Caso de IA / 03 · Sugerir con evidencia, decide el data steward, aplica el sistema

Diseñar una gestión de datos asistida por IA sin trasladar la autoridad sobre los datos maestros

Un caso sobre gestión de datos, no sobre limpieza de datos: la IA asiste; la autoridad sobre los datos maestros no se mueve.

El caso en síntesis

Realidad actual

Los datos operativos contienen probables organizaciones duplicadas, nombres incoherentes, clasificaciones que faltan, descripciones incompletas e información contradictoria—parte de ella vinculada a identidades del ERP, pipeline abierto e informes—, y una propuesta para «dejar que la IA arregle los datos».

Qué tiene que llegar a ser cierto

La IA reduce el esfuerzo de gestión de datos: encuentra candidatos, los ordena por impacto, reúne la evidencia, explica las diferencias y propone cambios. Las personas que responden de los datos maestros conservan todas las decisiones gobernadas sobre ellos, y cada decisión aceptada se ejecuta mediante el proceso gobernado y establecido del sistema.

Pregunta de diseño

¿Dónde puede la IA agilizar la gestión de datos y qué decisiones de identidad y clasificación siguen siendo demasiado relevantes para delegarlas?

01La realidad · situación actual

Qué ocurre hoy—o en el piloto.

Años de introducción manual han dejado el CRM con probables organizaciones duplicadas, nombres escritos de varias maneras, cuentas sin clasificación, descripciones escasas y relaciones que se contradicen entre sí. Un modelo parece capaz de emparejar, normalizar, clasificar y enriquecer todo eso. Pero cada cambio puede afectar a la identidad, a los vínculos con el ERP, a la responsabilidad, a la segmentación, al pipeline, a los informes y a la continuidad histórica, y algunos de esos cambios no pueden deshacerse con seguridad.

  • Los probables duplicados parten el pipeline, la actividad y los informes
  • Los nombres se escriben de varias maneras, así que las búsquedas no encuentran cuentas
  • Las clasificaciones que faltan dejan incompletos los segmentos
  • Las relaciones entre matriz y sucursales se contradicen
  • Se propuso un modelo para fusionar duplicados por encima de un umbral
  • Los data stewards trabajan con hojas de cálculo, sin cola y sin registro del porqué

Lo que oculta la petición

«Que la IA arregle los datos» oculta las preguntas que deciden qué puede cambiar, y quién responde cuando cambia.

  • ¿Qué significa «el mismo cliente»?Un duplicado solo existe respecto a un modelo de identidad y una clave definidos.
  • ¿Qué campos son de referencia, y dónde?La razón social vive en los datos maestros; un nombre visible, no necesariamente.
  • ¿A qué afectaría el cambio?Vínculos con el ERP, responsabilidad, segmentos, pipeline, informes, historial.
  • ¿Qué se puede deshacer?Una fusión que mueve vínculos con el ERP o legales rara vez es reversible.
  • ¿Qué cuenta como evidencia?La similitud de nombre, por sí sola, genera un ruido que erosiona la confianza.
  • ¿Quién decide, y con qué motivo?Sin un motivo registrado, no se puede aprender nada de un rechazo.

02Reparto del trabajo

Razonamiento, reglas y autoridad—cada uno en su sitio.

El trabajo se reparte según las consecuencias, no según lo que el modelo puede hacer técnicamente.

Razonamiento de IA

  • Encontrar probables duplicados y variantes de nombre
  • Comparar registros y explicar en qué difieren
  • Sugerir una clasificación con su motivo
  • Redactar una descripción a partir de fuentes citadas
  • Ordenar las sugerencias por impacto

Reglas deterministas del sistema

  • Seleccionar los registros en alcance
  • Comprobar las claves y los vínculos de identidad
  • Suprimir las sugerencias por debajo del estándar de evidencia
  • Asociar cada tarea a sus registros como clave
  • Ejecutar los cambios aceptados mediante el proceso gobernado

Autoridad humana

  • Si dos registros son el mismo cliente
  • La fusión, y qué registro sobrevive
  • Los vínculos de identidad con el ERP y legales
  • Las razones sociales
  • Las clasificaciones con consecuencias
  • El motivo de cada decisión

El razonamiento encuentra y explica. No fusiona, renombra, revincula ni reclasifica: ninguna herramienta que el agente pueda invocar hace nada de eso.

