Publicado en

1/10/26 12:07 pm

IA empresarial: solo el 6% de las empresas tiene datos listos

Descubra las soluciones de CIAL y transforme la gestión de datos de sus proveedores.

Aquí encuentras:

Tu empresa probablemente ya tiene un piloto de IA corriendo. La pregunta incómoda es si los datos que lo alimentan aguantarían que ese piloto tome decisiones reales sobre clientes y proveedores. Según la AI Momentum Survey de Dun & Bradstreet publicada en julio de 2026, solo el 6% de las empresas tiene sus datos completamente listos para escalar la IA. El 47% los describe como parcialmente listos.

La encuesta sigue cada trimestre a 10,000 empresas en 32 países y deja ver una brecha que se repite ola tras ola: la adopción avanza mucho más rápido que la preparación de la información. Este artículo revisa qué dicen los datos más recientes, qué pasa en América Latina, cómo medir si una base de datos está lista para IA y qué resultado obtuvo una empresa que resolvió primero la identidad de sus clientes.

Adopción de IA en empresas: América Latina va por delante del promedio global

La IA empresarial es el uso de inteligencia artificial dentro de procesos de negocio como la evaluación de crédito, la gestión de proveedores, el compliance o la prospección comercial. En 2026 dejó de ser un experimento de laboratorio para la mayoría de las organizaciones.

En la ola de julio de 2026, Dun & Bradstreet reporta que el 34% de las empresas ya está escalando IA hacia producción, y que más de la mitad está escalando, operando la IA en procesos centrales o usando flujos con agentes de IA. En la ola de mayo, el 97% declaraba iniciativas activas y el 56% planeaba aumentar su inversión en los siguientes 12 meses.

América Latina no se queda atrás. El CIO Playbook 2026 de Lenovo e IDC, basado en entrevistas a 500 líderes de seis mercados de la región, encontró que el 84% de las empresas latinoamericanas está en fase piloto o adoptando IA de forma activa, frente al 77% del promedio global. El 97% de las organizaciones de la región planea aumentar su inversión en IA.

La velocidad tiene un costo que aparece en otro estudio. El AI Readiness in Latin America Survey Report 2026 de RSM, con 461 líderes de negocio, muestra que el 68% de las empresas que ya usan IA planea escalarla en los próximos 12 meses, pero solo el 18% cuenta con un marco formal de gobernanza de IA.

ROI de la inteligencia artificial: qué cambió entre mayo y julio de 2026

Durante 2025 la pregunta dominante era si la IA generaba retorno. En 2026 la respuesta empieza a ser afirmativa, aunque desigual. Las dos olas más recientes de la AI Momentum Survey permiten ver el avance:

ROI medible: en mayo, el 60% de las empresas reportaba al menos algún retorno medible. En julio, la cifra superó el 75%.
Retornos amplios o sólidos: pasaron del 24% en mayo al 28% en julio.
Retorno aislado: en julio, el 48% reporta retornos concentrados en pilotos puntuales, sin extenderse al resto del negocio.
Datos completamente listos: del 5% en mayo al 6% en julio. Es el indicador que menos se mueve.

Gary Kotovets, Chief Data and Analytics Officer de Dun & Bradstreet, lo resumió al presentar los resultados de julio: la adopción de IA superó a la preparación de los datos, y por eso pocas organizaciones han convertido sus pilotos en retornos visibles en el estado de resultados.

La lectura práctica es que el cuello de botella rara vez está en el modelo. Una empresa puede cambiar de herramienta tres veces y seguir obteniendo recomendaciones poco confiables si la información de origen está duplicada o desactualizada.

Principales obstáculos para escalar inteligencia artificial en empresas

La ola de mayo de 2026 de la AI Momentum Survey preguntó qué frena la escala. Las respuestas giran casi todas alrededor de los datos:

50% cita acceso limitado a los datos.
44% identifica riesgos de privacidad y compliance.
40% reporta problemas de calidad e integridad de datos.
38% señala falta de integración entre sistemas.
37% menciona escasez de profesionales capacitados en IA.

Solo el 10% expresa alta confianza en su capacidad para identificar y mitigar los riesgos de la IA. En una empresa típica, la información de un mismo cliente vive en el ERP, en el CRM, en la plataforma de compras y en la herramienta de compliance, y cada sistema lo registra a su manera. Un modelo que lee esas cuatro fuentes ve cuatro empresas distintas.

El problema de fondo suele estar en la calidad de los datos más que en la cantidad de herramientas, un punto que desarrollamos en por qué la estrategia de IA se estanca sin calidad de datos.

