Las empresas han avanzado rápidamente en modelos, asistentes y agentes de inteligencia artificial. Sin embargo, al intentar llevar esos sistemas a procesos reales aparece una dificultad menos visible: acceder a los datos adecuados, gobernarlos y utilizarlos allí donde se encuentran.
Durante los dos últimos años buena parte de la conversación sobre inteligencia artificial empresarial ha girado alrededor de los modelos. Su capacidad de razonamiento, el tamaño de las ventanas de contexto, el coste de los tokens o la carrera entre modelos propietarios y abiertos han concentrado buena parte de la atención. Para muchas empresas, sin embargo, ese debate empieza a dejar de explicar el problema principal.
Los modelos son cada vez más accesibles y, salvo en determinadas aplicaciones especializadas, las organizaciones pueden elegir entre un número creciente de alternativas. Lo complicado comienza cuando hay que conectarlos con décadas de información distribuida entre aplicaciones, bases de datos, almacenes de datos, plataformas cloud, centros de datos propios y sistemas que nunca fueron diseñados pensando en inteligencia artificial.
Ahí aparece una de las contradicciones de la actual fase de adopción de IA. Las empresas pueden experimentar con nuevas capacidades en semanas, incluso en días, pero convertir esos experimentos en procesos fiables exige enfrentarse a una infraestructura de datos mucho más compleja.
McKinsey describía recientemente este cambio señalando que, a medida que las compañías intentan escalar sus pilotos de inteligencia artificial, los datos están emergiendo como una de las principales restricciones. La dificultad no consiste simplemente en disponer de información. Hay que conectar datos estructurados y no estructurados, determinar qué puede considerarse una fuente fiable, mantener su contexto y gobernar su utilización a lo largo de todo el ciclo de vida de la IA.
Gartner llega a una conclusión similar desde otra perspectiva. La firma considera que preparar datos para IA no puede entenderse como una operación puntual de limpieza o transformación, sino como un proceso continuo ligado a cada caso de uso. En agosto de 2026 advertía además de que las necesidades de los agentes amplían ese problema: ya no basta con preparar información para que un modelo genere una respuesta, porque un agente puede utilizarla para decidir y ejecutar acciones.
Mucha IA, pero datos todavía fragmentados
Los estudios publicados por Cloudera durante 2026 permiten cuantificar parte de esta distancia entre adopción y preparación.
Su «Data Readiness Index 2026», elaborado a partir de las respuestas de cerca de 1.300 responsables de tecnología, muestra una situación aparentemente contradictoria. Un 96% de las organizaciones afirma haber integrado ya inteligencia artificial en procesos centrales de negocio y un 85% considera que cuenta con una estrategia de datos clara. Sin embargo, cerca de cuatro de cada cinco reconocen que sus iniciativas basadas en datos se ven limitadas porque no pueden acceder a toda la información necesaria distribuida entre diferentes entornos. Solo un 18% afirma tener sus datos completamente gobernados.
Conviene interpretar estas cifras con cautela. El estudio procede de Cloudera y, por tanto, refleja también el territorio tecnológico en el que compite la compañía. Pero el problema que describe aparece igualmente en investigaciones externas y ayuda a entender por qué algunas empresas están encontrando dificultades al pasar de experimentos relativamente controlados a sistemas integrados con la operativa diaria.
Otro estudio realizado por Harvard Business Review Analytic Services, encargado por Cloudera, basado en más de 230 profesionales implicados en decisiones sobre datos para IA, ofrece una lectura todavía más exigente: únicamente un 7% consideraba que los datos de su organización estaban completamente preparados para adoptar inteligencia artificial, mientras que un 73% reconocía dificultades en su preparación y procesamiento.
La diferencia entre tener datos y disponer de datos preparados para IA es relevante.
Una empresa puede conocer dónde se encuentra la información sobre sus clientes, operaciones o cadena de suministro y, aun así, no ser capaz de utilizarla de forma consistente en una aplicación basada en inteligencia artificial. Puede encontrarse repartida entre distintos formatos, contener duplicidades, utilizar definiciones incompatibles entre departamentos o estar sometida a políticas de acceso diferentes.
Mientras una aplicación tradicional suele trabajar sobre estructuras y flujos previamente definidos, un sistema de IA puede necesitar combinar información procedente de múltiples fuentes durante una misma interacción. La complejidad aumenta cuando el sistema deja de limitarse a responder y comienza a actuar.
Los agentes elevan las exigencias
La llegada de la IA agéntica está cambiando precisamente esa relación.
Un asistente que genera un resumen erróneo plantea un problema. Un agente que utiliza información incorrecta para modificar un pedido, aprobar una operación, abrir una incidencia o ejecutar una acción sobre un sistema corporativo plantea uno diferente.
El contexto deja entonces de ser simplemente material de apoyo para la generación de una respuesta y pasa a formar parte del mecanismo mediante el cual se toman decisiones y se ejecutan procesos.