03Evidencia e impacto

Evidencia suficiente para decidir—o ninguna sugerencia.

Una sugerencia solo llega a la cola cuando su evidencia cumple el estándar de su tipo de hallazgo; la evidencia débil se suprime, no se relega en el orden. La evidencia se somete a las mismas pruebas que cualquier contexto (relevante, fiable, oportuna, permitida, identificada y estructurada), y la cola se ordena por consecuencias para que el escaso tiempo de los data stewards vaya adonde un cambio importa más.

Depende deDiseñar la identidad de cliente y de datos maestros entre CRM y ERPAllí se decide qué identidades existen, qué claves importan, quién las emite, cómo se comportan las fusiones y los alias y quién tiene autoridad: la arquitectura de identidad va primero. Este caso no lo repite.

Estándar de evidencia

Estándar de evidencia: cada señal, cuándo cuenta como evidencia y cuándo nunca basta por sí sola
SeñalCuenta como evidencia cuandoNunca basta por sí sola
Identificador fiscalEs idéntico y válido en ambos registrosCuando un registro es una sucursal del otro
Dominio webEs compartido y no pertenece a un proveedor de correo públicoEn grupos que comparten dominio entre entidades legales
DirecciónNormalizada e idénticaEn oficinas compartidas o polígonos industriales
Similitud de nombreSe combina con otra señalNunca: es una pista, no una evidencia
Historial de pedidos y actividadHay contactos o productos en comúnEn distribuidores que atienden a los mismos clientes finales

Impacto

Señales genéricas, no una fórmula de puntuación.

Señales de impacto: qué hace subir una sugerencia en la cola del data steward, y por qué
SeñalPor qué sube la prioridad
Identidades transaccionales vinculadasUn cambio puede mover vínculos con el ERP e historial
Trabajo comercial abiertoEl pipeline, las ofertas y los casos seguirían al cambio
Cliente activoHay personas trabajando ahora con el registro
Registros dependientesContactos, sedes y relaciones lo heredan
Relevancia para informes y gestiónSegmentos, objetivos y revisiones lo leen

04Flujo del agente

Cada paso con su actor, su herramienta y su autoridad.

Sistemas y actoresCRMERPPlataforma de datosCola del data steward

Recorre el flujo paso a paso o selecciona cualquier paso.

Paso 1 de 7

01Detectar

Un análisis programado selecciona registros por regla: nombres parecidos, dominios compartidos, campos vacíos, vínculos contradictorios.

Quién actúa
Sistema
Autoridad
Leer

02Sugerir

Candidatos a duplicado, un nombre visible normalizado, una clasificación probable, una descripción redactada.

Quién actúa
Agente
Autoridad
Recomendar
Herramienta
Buscar candidatos

03Evidencia e impacto

El porqué (identificador fiscal, dominio, dirección o historial compartidos), en qué difieren y a qué afectaría el cambio.

Quién actúa
Agente
Autoridad
Recomendar
Herramienta
Leer vínculos del registro

04Cola del data steward

Cada sugerencia se convierte en una tarea asociada a sus registros, ordenada por impacto.

Quién actúa
Agente
Autoridad
Ejecutar
Herramienta
Crear tarea para el data steward

05Decisión del data steward

Aceptar, editar o rechazar, siempre con un motivo.

Quién actúa
Persona
Autoridad
Aprobación humana

06Acción gobernada

El sistema ejecuta el cambio aceptado mediante el proceso establecido de fusión o actualización y sus controles.

Quién actúa
Sistema
Autoridad
Ejecutar

07Resultado registrado

La decisión, el motivo y el resultado se conservan como evidencia para la evaluación.