Datos fragmentados frente a identidad empresarial verificada

La identidad empresarial verificada es la capacidad de reconocer de forma única a un cliente, proveedor o contraparte en todos los sistemas, aunque aparezca con nombres, direcciones o estructuras corporativas distintas. Sin ella, la IA trabaja sobre una versión incompleta del negocio.

El contraste se ve con claridad en los procesos donde la IA ya se está usando:

Evaluación de crédito. Con datos fragmentados, la línea de crédito se calcula sobre la razón social que capturó un vendedor y no sobre el grupo al que pertenece el cliente. Con identidad verificada, el modelo ve la exposición total ante la matriz y sus subsidiarias.
Gestión de proveedores. Un mismo proveedor dado de alta dos veces duplica pagos y esconde dependencias. Con un identificador único, la concentración de riesgo aparece en un solo registro.
Compliance. Si el beneficiario controlador no está ligado a la entidad correcta, el monitoreo automático falla en silencio. La identidad verificada permite rastrear relaciones corporativas y alertas sobre la misma contraparte.
Ventas y marketing B2B. Las cuentas duplicadas inflan el pipeline y reparten a un mismo prospecto entre varios ejecutivos. Una sola ficha por empresa ordena la segmentación y la priorización.

Dun & Bradstreet plantea que la restricción ya no está solamente en el modelo, sino en la capacidad de la IA para operar sobre una identidad empresarial verificada y actualizada. El Número D-U-N-S® funciona como estándar global para identificar entidades comerciales, y el D&B Commercial Graph™ conecta esa identidad con relaciones corporativas, datos de riesgo y contexto de negocio de forma consistente entre sistemas. Es la base que Dun & Bradstreet está llevando a los agentes de IA de Microsoft, como explicamos en D&B y Microsoft: datos confiables para agentes de IA en Dynamics 365.

Caso Securitas: 99% de la cartera conectada a un Número D-U-N-S®

Securitas, proveedor global de servicios de seguridad con operación en 45 mercados, dedicaba buena parte de su equipo de crédito a revisiones manuales. Para automatizar las decisiones necesitaba primero una base de datos confiable sobre sus clientes.

La empresa conectó el 99% de su portafolio a un Número D-U-N-S® y construyó un sistema de puntuación personalizado dentro de D&B Finance Analytics. Con los clientes correctamente identificados y con atributos de riesgo actualizados, los resultados fueron medibles:

La tasa de autoaprobación de créditos pasó del 38% al 65%.
La eficiencia del equipo de crédito aumentó 75%.
La empresa ahorró 400,000 dólares.
Alcanzó sus objetivos de eficiencia en menos de seis meses.

El caso es de automatización de crédito, pero sigue la misma lógica que cualquier proyecto de IA: primero se resolvió quién es cada cliente y después se automatizó la decisión. El detalle está en el caso de éxito de Securitas.

Checklist: cómo evaluar si los datos están listos para IA

Antes de escalar un piloto conviene medir la base con criterios concretos. Los umbrales siguientes son referencias de trabajo, no una norma: cada empresa debe ajustarlos a su industria y a su tolerancia al riesgo. Cada criterio se califica con 2 puntos si se cumple, 1 si se cumple parcialmente y 0 si no se cumple.

Cobertura de identificador único. Porcentaje de clientes y proveedores activos con un identificador verificado, como el Número D-U-N-S® o un identificador fiscal validado. Referencia: 90% o más. Securitas llegó al 99%.
Tasa de duplicados. Porcentaje de registros que corresponden a una entidad ya existente en la base. Referencia: menos de 2%.
Frescura de los datos. Antigüedad de la última validación en clientes y proveedores críticos. Referencia: menos de 90 días.
Completitud de campos críticos. Razón social, identificador fiscal, domicilio, sector y matriz capturados y validados. Referencia: 95% de los registros activos.
Jerarquía corporativa. Porcentaje de cuentas relevantes con matriz y subsidiarias identificadas. Referencia: 100% de las cuentas con exposición de crédito o riesgo de suministro alta.
Integración entre sistemas. Los sistemas que alimentan al modelo (ERP, CRM, compras, compliance) comparten el mismo identificador para cada entidad. Referencia: todos.
Gobierno y trazabilidad. Hay un responsable por dominio de datos, se registra el origen de cada campo y existe una política de uso de IA. En América Latina, solo el 18% de las empresas tiene un marco formal de gobernanza de IA, según RSM.

Cómo leer el puntaje: de 12 a 14 puntos, la base soporta escalar casos de uso a producción. De 7 a 11, conviene mantener la IA en pilotos controlados mientras se corrigen los criterios con menor puntuación. Con menos de 7, el primer proyecto de IA debería ser ordenar los datos maestros.

