Celia Cabello (Cloud Levante): “Sin gobierno del dato, cualquier proyecto de IA está condenado a fracasar”

En plena carrera por adoptar inteligencia artificial, muchas empresas siguen cometiendo errores de base que frenan su impacto real. Desde el papel clave del dato hasta la convivencia entre machine learning y modelos de lenguaje. En esta entrevista, Celia Cabello, de Cloud Levante, nos muestra el camino para  implementar IA con criterio, evitando modas y apostando por resultados medibles en negocio.

¿Qué tecnologías consideras imprescindibles para acelerar la innovación en elmomento que vivimos de constante cambio?

Hay cuatro capas que considero imprescindibles y que conviene no mezclar. La primera son los modelos de lenguaje de gran escala —GPT, Claude, Gemini y sus variantes—, que han democratizado capacidades que antes requerían equipos especializados: generar contenido, sintetizar información, razonar sobre texto, automatizar conversaciones. Son la tecnología más transformadora del ciclo actual por su capacidad de generalización. La segunda son los agentes de IA y herramientas de productividad que se construyen sobre esos modelos: sistemas que no solo responden preguntas, sino que ejecutan tareas, integran fuentes de datos y operan con un grado creciente de autonomía. La tercera es el machine learning clásico —modelos predictivos, de clasificación o de detección de anomalías—, que en muchos contextos supera a los LLM en precisión y eficiencia para tareas estructuradas, con una fracción del coste. Y la cuarta, que es la que hace posible todo lo demás, es el gobierno del dato: una empresa que no sabe qué datos tiene, dónde están y con qué calidad no puede sacar partido sostenible de ninguna de las tres anteriores.

 

---

«Una empresa que no sabe qué datos tiene no puede sacar partido sostenible de la IA»

---

 

Muchas empresas quieren implementar inteligencia artificial pero no saben por dónde empezar. ¿Cuál es el primer paso estratégico que debería dar una empresa para adoptar IA de forma efectiva?

El primer paso no es técnico: es hacer un inventario honesto de los datos disponibles antes de hablar de modelos. Muchas empresas llegan a la IA sin haber resuelto preguntas básicas: ¿Tenemos datos suficientes? ¿Son fiables? ¿Están accesibles en un formato que un sistema pueda consumir? Sin esa base de gobierno del dato, cualquier proyecto fracasa independientemente del modelo elegido. El segundo paso es identificar un problema concreto con impacto medible y preguntarse honestamente qué tipo de solución necesita. Aquí es donde conviene distinguir tres opciones que muchas empresas confunden: la automatización convencional, que ejecuta reglas definidas por humanos y resuelve muchos procesos repetitivos sin necesidad de IA; el machine learning clásico, que aprende patrones a partir de datos históricos y es muy eficaz para predicción y clasificación; y los modelos de lenguaje y agentes de IA, que abren posibilidades radicalmente distintas en tareas de razonamiento, generación de contenido e interacción en lenguaje natural. Empezar con la herramienta más sofisticada sin haber definido el problema es el camino más rápido hacia un proyecto caro que no funciona.

 

---

«El error más habitual es aplicar la herramienta que está de moda al problema que se tiene encima»

---

 

¿Qué procesos empresariales suelen beneficiarse más de la inteligencia artificial?

Depende mucho del tipo de proceso y del tipo de IA, y esa distinción es importante. Los modelos de lenguaje y los agentes de productividad brillan en procesos no estructurados: redacción y revisión de documentos, atención al cliente en lenguaje natural, síntesis de información de múltiples fuentes, asistencia en la toma de decisiones complejas. Son transformadores en todo lo que implica comprensión y generación de texto. El machine learning clásico, en cambio, es la herramienta adecuada para procesos estructurados con grandes volúmenes de datos: predicción de demanda, detección de anomalías en producción, segmentación de clientes, scoring de riesgo. En estos casos, un modelo de gradient boosting o una red neuronal bien entrenada sobre datos propios suele superar en precisión a un LLM y consume una fracción de los recursos. El error más habitual es aplicar la herramienta que está de moda al problema que se tiene encima de la mesa, en lugar de elegir la herramienta que ese problema específico necesita.

 

¿Podrías comentarnos cuáles son los casos de uso más comunes que está viendo actualmente en las organizaciones?

