La decisión que más me costó defender construyendo plataformas de datos, lo que salió mal y el canvas que me hubiera gustado tener.
Esta es la primera Bitácora del CDO.
Una vez al mes te voy a contar una decisión difícil de liderar IA y datos. Qué decidí, qué salió mal y qué haría hoy. Y te dejo una herramienta gratis para que la uses el lunes.
La escena
Hace unos años me tocó liderar la construcción de una plataforma analítica en una empresa industrial, con operación en campo y en planta.
Sobre el papel, el propósito era claro: una visión 360 de la operación. En la práctica, esa visión tenía que responder tres preguntas.
¿A dónde mandamos la operación hoy? ¿Cuánta materia prima vamos a tener mañana? ¿Con qué calidad va a llegar a planta?
La tecnología estaba: Azure, Databricks, datos internos y externos, modelos de machine learning. Lo difícil fue otra cosa.
El reto más grande no fue técnico. Fue demostrar que todo eso valía la pena.
La decisión
Una plataforma de datos tarda en mostrar resultados. Y el negocio no espera.
Ahí aparece la pregunta que todo líder de datos se hace alguna vez: ¿construyo la base completa primero o empiezo a entregar algo que el negocio pueda usar ya?
Parece una pregunta técnica. No lo es.
Es una pregunta de confianza: cuánto tiempo te van a dar antes de preguntarte qué compraron.
Las tres opciones que tenía
Opción 1: la base completa primero. Traer todos los datos al lake, ordenarlos, gobernarlos y recién después hacer casos de uso. Es lo que pide el manual de arquitectura.
El riesgo: pasas meses construyendo algo que nadie ve. Cuando por fin está listo, el sponsor ya cambió de prioridades.
Opción 2: resultados rápidos sin base. Un dashboard por aquí, un Excel conectado por allá. El negocio queda feliz un trimestre.
El riesgo: cada pedido nuevo empieza de cero y la deuda técnica crece en silencio.
Opción 3: casos de uso dentro de un roadmap. Elegir pocos casos concretos, atados a esas tres preguntas, y construir solo la parte de la plataforma que cada caso necesita.
El lake deja de ser el fin. Pasa a ser lo que habilita.
Qué elegí y por qué
Elegí la tercera.
Cada caso de uso tenía que responder una de las tres preguntas. Si no respondía ninguna, no entraba. Así de simple.
Eso nos obligó a hacer cosas que no estaban en el plan original: integrar datos externos y "datificar" partes de la operación que antes no dejaban ningún dato.
Y nos dio algo que la opción 1 no da: una conversación con el negocio sobre decisiones, no sobre tablas.
No era la primera vez que lo hacía así. Antes, en una universidad, las preguntas eran otras: ¿cuántos alumnos nuevos vamos a tener? ¿Quiénes se van a ir?
De ahí salieron el data warehouse y los dashboards de captación y retención. La decisión vino de arriba y todos la acataron. Pero con el tiempo llegó la pregunta de siempre: ¿qué compramos?
En la industria apliqué el mismo orden, a otra escala: primero las preguntas, después la tecnología.
Qué salió mal
Elegir bien no te salva de equivocarte después. Estos cuatro problemas se repitieron, y ninguno era de tecnología.
1. Proyectos sin criterio de éxito. Arrancábamos sin tener claro qué número tenía que moverse ni quién lo iba a validar. Lo ordené con talleres al inicio y trabajo ágil por entregas.
2. Datos sucios o incompletos. Para algunos modelos, los datos no alcanzaban. Ningún algoritmo arregla un dato que nunca se capturó. La respuesta fue una estrategia de datificación: decidir qué medir y empezar a medirlo.
3. Expectativas altas, requerimientos vagos. "Queremos IA" no es un requerimiento. Lo aterrizamos con reuniones de alineamiento antes de construir.
4. Prioridades que no cuadraban. Cada área sentía que su caso era el urgente. Una matriz de priorización puso la discusión sobre la mesa: ya no ganaba el que hablaba más fuerte.
Mirando atrás, el error de fondo fue el mismo en los cuatro: empezamos casos sin que alguien del negocio firmara qué decisión iba a mejorar.
Qué haría hoy
Volvería a elegir casos de uso dentro de un roadmap. Pero cambiaría tres cosas.
Escribiría el criterio de éxito antes de la primera línea de código. Una frase: qué decisión mejora, cuánto y para cuándo.
Le pondría dueño a cada caso. Alguien del negocio, con nombre, que pueda decir "esto me sirvió" o "esto no".
No caería en la versión nueva de la opción 1. Hoy se llama "primero dejemos los datos listos para la IA".
Ojo, los datos listos sí importan. Dun & Bradstreet encuestó a 10.000 empresas de 32 países y lo publicó el 28 de octubre de 2026. El 81% de las que dicen tener sus datos totalmente listos reporta retornos amplios o fuertes con IA. Entre las que los tienen listos solo en parte, apenas el 12%.
El mismo estudio dice que solo el 8% siente que sus datos están totalmente listos. Y es una encuesta: muestra una relación, no prueba la causa.
Mi lectura (opinión): la mayoría nunca va a tener todos sus datos listos. La pregunta útil es otra.
¿Listos para qué decisión?
Un caso de uso a la vez. Cada uno deja lista una parte más de la base.
La herramienta: Canvas de caso de uso
Este es el canvas que me hubiera gustado tener en ese proyecto. Te lo dejo en PDF: una página en blanco y otra con un ejemplo. Junta los cuatro problemas de arriba en siete casilleros. Si un caso no entra en una página, todavía no está listo para construirse.
O cópialo tal cual:
1. Decisión. ¿Qué decisión va a mejorar? Ejemplo: a dónde mandamos la operación mañana.
2. Dueño. ¿Quién del negocio toma esa decisión y va a validar el resultado? Un nombre, no un área.
3. Pregunta. ¿Qué pregunta tiene que responder el dato?
4. Criterio de éxito. ¿Qué número se tiene que mover, cuánto y para cuándo?
5. Datos. ¿Cuáles ya existen, cuáles vienen de afuera y cuáles hay que empezar a medir?
6. Lo que queda construido. ¿Qué pieza de la plataforma deja lista para el próximo caso?
7. Prioridad. Valor para el negocio (1 a 5) por facilidad (1 a 5). Se discute con los dueños en la misma mesa, no por correo.
Una regla: si el casillero 1 o el 2 quedan vacíos, el caso no entra.
Para cerrar
La plataforma no se vende. Se vende la decisión que mejora.
La plataforma es lo que queda construido después de cumplir varias veces.
Si mañana tuvieras que defender tu plataforma de datos ante el directorio, ¿qué decisión pondrías primero?
Fuentes
- Dun & Bradstreet, "Dun & Bradstreet Survey of 10,000 Businesses Finds AI Returns Stable for Most, but Data-Ready Companies Pull Ahead on ROI" (28-oct-2026)
Deyvis Laura
Fundador de NLP Analytics. Líder de transformación digital con IA y datos, docente de posgrado y speaker.