Datos y CRM para IA comercial: la base que decide

La frase que más se repite en IA —'garbage in, garbage out'— es la que menos se aplica cuando se despliega IA comercial. Se invierte en el agente, en el canal, en el modelo; se invierte cero en limpiar el CRM que alimenta todo eso. El resultado es predecible: el agente lee un CRM con tres versiones del mismo lead, un campo de presupuesto vacío y un historial que se perdió en una migración, y actúa sobre basura.

El error de base es tratar los datos como un tema técnico posterior, no como la primera fase del despliegue. Antes de conectar un agente de IA, hay que responder cuatro preguntas: ¿los datos están limpios? ¿hay una fuente única de verdad? ¿el agente lee los campos que necesita? ¿sabe lo que vende? Si cualquiera falla, el agente no convierte por buena que sea su conversación. La IA no arregla los datos —los lee.

El agente de IA necesita una fuente única de verdad: un lugar donde la identidad del lead, su historial, su estado y sus señales viven y se actualizan. Ese lugar es el CRM. Si el contexto vive en el bot de un canal, se pierde al saltar; si vive en una hoja de cálculo, se desincroniza; si vive en tres sistemas, el agente no sabe cuál creer y alucina. El CRM como fuente única evita que el agente invente lo que no sabe.

Sin fuente única, el agente hace lo que hace cualquier IA con datos contradictorios: elige uno al azar o los mezcla. Llama al lead por el nombre que vio en el último canal, cita el precio que encontró en el sistema viejo, deriva al comercial un contexto que no coincide con lo que el lead recuerda. La fuente única de verdad no es un lujo de gobernanza —es lo que mantiene al agente alineado con la realidad.

Un agente de IA de ventas no lee un chat log —lee un estado estructurado. Necesita saber quién es el lead (identidad), qué canal usó y cuándo (historial de contacto), en qué fase de cualificación está (estado), qué señales de compra ha mostrado (intención) y cuál es el siguiente paso definido (acción). Sin esos campos, el agente conversa pero no cualifica, no enruta y no deriva al humano en el momento justo.

El error más caro es alimentar al agente con el historial crudo en vez de con un estado estructurado. Un chat log le dice qué se dijo; un estado estructurado le dice qué hacer ahora. El agente que tiene que releer toda la conversación para decidir si el lead está listo para cerrar se equivoca y se retrasa; el que lee 'señal de compra detectada, listo para cita' actúa en el siguiente mensaje. Los datos estructurados son lo que hace que la IA actúe, no solo recuerde.

Hay una segunda capa de datos que se olvida con frecuencia: la base de conocimiento. El agente necesita saber lo que vende —servicios, precios, condiciones, FAQs, políticas— no solo quién es el lead. Sin esa base, el agente conversa, cualifica y deriva, pero cuando el lead pregunta '¿cuánto cuesta el plan anual?' o '¿incluye migración?', el agente inventa una respuesta. Esa alucinación es lo que más rápido rompe la confianza y lo que más se evita con una base de conocimiento conectada.

La base de conocimiento no es el CRM (que guarda al lead) —es el sistema que guarda lo que el agente necesita saber sobre tu oferta. Precios vigentes, diferencias entre planes, objeciones frecuentes y su respuesta, qué deriva a humano y qué resuelve solo. Un agente sin base de conocimiento es un comercial nuevo sin formación; con ella, es un comercial que sabe lo que vende desde el primer día. La IA no sustituye el conocimiento —lo escala.

El orden habitual del fracaso es: elegir el agente, elegir el canal, desplegar, y luego descubrir que los datos no aguantan. El orden correcto es el inverso: limpiar los datos, definir la fuente única, estructurar los campos del agente y construir la base de conocimiento —y después desplegar la IA sobre suelo firme. Los datos son la primera fase porque sin ellos, el agente se construye sobre lo que sea que haya y hereda todos sus errores.

La consecuencia de invertir primero en datos es que el agente convierte desde el primer día en vez de pasar meses 'aprendiendo' lo que en realidad es arreglar la base. La consecuencia de no hacerlo es una IA que parece funcionar (responde, cualifica) pero falla en lo que importa (cita el precio correcto, llama por el nombre, deriva con el contexto real). Los datos baratos deciden el retorno caro.