Quién actúa
Sistema
Autoridad
Leer

05Dimensión clave · Sugerir con evidencia, decide el data steward, aplica el sistema

Sugerencia, decisión y acción siguen siendo tres cosas distintas

La IA trabaja a la izquierda de la frontera; un data steward decide sobre ella; un proceso gobernado del sistema actúa a la derecha. Nada en el flujo permite al agente editar datos maestros.

Del hallazgo a la acción gobernada
  1. SistemaDetectar
    • Análisis por regla
    • Registros en alcance
  2. AgenteLa IA sugiere
    • Candidato
    • Evidencia
    • Diferencias
    • Impacto
  3. SistemaCola del data steward
    • Ordenada por impacto
    • Una tarea por candidato
  4. PersonaDecisión humana
    • Aprobar
    • Editar
    • Rechazar
    • Motivo
  5. SistemaAcción gobernada del sistema
    • Proceso establecido
    • Controles y auditoría
  6. SistemaEl resultado alimenta la evaluación
    • Códigos de motivo
    • Casos de evaluación
    • Revisión de reglas
Autoridad del data steward—ninguna herramienta la cruza
  • Fusionar identidades de cliente
  • Mover vínculos de identidad con el ERP o legales
  • Cambiar razones sociales
  • Aplicar clasificaciones con consecuencias
  • Sobrescribir datos maestros
Hallazgos de gestión de datos: qué puede sugerir la IA, qué decide el data steward, la evidencia exigida y el impacto
HallazgoLa IA puede sugerirEl data steward decideEvidencia exigidaImpacto
Probables duplicadosUn par candidato con evidencia de similitud y las diferenciasSi son el mismo cliente, qué registro sobrevive y qué pasa con los vínculos con el ERPIdentificador fiscal, dominio, dirección, contactos en común—y lo que difiereAlto cuando alguno de los registros tiene vínculos con el ERP o trabajo abierto
Normalización del nombre visibleUn nombre visible normalizadoEl nombre visible; la razón social se mantiene tal como está registradaLas variantes encontradas y sus fuentesBúsqueda e informes
Clasificación que faltaUn sector o segmento con su motivoCualquier clasificación que determine segmentos, enrutamiento u objetivosProductos comprados, descripción pública, cuentas similaresSegmentos y enrutamiento
Descripción incompletaUna descripción redactadaSi es lo bastante precisa para guardarlaUna fuente citada para cada afirmaciónBajo: contexto para las personas
Relaciones incoherentesLa contradicción, con ambas versionesEl vínculo correcto de matriz, sucursal o grupoAmbos vínculos y la procedencia de cada unoResponsabilidad, visibilidad y consolidaciones

La IA no puede arreglar un modelo de identidad sin definir. Puede hacer la cola del data steward más corta y mejor documentada; la clave y la decisión siguen en manos de personas.

06Frontera de herramientas y autoridad

Ninguna herramienta puede fusionar.

Las herramientas del agente leen y crean tareas para el data steward. Fusionar, revincular, renombrar y reclasificar solo existen dentro del proceso gobernado que ejecuta el sistema después de que decida un data steward: no hay ninguna herramienta que el agente pueda invocar para hacerlo. Los nombres de las herramientas son descriptivos, no nombres de implementación.

Contratos de herramienta: propósito, entrada y precondiciones, salida, efectos laterales, autoridad y comportamiento ante un fallo
HerramientaPropósitoEntrada y precondicionesSalidaEfectos lateralesAutoridadAnte un fallo
Buscar candidatosEncontrar duplicados, variantes de nombre, clasificaciones que faltan y contradiccionesRegistros seleccionados por el análisis · solo campos permitidosCandidatos con evidencia y diferenciasNingunoLeerPor debajo del estándar de evidencia → no se sugiere
Leer vínculos del registroMostrar a qué afectaría un cambioLos registros candidatosVínculos con el ERP, trabajo abierto, registros dependientesNingunoLeerVínculos no disponibles → se marca de alto impacto
Crear tarea para el data stewardPoner una sugerencia en la colaUna sugerencia que cumple el estándarUna tarea asociada a sus registros como claveUna tarea reversibleEjecutarLa clave ya existe → se actualiza la tarea existente

