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.
Diseñar 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
| Señal | Cuenta como evidencia cuando | Nunca basta por sí sola |
|---|---|---|
| Identificador fiscal | Es idéntico y válido en ambos registros | Cuando un registro es una sucursal del otro |
| Dominio web | Es compartido y no pertenece a un proveedor de correo público | En grupos que comparten dominio entre entidades legales |
| Dirección | Normalizada e idéntica | En oficinas compartidas o polígonos industriales |
| Similitud de nombre | Se combina con otra señal | Nunca: es una pista, no una evidencia |
| Historial de pedidos y actividad | Hay contactos o productos en común | En distribuidores que atienden a los mismos clientes finales |
Impacto
Señales genéricas, no una fórmula de puntuación.
| Señal | Por qué sube la prioridad |
|---|---|
| Identidades transaccionales vinculadas | Un cambio puede mover vínculos con el ERP e historial |
| Trabajo comercial abierto | El pipeline, las ofertas y los casos seguirían al cambio |
| Cliente activo | Hay personas trabajando ahora con el registro |
| Registros dependientes | Contactos, sedes y relaciones lo heredan |
| Relevancia para informes y gestión | Segmentos, objetivos y revisiones lo leen |
04Flujo del agente
Cada paso con su actor, su herramienta y su autoridad.
CRMERPPlataforma de datosCola del data steward
Recorre el flujo paso a paso o selecciona cualquier paso.
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.
- SistemaDetectar
- Análisis por regla
- Registros en alcance
- AgenteLa IA sugiere
- Candidato
- Evidencia
- Diferencias
- Impacto
- SistemaCola del data steward
- Ordenada por impacto
- Una tarea por candidato
- PersonaDecisión humana
- Aprobar
- Editar
- Rechazar
- Motivo
- SistemaAcción gobernada del sistema
- Proceso establecido
- Controles y auditoría
- SistemaEl resultado alimenta la evaluación
- Códigos de motivo
- Casos de evaluación
- Revisión de reglas
- Fusionar identidades de cliente
- Mover vínculos de identidad con el ERP o legales
- Cambiar razones sociales
- Aplicar clasificaciones con consecuencias
- Sobrescribir datos maestros
| Hallazgo | La IA puede sugerir | El data steward decide | Evidencia exigida | Impacto |
|---|---|---|---|---|
| Probables duplicados | Un par candidato con evidencia de similitud y las diferencias | Si son el mismo cliente, qué registro sobrevive y qué pasa con los vínculos con el ERP | Identificador fiscal, dominio, dirección, contactos en común—y lo que difiere | Alto cuando alguno de los registros tiene vínculos con el ERP o trabajo abierto |
| Normalización del nombre visible | Un nombre visible normalizado | El nombre visible; la razón social se mantiene tal como está registrada | Las variantes encontradas y sus fuentes | Búsqueda e informes |
| Clasificación que falta | Un sector o segmento con su motivo | Cualquier clasificación que determine segmentos, enrutamiento u objetivos | Productos comprados, descripción pública, cuentas similares | Segmentos y enrutamiento |
| Descripción incompleta | Una descripción redactada | Si es lo bastante precisa para guardarla | Una fuente citada para cada afirmación | Bajo: contexto para las personas |
| Relaciones incoherentes | La contradicción, con ambas versiones | El vínculo correcto de matriz, sucursal o grupo | Ambos vínculos y la procedencia de cada uno | Responsabilidad, 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.
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.
| Punto de revisión | Por qué aquí | Qué ve la persona | Qué puede hacer | Qué pasa después |
|---|---|---|---|---|
| Cada sugerencia de la cola | Los cambios en datos maestros afectan a la identidad, los vínculos, la responsabilidad y los informes, y algunos no pueden deshacerse | El candidato, la evidencia, en qué difiere y a qué afectaría el cambio | Aceptar, editar o rechazar con un motivo; pedir más evidencia | El 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.
| Dimensión | Pregunta | Medida | Objetivo |
|---|---|---|---|
| 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 completa | 100 % (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 cola | Con 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 revisión | Con 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 aprobada | 0 — bloquea la versión |
10Las contrapartidas
Opciones creíbles, evaluadas frente a estas premisas.
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 permisoLa 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 movidoEmparejamiento solo por reglas
Claves limpias e introducción coherente
Coste: No capta los casos difusos que importanLa 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 registrarDecisión 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.
La 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.
- El hallazgo y los registros en alcance
- La sugerencia, su evidencia y las versiones de registro que usó
- Las herramientas invocadas
- La decisión del data steward y su motivo
- La operación gobernada aplicada, con su referencia
- 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.
- Conjuntos de datos de evaluación
- Análisis del emparejamiento
- Refinamiento de la taxonomía
- Reglas deterministas
- Revisión de umbrales
- Cambios controlados de prompt y de razonamiento
- Conceder nuevos permisos al modelo
- Entrenar con cada decisión sin revisión
- Cambiar el modelo de identidad
El responsable del gobierno de los datos maestros, con una revisión periódica de resultados y reglas
12La segunda capa
Preguntas que cambian el diseño.
Autoridad
- ¿Quién es responsable de decidir una fusión?
- ¿Qué campos no pueden cambiarse nunca por sugerencia?
- ¿Cómo se tratan los registros vinculados al ERP?
Evidencia e impacto
- ¿Qué evidencia exige cada tipo de hallazgo?
- ¿Cómo se muestran las diferencias?
- ¿Qué señales suben la prioridad, y quién las fija?
Gobierno
- ¿Cómo mejoran los rechazos el siguiente análisis?
- ¿Quién revisa las reglas y los umbrales, y con qué frecuencia?
- ¿Cómo se planifica la capacidad de los data stewards?
13Decisiones y entregables
Qué produce el trabajo.
- 01Tipos de hallazgo y estándar de evidencia
- 02Señales de impacto y cola del data steward
- 03Reparto de autoridad
- 04Contratos de herramienta
- 05Códigos de motivo
- 06Conjunto de evaluación
- 07Revisión de gobierno