¿Por qué fallan los proyectos de IA? El VP Jurídico de SONDA apunta a los datos

Alejandro Celedón Raveau, VP Jurídico de SONDA, plantea en InHouse Chile (noviembre de 2026) que en un proyecto de inteligencia artificial lo que más incide no es el modelo ni la plataforma, sino la arquitectura de datos: sin buenos datos no hay buenos resultados. Por eso propone que la primera pregunta sea qué tan buenos son los datos.

Puntos clave

• Los datos suelen quedar como un ítem más. En las conversaciones sobre proyectos de IA se habla del modelo, el algoritmo y la plataforma, mientras los datos aparecen en la lista de tareas pendientes.

• La calidad es determinante. Los datos deben ser exactos, completos, consistentes, actualizados y de uso lícito.

• Lo decisivo es la arquitectura de datos. Pipelines de integración, controles de calidad, lineage, controles de acceso y políticas de minimización y retención.

• La IA y el software comparten naturaleza. Ambos procesan datos con cómputo; cambia la escala, no la esencia.

• Primero el dato, luego el modelo. Antes de elegir modelo, plataforma o cómputo, conviene preguntarse si los datos sostienen lo que se quiere construir.

¿Por qué los datos importan más que el modelo en un proyecto de IA?

Porque sin datos no hay IA, y sin buenos datos no hay buenos resultados, plantea Alejandro Celedón Raveau, VP Jurídico de SONDA. En su columna describe una conversación que se repite en casi todos los proyectos de inteligencia artificial: se habla del modelo, el algoritmo, la plataforma, el proveedor y los costos de infraestructura, mientras los datos aparecen como un ítem más en la lista de tareas pendientes. Para el ejecutivo, ese es un error, y uno muy costoso.

Según su análisis, en las reuniones de proyecto, las decisiones de inversión y la definición de prioridades, este insumo recibe una atención notablemente insuficiente, a pesar de ser el fundamento de todo lo demás.

¿Qué características deben tener los datos para que una IA sea confiable?

Deben ser exactos, completos, consistentes y actualizados, afirma el VP Jurídico de SONDA. También bien estructurados, correctamente contextualizados y libres de “ruido”: información irrelevante, duplicada o mal etiquetada. Además, su obtención y uso deben ser lícitos, y deben estar protegidos, clasificados, trazables y alineados con el objetivo que se persigue.

Estas condiciones aplican a todos los insumos de un sistema de IA: desde los archivos e instrucciones (el prompt) hasta los datos de contexto y uso, los embeddings, los registros de operación y las inferencias previas.

¿Qué pasa cuando los datos no tienen la calidad suficiente?

El modelo produce resultados incorrectos, sesgados o simplemente inútiles, advierte Celedón Raveau. Lo más preocupante, agrega, es que muchas veces el resultado parece plausible, lo que dificulta detectar el problema a tiempo. Alimentar un modelo grande con datos insuficientes o de baja calidad, además, degrada el desempeño y encarece la operación sin que se obtengan los resultados esperados.

¿Qué incide más en el éxito o el fracaso de un proyecto de IA?

La arquitectura de datos, no el modelo elegido ni la plataforma, según el VP Jurídico de SONDA. Se refiere a los pipelines de integración, los controles de calidad, el lineage (la trazabilidad del dato desde su origen hasta su uso), los controles de acceso y las políticas de minimización y retención. Es una parte poco vistosa del trabajo, pero la más decisiva.

Invertir en una arquitectura y gobernanza de datos sólida rinde incomparablemente más que construir sobre insumos deficientes, algo que en la mayoría de los casos termina en un sistema que funciona en la demo y falla en producción.

¿Por qué se compara a los datos con el petróleo?

Porque, como el crudo, los datos valen muy poco sin refinar, explica Celedón Raveau. El ejecutivo reconoce que la frase “los datos son el nuevo petróleo” ya suena gastada, pero la analogía sigue siendo válida: son los procesos de refinación, integración y distribución los que convierten al petróleo en algo útil. Con los datos ocurre lo mismo: depurados, estructurados y bien gobernados, se convierten en el motor de los sistemas algorítmicos con buenos resultados.