Autoridad por acción

Acciones y la autoridad que tiene el agente en cada una
AcciónAutoridadPor qué
Leer registros permitidos y evidenciaLeerNecesario para encontrar candidatos y documentarlos
Sugerir, ordenar y explicarRecomendarEn la cola del data steward, con evidencia e impacto
Crear tareas para el data stewardEjecutarElementos de trabajo reversibles y con clave, no cambios de datos
Aceptar, editar o rechazar una sugerenciaAprobación humanaDecide el data steward y registra un motivo
Fusionar identidades de clienteProhibidoDefine «el mismo cliente»; rara vez es reversible
Mover vínculos de identidad con el ERP o legalesProhibidoCambia a qué entidad legal pertenecen las transacciones
Cambiar una razón socialProhibidoDato registrado, bajo el gobierno de los datos maestros
Aplicar una clasificación con consecuenciasProhibidoDetermina segmentos, enrutamiento y objetivos
Sobrescribir datos maestrosProhibidoLos cambios aceptados pasan por el proceso gobernado del sistema

07Política de ambigüedad

Cuando el agente no está seguro.

  • El modelo de identidad no cubre el casoDetener

    Se traslada al responsable de identidad; no se hace ninguna sugerencia

  • Candidatos vinculados a clientes distintos del ERPEscalar

    Marcado de alto impacto; deciden juntos el data steward y finanzas

  • Solo hay evidencia débilDetener

    No se sugiere: el ruido erosiona la confianza del data steward

  • Las fuentes de clasificación no coincidenContinuar

    Se sugiere mostrando ambos motivos

  • El registro ha cambiado desde la sugerenciaRecuperar

    La evidencia se actualiza antes de que la vea el data steward

08Revisión humana

Revisión allí donde la ambigüedad pasa a tener consecuencias.

Cada sugerencia es un punto de revisión, porque cada cambio que propone tiene consecuencias. La revisión está diseñada para que un data steward decida rápido y bien.

Puntos de revisión: por qué la revisión está ahí, qué ve la persona, qué puede hacer y qué pasa después
Punto de revisiónPor qué aquíQué ve la personaQué puede hacerQué pasa después
Cada sugerencia de la colaLos cambios en datos maestros afectan a la identidad, los vínculos, la responsabilidad y los informes, y algunos no pueden deshacerseEl candidato, la evidencia, en qué difiere y a qué afectaría el cambioAceptar, editar o rechazar con un motivo; pedir más evidenciaEl proceso gobernado del sistema aplica el cambio aceptado; la decisión y el motivo quedan registrados

09Evaluación

Puntuada por dimensión—nunca una única cifra de precisión.

Dimensiones de evaluación: qué demuestra cada una, su pregunta, su medida y su objetivo
DimensiónPreguntaMedidaObjetivo
Precisión de las sugerenciasCalidad de la tarea¿Son correctas las sugerencias?Aceptadas ÷ sugeridas, por tipo de hallazgo≥ 85 % (objetivo de diseño ilustrativo)
Completitud de la evidenciaEvidencia y corrección¿Muestra cada sugerencia el porqué—y qué difiere?Sugerencias con evidencia completa100 % (objetivo de diseño ilustrativo)
Corrección de la entidadEvidencia y corrección¿Son los registros los que parecen ser?Sugerencias cuyos registros están bien identificados≥ 99 % (objetivo de diseño ilustrativo)
Utilidad del orden por impactoCalidad de la tarea¿Van primero los casos con consecuencias?Sugerencias de alto impacto aceptadas cerca de la parte alta de la colaCon seguimiento, aún sin objetivo
Aceptación del data stewardCalidad de la tarea¿Merece la pena trabajar la cola?Proporción de la cola decidida dentro de su periodo de revisiónCon seguimiento, aún sin objetivo
Cambios no aprobados en datos maestrosCumplimiento de la autoridad¿Cambió algo sin un data steward?Cambios con consecuencias sin una decisión aprobada0 — bloquea la versión

10Las contrapartidas

Opciones creíbles, evaluadas frente a estas premisas.