En las empresas con las que trabajamos vemos tres grandes categorías. La primera, y la más extendida, es la productividad con modelos de lenguaje: asistentes internos que responden preguntas sobre documentación propia, generación automática de presupuestos e informes, resúmenes de reuniones, redacción de comunicaciones. Los agentes de IA están dando un paso más allá: no solo generan contenido, sino que ejecutan flujos completos, integran sistemas y toman decisiones dentro de parámetros definidos. La segunda categoría es la inteligencia de negocio con machine learning predictivo: predicción de demanda, detección de anomalías, segmentación de clientes, scoring de riesgo de abandono. Estos modelos clásicos siguen siendo extraordinariamente efectivos y con frecuencia ofrecen mejores resultados que los LLM para tareas numéricas y tabulares. Y la tercera es la automatización de procesos operativos: flujos de trabajo que antes requerían intervención manual y que ahora se ejecutan solos, conectando sistemas mediante APIs. Lo más interesante es cómo estas tres categorías empiezan a combinarse: una empresa que tiene sus datos bien gobernados puede usar ML para predecir, LLMs para explicar esa predicción en lenguaje natural y agentes para actuar sobre ella automáticamente.

 

---

«Desarrollar desde cero sin demostrar el caso de uso es la forma más cara de aprender»

---

 

Uno de los grandes miedos de las empresas es el coste y la complejidad. ¿Cómo puede una empresa empezar con proyectos de IA de forma escalable y con una inversión controlada?

La clave está en empezar por los cimientos antes que por el tejado. El primer cimiento es el gobierno del dato: antes de contratar ningún servicio de IA, la empresa necesita saber qué datos tiene, dónde están, quién los gestiona y con qué calidad. Sin esto, la inversión en modelos no sirve de nada. El segundo cimiento es distinguir si el problema necesita automatización, machine learning o modelos de lenguaje, porque el coste y la complejidad de cada uno son muy distintos.Con eso claro, mi recomendación es empezar por las APIs de los grandes modelos de lenguaje —OpenAI, Anthropic, Google— para los casos de uso de productividad: cuestan céntimos por consulta y permiten validar el valor en semanas. Para los casos de predicción y análisis, las plataformas cloud tienen servicios de machine learning gestionados que no requieren infraestructura propia. En ambos casos, el principio es el mismo: valida el valor con lo que ya existe antes de construir nada propio. Desarrollar desde cero sin haber demostrado que el caso de uso funciona es la forma más cara de aprender.

 

---

«El síndrome del piloto eterno es uno de los grandes bloqueos en la adopción de IA»

---

 

Desde su experiencia, ¿Cuáles son los errores más frecuentes que cometen las empresas cuando intentan implementar soluciones de inteligencia artificial?

El primero, y el que bloquea todo lo demás, es no tener un gobierno del dato establecido antes de empezar: sin saber qué datos existen, quién los gestiona, qué calidad tienen y cómo se accede a ellos, cualquier proyecto de IA nace con una deuda de base que tarde o temprano lo paraliza. El segundo es confundir automatización con inteligencia artificial: son tecnologías complementarias pero distintas, y no distinguirlas lleva a sobrecomplejar soluciones que no lo necesitan y a infrautilizar las que sí lo hacen. El tercero es asumir que los modelos de lenguaje son siempre la mejor opción: para muchas tareas estructuradas con datos tabulares, un modelo de machine learning clásico bien entrenado es más preciso, más eficiente y mucho más barato de operar que un LLM. Y el cuarto es el síndrome del piloto eterno: proyectos con modelos de lenguaje o agentes que funcionan bien en prueba pero que nunca llegan a producción porque nadie ha definido quién los opera, cómo se mantienen actualizados y qué pasa cuando fallan o generan una respuesta incorrecta. La IA en producción necesita los mismos cuidados que cualquier otro sistema crítico.

 

---

«Las empresas que entiendan qué tipo de IA necesita cada problema tendrán una ventaja operativa decisiva»

---

 

Mirando a los próximos tres a cinco años, ¿Qué capacidades de inteligencia artificial serán imprescindibles para que una empresa mantenga su competitividad en el mercado?

Veo cuatro capacidades que serán diferenciadoras. La primera es el gobierno del dato como disciplina empresarial real y no como un proyecto puntual de TI: las empresas que en tres años tengan sus datos bien estructurados, accesibles y gobernados podrán aplicar cualquier avance tecnológico que llegue; las que no lo hayan resuelto seguirán siendo espectadoras. La segunda es la inteligencia operativa con modelos predictivos en tiempo real: no dashboards que muestran loque ocurrió ayer, sino sistemas de machine learning que detectan desviaciones, anticipan problemas y generan recomendaciones en el momento en que ocurren. La tercera es la integración de modelos de lenguaje y agentes de IA en los flujos de trabajo cotidianos: no como herramientas de consulta puntual, sino como asistentes activos que participan en procesos de ventas, atención, desarrollo de producto y toma de decisiones. Y la cuarta, transversal a todas las demás, es la capacidad de evaluar qué tipo de IA necesita cada problema: las empresas que entiendan cuándo usar automatización convencional, cuándo ML clásico y cuándo modelos de lenguaje o agentes tendrán una ventaja operativa muy significativa frente a las que aplican la misma solución a todo.