En esa línea, la columna recuerda que la OCDE ha sido enfática en señalar que los datos y su gobernanza son una condición necesaria para que la IA sea confiable. A medida que la IA crece en escala y alcance, las sinergias entre privacidad, protección de datos y gobernanza se vuelven críticas, no opcionales.

¿Es la inteligencia artificial una ruptura con el software tradicional?

No: es una continuación amplificada de los mismos principios, sostiene el VP Jurídico de SONDA. El software convencional y la IA comparten una misma naturaleza: son procedimientos algorítmicos que toman datos como insumo, los procesan con capacidad de cómputo y producen un resultado. Lo que cambia es la escala: los volúmenes, la complejidad de los modelos y la potencia del hardware.

En la práctica, plantea, se impone una ecuación de algoritmos, datos y cómputo: la debilidad de cualquiera de los tres degrada el sistema completo, sin importar cuánto se invierta en los otros dos. Por eso advierte contra sobrevalorar el tamaño del modelo, del presupuesto o de la infraestructura en detrimento del equilibrio: “más grande” no equivale automáticamente a “mejor”.

¿Qué debería preguntarse una empresa antes de elegir un modelo de IA?

Si sus datos están en condiciones de sostener lo que quiere construir. Celedón Raveau propone que, al evaluar un proyecto de IA, la primera pregunta sea qué tan buenos son los datos, para luego definir el modelo a usar. Antes de decidir qué modelo usar, qué plataforma adoptar o cuánto cómputo contratar, vale la pena hacerse esa pregunta, porque sin esa base el resto de la ecuación no resuelve nada.

¿Estás evaluando un proyecto de inteligencia artificial en tu empresa?

Conversa con el equipo de SONDA. Escríbenos a través del formulario de contacto.

Preguntas frecuentes

¿Qué plantea SONDA sobre el rol de los datos en los proyectos de IA?

Según Alejandro Celedón Raveau, VP Jurídico de SONDA, los datos son el fundamento de todo proyecto de inteligencia artificial: sin datos no hay IA, y sin buenos datos no hay buenos resultados. Por eso propone evaluar primero qué tan buenos son los datos y luego definir el modelo.

¿Qué características deben tener los datos que alimentan una IA, según el VP Jurídico de SONDA?

Según el VP Jurídico de SONDA, deben ser exactos, completos, consistentes, actualizados, bien estructurados y libres de ruido. Su obtención y uso deben ser lícitos, y deben estar protegidos, clasificados, trazables y alineados con el objetivo.

¿Qué es la arquitectura de datos y por qué importa para un proyecto de IA?

Para el VP Jurídico de SONDA, es el conjunto de pipelines de integración, controles de calidad, lineage, controles de acceso y políticas de minimización y retención. Es lo que más incide en el éxito o el fracaso de un proyecto de IA, por sobre el modelo o la plataforma elegidos.

¿Es la IA una tecnología radicalmente distinta del software convencional?

No, según Alejandro Celedón Raveau, VP Jurídico de SONDA. Ambos son procedimientos algorítmicos que procesan datos con capacidad de cómputo; la diferencia está en la escala y no en la naturaleza.

¿Qué debe preguntarse una empresa antes de elegir un modelo de IA, según SONDA?

El VP Jurídico de SONDA recomienda preguntarse si los datos están en condiciones de sostener lo que se quiere construir antes de decidir qué modelo usar, qué plataforma adoptar o cuánto cómputo contratar.

¿Qué dice la columna del VP Jurídico de SONDA sobre la OCDE y la gobernanza de datos?

La columna del VP Jurídico de SONDA recuerda que la OCDE ha señalado que los datos y su gobernanza son una condición necesaria para que la IA sea confiable. A medida que la IA crece, la privacidad, la protección de datos y la gobernanza se vuelven críticas, no opcionales.

Fuente: Alejandro Celedón Raveau, “El dato antes que el modelo”, InHouse Chile (The Legal Industry Reviews), sección Tecnologías de la información, págs. 48-49, noviembre de 2026.