Para cerrar esas brechas existen plataformas de gestión de datos maestros como Direct+, que integra, estandariza y enriquece los registros de la empresa usando el Número D-U-N-S® como registro de referencia para resolver y unificar entidades.

Marcos de gobernanza de IA que ya exigen calidad de datos

La calidad de los datos también es un requisito de los marcos de gobernanza de IA que las empresas empiezan a adoptar:

ISO/IEC 42001:2023. Es la norma internacional para sistemas de gestión de inteligencia artificial. Su Anexo A dedica un grupo de controles a los datos que usan los sistemas de IA, incluidos su calidad y su procedencia.
NIST AI Risk Management Framework 1.0. Publicado por el Instituto Nacional de Estándares y Tecnología de Estados Unidos en enero de 2023, organiza la gestión de riesgos de IA en cuatro funciones: gobernar, mapear, medir y gestionar. Trata la calidad y la representatividad de los datos como fuentes de riesgo que deben medirse.

En México todavía no hay una ley general de inteligencia artificial, así que el uso de IA en empresas se rige por la legislación de protección de datos personales y por la regulación de cada sector, y muchas organizaciones toman estos marcos internacionales como referencia. Lo que ya exige el regulador en materia de monitoreo automatizado está detallado en inteligencia artificial en compliance: qué exige el regulador.

Glosario breve de IA empresarial

IA empresarial

Uso de inteligencia artificial en procesos de negocio, operaciones, análisis, automatización y toma de decisiones dentro de una organización.

Calidad de datos para inteligencia artificial

Conjunto de prácticas para asegurar que los datos que usa la IA sean precisos, completos, actualizados y consistentes entre sistemas.

Identidad empresarial verificada

Capacidad de reconocer de forma única y confiable a una entidad comercial, como un cliente, proveedor o socio, en todas las bases de datos de la empresa.

Número D-U-N-S®

Identificador global de nueve dígitos creado por Dun & Bradstreet para reconocer entidades comerciales de manera única.

Preguntas frecuentes sobre IA empresarial y calidad de datos

¿Qué porcentaje de empresas tiene sus datos listos para la IA?

Según la AI Momentum Survey de Dun & Bradstreet publicada en julio de 2026, con 10,000 empresas en 32 países, solo el 6% tiene sus datos completamente listos para escalar la IA. El 36% los considera mayormente listos y el 47% parcialmente listos. En la ola de mayo de 2026, la cifra de datos completamente listos era de 5%.

¿Cómo va la adopción de IA en empresas de América Latina?

El CIO Playbook 2026 de Lenovo e IDC encontró que el 84% de las empresas latinoamericanas está en fase piloto o adoptando IA activamente, frente al 77% global. Sin embargo, el estudio de RSM de 2026 indica que solo el 18% de las empresas de la región tiene un marco formal de gobernanza de IA.

¿Por qué la calidad de datos es importante para la inteligencia artificial?

La IA toma decisiones con la información que recibe. Si los datos de clientes o proveedores están duplicados o desactualizados, el modelo puede aprobar crédito a la entidad equivocada o dejar pasar una alerta de compliance sobre una contraparte mal identificada. La calidad de los datos define qué tan confiables son sus recomendaciones.

¿Cómo saber si los datos de una empresa están listos para IA?

Conviene medir siete criterios: cobertura de identificador único, tasa de duplicados, frescura de los datos, completitud de campos críticos, jerarquía corporativa, integración entre sistemas y gobierno de datos. Una base con más del 90% de registros con identificador verificado y menos de 2% de duplicados está en mejores condiciones de soportar IA en producción.

¿Qué relación tiene el Número D-U-N-S® con la IA empresarial?

El Número D-U-N-S® identifica de forma única a cada entidad comercial. Cuando todos los sistemas de una empresa usan el mismo identificador, la IA reconoce correctamente a clientes, proveedores y contrapartes, y puede conectar cada registro con su estructura corporativa y sus datos de riesgo. Securitas, por ejemplo, conectó el 99% de su cartera a un D-U-N-S® antes de automatizar sus decisiones de crédito.

Siguiente paso: medir la base antes de escalar

La inversión en IA seguirá creciendo en la región, y las empresas que obtengan retorno a escala serán las que resolvieron antes quién es cada cliente, cada proveedor y cada contraparte en sus sistemas. El checklist anterior es un buen punto de partida para saber dónde está la brecha.

Si quieres saber cuántos de tus registros ya pueden conectarse a un Número D-U-N-S® y cuánto se reduciría la duplicidad en tu base, conoce Direct+ y habla con un especialista de CIAL Dun & Bradstreet.