Por eso Gartner sostiene que las organizaciones tendrán que evolucionar desde datos preparados para IA hacia datos preparados específicamente para agentes. Eso implica evaluar no solo su calidad, sino también si cada agente está autorizado para utilizarlos, si interpreta correctamente su significado y si existe capacidad para reconstruir posteriormente por qué se produjo una determinada acción.
La gobernanza adquiere así una dimensión mucho más operativa. Tradicionalmente se ha asociado con políticas, permisos, catálogos o cumplimiento. En un entorno de agentes, además debe acompañar a sistemas que pueden trabajar continuamente y combinar información procedente de fuentes diferentes sin que un usuario intervenga en cada paso.
No es casual que Gartner esté recomendando revisar los modelos tradicionales de gobierno de datos. La firma considera que los esquemas excesivamente centrados en controles estáticos pueden convertirse en una limitación para desplegar IA a escala y propone evolucionar hacia modelos capaces de adaptar las políticas al contexto, valor y riesgo de cada iniciativa.
En Europa esta cuestión tiene además una dimensión regulatoria. El AI Act establece requisitos específicos sobre gobernanza y gestión de datos para determinados sistemas de alto riesgo. Entre otros aspectos, contempla el origen de los datos, su preparación, la disponibilidad y adecuación de los conjuntos utilizados, la identificación de posibles sesgos y la detección de carencias que puedan impedir el cumplimiento de la regulación.
Por tanto, mantener trazabilidad sobre la información utilizada por un sistema puede ser tanto una cuestión técnica como de cumplimiento.
Mover los datos deja de ser siempre la respuesta
La segunda dificultad aparece en la arquitectura. Durante años, uno de los patrones dominantes de modernización consistió en trasladar progresivamente datos y cargas hacia plataformas cloud. El desarrollo de inteligencia artificial está introduciendo un matiz importante: no todos los datos pueden o deben desplazarse hacia el lugar donde se ejecuta un modelo.
Existen motivos regulatorios, de privacidad o de soberanía, pero también razones económicas y operativas. Grandes volúmenes de información pueden permanecer en centros de datos privados porque moverlos resulta costoso. Otros están vinculados a aplicaciones críticas cuya migración no tiene una justificación empresarial suficiente. En sectores industriales aparecen además datos generados en fábricas, redes de telecomunicaciones, vehículos o dispositivos en el edge.
A medida que aumenta el número de fuentes utilizadas por la IA, trasladar continuamente la información puede generar duplicaciones, nuevas capas de integración y costes adicionales.
Esta realidad explica por qué conceptos como híbrido y multicloud vuelven a adquirir relevancia, aunque con un significado distinto al que tenían hace unos años. La cuestión ya no consiste únicamente en decidir qué cargas permanecen en un centro de datos y cuáles pasan a la nube. Se trata de conseguir que datos y cargas de IA puedan relacionarse entre esos entornos sin perder políticas de seguridad, gobierno o contexto.
También existe una presión creciente hacia la interoperabilidad. La Ley de Datos europea, aplicable desde septiembre de 2025, establece medidas destinadas a facilitar el cambio entre proveedores de servicios de procesamiento de datos y el uso simultáneo de varios proveedores. La Comisión Europea reconoce entre las barreras actuales los costes de salida de datos, la duración de las migraciones y la falta de interoperabilidad.
Para las empresas, esto amplía el debate sobre soberanía. Tener los datos alojados en una determinada jurisdicción es solo una parte del problema. Importa también quién puede acceder a ellos, bajo qué políticas, qué dependencia existe de una determinada plataforma y qué capacidad mantiene la organización para mover cargas o cambiar de proveedor.
Llevar la IA hasta los datos
Es precisamente en este punto donde se sitúa buena parte de la estrategia actual de Cloudera.
La compañía está articulando su propuesta alrededor de una idea relativamente sencilla de explicar, aunque compleja de implementar: en lugar de obligar a las empresas a trasladar sus datos hacia una infraestructura concreta de inteligencia artificial, hacer posible que las cargas de IA se ejecuten allí donde los datos ya residen.
Cloudera utiliza para ello el concepto «AI Anywhere», apoyándose en una arquitectura que busca proporcionar una experiencia común entre nubes públicas, centros de datos privados y otros entornos.
Una de las evoluciones relevantes durante 2026 ha sido la extensión de Cloudera AI Inference a infraestructura on-premises. La compañía permite así desplegar modelos directamente en el centro de datos y mantener allí la información que necesitan para ejecutar inferencias. En paralelo, Cloudera Data Warehouse con Trino también está disponible en entornos de centro de datos, con el objetivo de proporcionar acceso y gobierno comunes sobre información distribuida.
El planteamiento tiene especial sentido en organizaciones reguladas o con grandes volúmenes de información sensible. Ejecutar el modelo junto a los datos puede reducir movimientos de información, simplificar determinadas políticas de privacidad y ofrecer mayor previsibilidad sobre algunos costes asociados al uso intensivo de APIs públicas.
