Hoy en día todos construyen agentes de IA en 5 minutos con n8n. Al menos eso me dice mi feed de LinkedIn. Mientras tanto, yo acabo de pasar 3 meses ayudando a un cliente a estructurar sus datos antes de que pudiera desplegar un solo agente que funcionara de verdad.

El problema no es la tecnología de IA: es que la mayoría de las pymes no tiene idea de dónde están sus datos ni de cómo prepararlos para sistemas de IA.

Esa conversación se me quedó grabada porque, honestamente, esta es la parte de la que nadie habla. Todos los tutoriales te muestran lo atractivo: construir agentes, conectar APIs, obtener respuestas. Nadie te muestra los meses de arqueología de datos poco glamorosa que probablemente van a pasar antes de que algo de eso funcione bien.

Tabla de contenidos

Abrir Tabla de contenidos

La realidad del descubrimiento de datos (o “¿dónde está todo?”)

Esto es lo que vas a encontrar cuando empieces a mapear tu panorama de datos: la información de clientes vive en tu CRM, pero solo la “oficial”. Las notas de verdad están en una planilla compartida de Google que actualizan tres personas distintas del equipo. Los datos financieros están en QuickBooks, salvo las transacciones internacionales, que se registran en Excel porque “QuickBooks no maneja bien varias monedas”.

Los detalles de los proyectos están repartidos entre tu herramienta de gestión de proyectos, conversaciones de Slack y adjuntos de correo. Los entregables para clientes están guardados entre Dropbox, Google Drive y la cuenta personal de OneDrive de alguien. Los tickets de soporte viven en tu software de mesa de ayuda, pero los temas urgentes se resuelven por WhatsApp al número personal de alguien.

Cuando le preguntes a tu CEO “¿dónde llevas el registro de la satisfacción de los clientes?”, se va a reír y te va a decir “en mi cabeza, más que nada”.

Esto no es raro. Lo veo en todas partes. Las pymes crecen de forma orgánica, y sus sistemas de datos crecen igual. Cada área elige herramientas que le sirven, nadie piensa en la integración y de repente tienes 12 fuentes de verdad distintas.

La auditoría de datos va a tomar unas 6 semanas. Solo para entender qué información existe, dónde vive y qué tan actualizada está. Vas a descubrir datos de clientes de hace años que son más precisos que los de tu CRM “oficial”. Prepárate para encontrar plantillas de proyecto guardadas en tres lugares distintos con números de versión distintos.

Antes de construir un agente de IA, necesitas saber con qué estás trabajando. La mayoría de las empresas se salta este paso y después se pregunta por qué sus agentes dan respuestas inconsistentes.

Integración y restricciones técnicas (o “por qué nada se habla con nada”)

Una vez que mapeas todo, vas a intentar conectar los sistemas. Acá es donde la fantasía del “agente en 5 minutos” se desarma de verdad.

Tu CRM tiene límites de llamadas a la API en el plan para pequeñas empresas: quizás 500 llamadas al día. Suena a mucho, hasta que te das cuenta de que sincronizar datos de clientes, actualizaciones de negocios e historial de comunicaciones las consume en unas 2 horas. La mayoría de las empresas tiene que subir de plan e implementar colas de solicitudes solo para que los datos sigan fluyendo.

La integración con Google Sheets funciona muy bien con conjuntos de datos pequeños. Pero cuando intentas procesar tu base maestra de clientes, con miles de filas, comentarios incrustados y formato condicional, la API va a seguir agotando el tiempo de espera. Vas a tener que dividir los datos y procesarlos en lotes más chicos.

El verdadero dolor de cabeza suele ser el almacenamiento de archivos. Las empresas normalmente tienen años de archivos de clientes organizados en estructuras de carpetas que tienen sentido para las personas, pero que son imposibles de navegar para una IA. Nombres de archivo como “Cliente_ABC_Propuesta_Final_V3_REVISADA_FINAL.pdf” no ayudan mucho a la clasificación automática.

Esto es lo que de verdad me llama la atención: la mayor parte del software de negocio está diseñado para personas, no para sistemas de IA. Los formatos de exportación son inconsistentes, la documentación de las APIs es optimista en el mejor de los casos, y todos asumen que trabajas con información limpia y estructurada.

Prepárate para pasar semanas solo construyendo pipelines de datos capaces de extraer y normalizar de forma confiable la información de tus herramientas actuales. No construyendo agentes de IA: construyendo la infraestructura que hace posibles los agentes de IA.

Y eso es antes de entrar en las restricciones técnicas de los propios sistemas de IA. Los sistemas RAG funcionan muy bien con unos cientos de documentos. Cuando estás manejando miles de archivos, chocas con los límites de la ventana de contexto. De repente necesitas bases de datos vectoriales, búsqueda semántica y estrategias para fragmentar documentos.

El proceso de preparación de datos (o “hacer útil el caos”)

La limpieza de datos es donde ocurre el trabajo de verdad. Y no se trata solo de corregir errores de tipeo o estandarizar formatos, aunque hay mucho de eso.