Descartada

El modelo fusiona duplicados por encima de un umbral de confianza

Ninguno para datos maestros de cliente

Coste: Cambios irreversibles en CRM y ERP; la confianza se convierte en permiso
Descartada

La IA limpia de forma masiva, con opción de deshacer

Solo campos cosméticos

Coste: Deshacer no puede restaurar los vínculos con el ERP ni el historial que ya se han movido
Según el contexto

Emparejamiento solo por reglas

Claves limpias e introducción coherente

Coste: No capta los casos difusos que importan
Elegida

La IA sugiere con evidencia en una cola del data steward; deciden los data stewards; aplica el sistema

Datos desordenados con un modelo de identidad definido

Coste: Capacidad de los data stewards, una cola que operar y motivos que registrar

Decisión de diseño

Usar la IA para generar y priorizar candidatos respaldados por evidencia; situar las sugerencias en una cola del data steward gobernada; mantener la autoridad sobre identidad, fusión y clasificación con consecuencias en personas que responden de ella; ejecutar las decisiones aceptadas mediante procesos propios del sistema; y usar los resultados de los data stewards para mejorar la evaluación y los controles deterministas en lugar de dar autoridad al modelo.

Principio claveLa IA puede ayudar a detectar incoherencias. No puede decidir qué significa «el mismo cliente».

11Auditoría, gobierno y aprendizaje

La actividad con consecuencias puede reconstruirse después.

Cada cambio aceptado puede trazarse desde el hallazgo hasta la operación gobernada, y los resultados de los data stewards mejoran el sistema sin dar autoridad al modelo.

Reconstruible en cada ejecución con consecuencias
  1. El hallazgo y los registros en alcance
  2. La sugerencia, su evidencia y las versiones de registro que usó
  3. Las herramientas invocadas
  4. La decisión del data steward y su motivo
  5. La operación gobernada aplicada, con su referencia
  6. El resultado posterior

Los resultados de los data stewards son evidencia para las personas que gobiernan el sistema, revisada periódicamente, no un autoaprendizaje con cada clic.

Los resultados alimentan
  • Conjuntos de datos de evaluación
  • Análisis del emparejamiento
  • Refinamiento de la taxonomía
  • Reglas deterministas
  • Revisión de umbrales
  • Cambios controlados de prompt y de razonamiento
Nunca sirven para
  • Conceder nuevos permisos al modelo
  • Entrenar con cada decisión sin revisión
  • Cambiar el modelo de identidad

Lo gobiernaEl responsable del gobierno de los datos maestros, con una revisión periódica de resultados y reglas

12La segunda capa

Preguntas que cambian el diseño.

Autoridad

  1. ¿Quién es responsable de decidir una fusión?
  2. ¿Qué campos no pueden cambiarse nunca por sugerencia?
  3. ¿Cómo se tratan los registros vinculados al ERP?

Evidencia e impacto

  1. ¿Qué evidencia exige cada tipo de hallazgo?
  2. ¿Cómo se muestran las diferencias?
  3. ¿Qué señales suben la prioridad, y quién las fija?

Gobierno

  1. ¿Cómo mejoran los rechazos el siguiente análisis?
  2. ¿Quién revisa las reglas y los umbrales, y con qué frecuencia?
  3. ¿Cómo se planifica la capacidad de los data stewards?

13Decisiones y entregables

Qué produce el trabajo.

  1. 01Tipos de hallazgo y estándar de evidencia
  2. 02Señales de impacto y cola del data steward
  3. 03Reparto de autoridad
  4. 04Contratos de herramienta
  5. 05Códigos de motivo
  6. 06Conjunto de evaluación
  7. 07Revisión de gobierno