Esto no significa que la nube pública pierda importancia. La propia estrategia de Cloudera se apoya en AWS y otros proveedores cloud, y la compañía obtuvo este año la AWS AI Competency. El modelo que está defendiendo es más bien el de una infraestructura donde la localización de los datos no determine de manera rígida dónde puede utilizarse inteligencia artificial.
Esa distinción resulta importante porque las arquitecturas empresariales reales rara vez responden a diseños completamente homogéneos.
Evitar otra generación de silos
Sin embargo, distribuir cargas de IA entre diferentes entornos puede crear un nuevo problema si cada uno utiliza mecanismos distintos para acceder y gobernar la información.
Aquí aparece otro componente de la estrategia de Cloudera: la apuesta por tecnologías y formatos abiertos.
En junio la compañía anunció la adopción de Apache Polaris dentro de su arquitectura de lakehouse basada en Apache Iceberg. Polaris proporciona un catálogo abierto alrededor de la especificación REST de Iceberg y está pensado para facilitar que diferentes motores puedan acceder a los mismos datos sin generar nuevas copias. Cloudera ha añadido además integración con Apache Ranger para aplicar políticas centralizadas de seguridad y acceso.
El objetivo tecnológico consiste en separar, hasta cierto punto, los datos de las herramientas concretas que los procesan.
Ese desacoplamiento empieza a ser especialmente relevante en IA. Una empresa puede utilizar hoy un determinado modelo, mañana sustituirlo por otro y mantener simultáneamente varios motores de análisis o plataformas de agentes. Si cada cambio obliga a reproducir grandes volúmenes de información o reconstruir las políticas de gobierno, la supuesta flexibilidad que ofrece la IA puede terminar aumentando la complejidad.
La interoperabilidad deja entonces de ser únicamente una discusión sobre estándares. Se convierte en una condición para mantener capacidad de elección.
Del dato disponible al dato utilizable
Todo esto conduce a una distinción que probablemente marcará buena parte de la siguiente fase de adopción empresarial.
Durante años, las compañías invirtieron en almacenar más información y obtener una visión cada vez más completa de sus operaciones. La inteligencia artificial obliga ahora a avanzar un paso adicional. Los datos deben poder utilizarse de manera segura y contextual por sistemas que trabajan a una velocidad y con un nivel de autonomía que no existían cuando muchas de esas arquitecturas fueron diseñadas.
Eso afecta a infraestructura, gobierno, seguridad y coste. También obliga a revisar algunas decisiones que parecían resueltas.
La nube seguirá siendo una pieza central de las estrategias tecnológicas, pero convivirá con centros de datos privados y entornos especializados. Los modelos serán cada vez más intercambiables. Los agentes accederán a más fuentes. Y el valor no estará únicamente en disponer de información, sino en hacer posible que diferentes sistemas puedan utilizarla manteniendo contexto, control y trazabilidad.
De ahí que la preparación de los datos esté pasando de ser una tarea previa a convertirse en una capacidad permanente de la organización.
Gartner estima que más del 75% de las organizaciones están priorizando inversiones relacionadas con datos preparados para IA. La consultora vincula esa tendencia directamente con las dificultades para ampliar las iniciativas más allá de los primeros proyectos.
El reto será hacerlo sin reconstruir desde cero infraestructuras que llevan años funcionando.
EVOLVE26 lleva el debate a Madrid
Estas cuestiones estarán en el centro de EVOLVE26, el encuentro que Cloudera celebrará el próximo 24 de noviembre en Madrid.
La agenda reúne varios de los debates que están apareciendo a medida que las empresas intentan llevar la inteligencia artificial a producción: «Sovereign AI Anywhere», gobierno centralizado de IA, inferencia privada, agentes autónomos, acceso a datos distribuidos, arquitecturas abiertas y ejecución de cargas entre cloud y centros de datos.
Cloudera plantea el evento alrededor de una idea que resume bien el momento actual del mercado: acercar la inteligencia artificial a los datos en lugar de asumir que todos los datos deben trasladarse previamente hasta la IA.
Durante la jornada, responsables de la compañía, especialistas y clientes abordarán cómo aplicar ese principio en arquitecturas empresariales reales y qué cambia cuando los proyectos dejan de ser pruebas limitadas para comenzar a operar sobre procesos de negocio.
En esa transición probablemente se encuentre una de las claves de la siguiente etapa de la inteligencia artificial empresarial. Los avances de los modelos continuarán ocupando titulares, pero una parte creciente del trabajo se producirá bastante más abajo, en una capa menos visible: conseguir que los sistemas puedan acceder a información fiable, gobernada y contextualizada allí donde se encuentre.
Es ahí donde muchas organizaciones van a descubrir si realmente estaban preparadas para escalar la IA.