Vas a encontrar registros de clientes con decenas de variantes distintas del nombre de la misma empresa. “ABC Corp”, “ABC Corporation”, “ABC Corp.”, “abc corp”, “A.B.C. Corporation”: todos se refieren al mismo cliente. Un agente de IA entrenado con estos datos pensaría que son clientes distintos.

Los estados de los proyectos son todavía peores. El mismo proyecto puede aparecer como “En progreso”, “Activo”, “Iniciado”, “En curso” y “Vigente”, según quién ingresó el dato. Buena suerte entrenando a una IA para entender los plazos de los proyectos cuando tus propias personas no se ponen de acuerdo en una terminología consistente.

Después está el problema de los datos no estructurados. Años de conversaciones por correo, notas de reuniones y comunicaciones con clientes contienen información increíble, pero está todo encerrado en forma de párrafos. Las empresas necesitan construir sistemas de clasificación para extraer información accionable de texto libre.

Un ejemplo concreto: tu proceso de onboarding de clientes está documentado en un documento de Word largo, con capturas de pantalla, diagramas de flujo y comentarios incrustados. Excelente para personas, inútil para la IA. Hay que desarmarlo en árboles de decisión estructurados, checklists estandarizados y lógica condicional que un agente pueda seguir de verdad.

El proceso de normalización suele tomar otro mes o dos. Vas a construir tablas de mapeo para cada campo inconsistente, crear taxonomías estandarizadas para tipos de proyecto y categorías de clientes, y establecer reglas de validación de datos para evitar el caos a futuro.

La mayoría de las empresas termina con un esquema que puede manejar sus datos actuales y que es lo bastante flexible para el crecimiento futuro. Pero esa flexibilidad tiene un costo: cada decisión sobre la estructura de los datos hay que tomarla con cuidado, porque cambiarla después va a romper todo lo que construiste.

Una forma de verlo: no puedes automatizar el caos. Primero tienes que estructurarlo.

La realidad del despliegue y el rendimiento (o “por qué valió la pena esperar”)

Cuando por fin despliegas tu agente, funciona de maravilla. No porque la IA sea especialmente sofisticada, sino porque tiene datos limpios y estructurados con los que trabajar.

Consultas de clientes que antes tomaban 20 minutos de búsqueda humana en varios sistemas se pueden responder en segundos. El agente puede juntar el historial del cliente, el estado del proyecto, la información de facturación y las notas de comunicación en una sola respuesta coherente.

Pero esto te puede sorprender: el proceso de estructurar los datos mejora tus operaciones incluso antes de agregar IA. Tener una terminología consistente y relaciones claras entre los datos también acelera tus procesos humanos. Los equipos de ventas encuentran la información de prospectos al instante. Los jefes de proyecto siguen los entregables sin tener que buscar entre cadenas de correos.

Eso sí, el mantenimiento continuo no es trivial. La calidad de los datos es como el estado físico: no la logras una vez y te olvidas. Las empresas necesitan configurar controles automáticos de registros duplicados, formatos inconsistentes e información faltante. Pero igual alguien tiene que revisar los casos borde y actualizar las reglas de clasificación a medida que el negocio evoluciona.

Seis meses después, la mayoría de las empresas ve tiempos de respuesta de atención al cliente bastante más rápidos y mejor visibilidad de los proyectos. No porque la IA sea magia, sino porque los datos estructurados hacen que todo sea más eficiente.

El verdadero problema de los “agentes en 5 minutos” (o “demo vs. producción”)

Esto es lo que me saca de quicio del contenido de “construye un agente en 5 minutos”: funciona muy bien para demos y pésimo para empresas reales.

Esos tutoriales asumen que tienes datos limpios y accesibles. Asumen que tus sistemas se integran fácilmente. Asumen que sabes exactamente qué quieres que haga el agente y que tienes procesos consistentes para automatizar.

La mayoría de las pymes no tiene nada de eso. Y no tiene nada de malo: estaban enfocadas en hacer crecer su negocio, no en prepararse para implementar IA.

Pero cuando intentas construir agentes sobre datos desordenados y procesos inconsistentes, obtienes resultados desordenados e inconsistentes. El agente puede funcionar el 80% de las veces, lo que suena bien hasta que te das cuenta de que ese 20% de fallas crea más problemas de los que resuelve.

He visto empresas pasar meses tratando de entrenar agentes con datos no estructurados, preguntándose por qué las respuestas no son confiables. El problema no es la IA: son los cimientos.

Las empresas que están obteniendo valor real de los agentes de IA son las que invirtieron primero en infraestructura de datos. Pasaron esos meses poco glamorosos mapeando su información, limpiando sus bases de datos y estandarizando sus procesos.

No es un proceso de 5 minutos, y no es particularmente digno de Instagram. Pero es la diferencia entre demos impresionantes y sistemas en producción que de verdad mejoran tu negocio.

Una forma de verlo: la parte más difícil de implementar IA no es construir agentes. Es construir los cimientos que hacen útiles a los agentes.

¿Te da curiosidad cómo se ve realmente tu panorama de datos? El proceso de descubrimiento podría ser más complejo de lo que crees.