Calidad de datos para IA comercial: el problema barato

Hay cuatro fallos de calidad de datos que rompen a un agente de IA comercial, y los cuatro son baratos de arreglar y caros de ignorar. El duplicado: dos registros del mismo lead que el agente trata como dos personas. El vacío: campos clave sin rellenar que el agente lee como 'desconocido' y responde de forma genérica. La obsolescencia: datos que cambiaron y nadie actualizó —un precio viejo, un estado cerrado que sigue 'abierto'. La inconsistencia: el mismo dato con valores distintos en dos sistemas.

Cada fallo genera un síntoma visible: el duplicado confunde la identidad, el vacío genera respuestas genéricas, la obsolescencia cita lo que ya no vale y la inconsistencia hace que el agente alucine eligiendo un valor al azar. Los cuatro se arreglan antes de desplegar la IA con una limpieza de CRM que cuesta días, no meses —y que evita que el agente falle durante meses por una base sucia.

La limpieza del CRM antes de desplegar IA sigue cuatro pasos: deduplicar (fusionar los registros del mismo lead en uno), completar (rellenar o marcar los campos clave que el agente necesita), actualizar (refrescar los datos que cambian —precios, estados, disponibilidad— y archivar lo obsoleto) y validar la consistencia (unificar los valores entre sistemas para que el agente lea lo mismo en todos). Cada paso es un proyecto de días, no de semanas.

El error es limpiar solo lo visible. Las empresas deduplican el nombre pero no el email, completan el teléfono pero no el estado de cualificación, actualizan los precios pero no las FAQs. La limpieza que importa es la que el agente va a leer: si el agente usa un campo para cualificar, ese campo tiene que estar limpio. Limpiar lo que el agente no lee no arregla nada; limpiar lo que sí lee arregla todo.

Un dato que no se actualiza se pudre. El precio que cambió el mes pasado pero sigue en el CRM hace que el agente cite un valor que ya no vale. El estado del lead que se cerró pero sigue 'abierto' hace que el agente lo trate como activo. La frescura no es un detalle —es la diferencia entre un agente que responde con la realidad y uno que responde con el pasado.

La regla de frescura: todo dato que cambia y que el agente lee tiene que actualizarse en el momento del cambio, no en un lote mensual. Los precios se actualizan cuando cambian; los estados, cuando se mueven; las FAQs, cuando hay una nueva objeción frecuente. Sin actualización en el momento, el agente acumula pequeños errores que suman una gran fuga. La calidad de datos no es un evento de limpieza —es un hábito de actualización.

Si mides la conversión del agente pero no la calidad de los datos que lee, culpas a la IA de lo que es un problema de datos. El agente convierte poco porque lee un CRM sucio; mides conversión, ves bajo, y decides que la IA no funciona —cuando lo que no funciona es la base. La métrica honesta mide las dos: conversión del agente y calidad de los datos que alimenta.

Las métricas de calidad que importan: duplicados por lead (cero), campos clave completos (porcentaje), datos obsoletos (antigüedad media del campo que el agente lee) y consistencia entre sistemas (discrepancias por campo). Si alguna se deteriora, la conversión cae por una causa que no es el modelo. Medir calidad es la única forma de distinguir un agente que no convierte de una base que no aguanta.