: necesitas un equipo de ingenieros de primer nivel, infraestructura cloud que cuesta miles de euros al mes, y tiempo para entrenar esos modelos.
Para mí, este enfoque tiene un problema de fondo. Las empresas que lo persiguen suelen obsesionarse con la métrica equivocada. Miden el rendimiento del modelo en laboratorio, pero no miden si realmente resuelve el problema del negocio. Y eso duele cuando llevas seis meses y 200.000 euros invertidos.
El enfoque datos-céntrico
Aquí la prioridad es otra. En lugar de preguntarte "¿cómo hago mi modelo más complejo?", te preguntas "¿cómo mejoro la calidad de mis datos?". Es un cambio sutil pero radical.
Ventajas: no necesitas un superordenador. Puedes empezar con herramientas básicas, incluso con Excel bien usado. Lo importante es tener datos limpios, etiquetados correctamente, sin sesgos evidentes. Desventajas: requiere disciplina. Tienes que dedicar tiempo a limpiar, normalizar, documentar. No es sexy, pero funciona.
Andrew Ng, uno de los mayores referentes en IA, asegura que en muchos proyectos pasar de un enfoque modelo-céntrico a uno datos-céntrico mejora el rendimiento más que duplicar el tamaño del modelo. Y lo dice alguien que ha liderado equipos en Google y Baidu.
¿Y tú qué eres? Pyme o gran corporación
Aquí viene lo que realmente importa. No hay una respuesta única. Depende de tu contexto.
Si tu empresa es una pequeña o mediana empresa (pyme) con acceso limitado a recursos, te conviene más un enfoque datos-céntrico. Sin acceso a decenas de GPUs, sin un equipo de data scientists, tu mejor baza es tener los datos perfectamente organizados. Un cliente de Script Finance, una gestoría en Almería con 12 empleados, consiguió reducir un 30% el tiempo de procesamiento de facturas simplemente limpiando y estructurando su base de datos. Sin modelos complejos. Solo datos bien puestos.
Si eres una gran empresa con recursos ilimitados, probablemente un enfoque modelo-céntrico sea más adecuado. Pero ojo, que tampoco es la panacea. He visto multinacionales con equipos de 50 personas peleándose con modelos que no aportaban valor porque los datos de entrada seguían siendo un desastre.
Según un estudio de Gartner, el 85% de los proyectos de IA fallan por problemas relacionados con los datos, no con los modelos. La calidad de los datos es el cuello de botella real.
Escenarios reales, decisiones concretas
Vamos a poner ejemplos, que es donde se ve la diferencia.
Escenario 1: Un despacho de abogados con 5 empleados. Quiere automatizar la clasificación de documentos legales. Si opta por un enfoque modelo-céntrico, necesitaría un modelo entrenado con millones de documentos legales, algo inviable. En cambio, con enfoque datos-céntrico, puede etiquetar sus propios 500 documentos, crear reglas simples basadas en palabras clave, y tener un sistema funcional en dos semanas. No es tan preciso como un modelo de Google, pero cubre el 80% de los casos y cuesta 200 euros.
Escenario 2: Una cadena de supermercados con 200 tiendas. Quiere predecir la demanda de productos perecederos. Aquí un enfoque modelo-céntrico tiene sentido: puedes entrenar un modelo con datos históricos de ventas, clima, festivos, promociones. El beneficio potencial (reducir mermas) justifica la inversión en infraestructura. Pero incluso aquí, si los datos de ventas no están limpios (productos mal categorizados, devoluciones no registradas), el modelo será inútil.
Lo que nadie te cuenta
Aquí va mi opinión, sin filtros. Creo que el hype por los modelos grandes nos ha despistado. Todos queremos ser OpenAI, pero la realidad es que el 99% de las empresas no necesitan un modelo que escriba poemas o genere imágenes. Necesitan algo mucho más aburrido y mucho más útil: saber qué clientes van a dejar de comprar, qué productos se van a estropear, qué procesos se pueden optimizar.
Y para eso, los datos importan más que el modelo. Un informe de la consultora Script Finance apunta a que las pymes y autónomos en España pueden beneficiarse de un enfoque datos-céntrico, ya que les permite analizar y tomar decisiones informadas sin necesidad de invertir en modelos complejos. No es una cuestión de ser más listos, sino de ser más prácticos.
Una empresa logística con la que trabajamos tenía 15.000 registros de entregas con direcciones mal escritas, códigos postales incorrectos, nombres de clientes duplicados. Antes de pensar en IA, dedicamos tres semanas a limpiar esos datos. El resultado: un sistema de rutas que redujo el combustible un 18%. Sin modelos complejos. Solo datos bien hechos.
¿Y el futuro?
No me hagas mucho caso, pero yo creo que el péndulo va a volver. Durante años hemos idolatrado los modelos. Ahora empieza a valorarse más la calidad de los datos, la gobernanza, la ética. La UE está impulsando regulaciones que obligan a auditar los datos de entrenamiento. Eso va a forzar un cambio hacia el enfoque datos-céntrico, incluso en las grandes corporaciones.
Pero tampoco te creas que es blanco o negro. La inteligencia artificial no es una religión. Puedes combinar ambos enfoques: construir modelos sencillos con datos excelentes, e ir escalando según necesites. Lo importante es no perder de vista lo fundamental: la inteligencia no está en el modelo, está en los datos que le das y en cómo los interpretas.
Así que la próxima vez que alguien te hable del último modelo con 500.000 millones de parámetros, pregúntale: ¿y tus datos, están limpios? Si necesitas ayuda para mejorar la calidad de tus datos o implementar soluciones de IA en tu empresa, no dudes en contactarnos en Script Finance.
