Dades per a IA: la preparació mínima viable

Què mesura de debò aquesta capa

Mesura disponibilitat de context, no volum de dades.

És una distinció que costa acceptar perquè la indústria porta quinze anys mesurant el contrari. Una empresa mitjana pot tenir vint anys d'històric en un ERP i no tenir res aprofitable per al cas que vol resoldre, perquè el que aquest cas necessita no són transaccions: són les raons per les quals es van prendre. El «per què» rarament és a la base de dades.

El que no mesura: la sofisticació de la teva arquitectura. Hem vist casos funcionar sobre una carpeta ben organitzada de dos-cents documents, i casos morir sobre plataformes de dades de set xifres.

Per què l'empresa mitjana la fa malament

Per sobrecorrecció. L'empresa sent «la IA necessita dades», conclou que necessita un projecte de dades, i arrenca una iniciativa transversal que es menja el pressupost i la paciència abans que cap cas arribi a producció.

És l'error mirall del de la capa d'enginyeria. Allà es compra eina sense problema; aquí es prepara terreny sense destí.

Els números del mercat apunten aquí amb una insistència que no té cap altra capa. Gartner estima que el 60% dels projectes d'IA s'abandonaran fins al 2026 per una base de dades inadequada, i que el 63% de les organitzacions no disposa —o no sap si disposa— de les pràctiques de gestió de dades que la IA requereix. Aquesta segona dada és la més reveladora: no ho sap. El problema no és només la mancança; és que no està diagnosticada.

Però d'això no se'n segueix que calgui arreglar les dades de l'empresa. Se'n segueix que cal arreglar les dades que un cas concret necessita.

La pregunta que ordena aquesta capa

Si demà volguessis que un sistema respongués amb el criteri de la teva empresa —no amb el criteri genèric d'internet—, d'on sortiria aquest criteri?

Les respostes que donem per bones:

• D'un històric de documents on aquest criteri es va aplicar i va quedar per escrit.
• D'un conjunt de regles que algú manté i que reflecteix com es decideix de debò.
• D'exemples anteriors verificats per qui sap si estaven bé.

Les respostes que són un avís:

• «De la gent.» Aleshores el criteri no és una dada: és coneixement tàcit, i cal externalitzar-lo abans d'automatitzar res.
• «De l'ERP.» L'ERP té el què, gairebé mai el perquè.
• «Ho sap el proveïdor.» Aleshores el resultat serà el criteri del sector, no el teu, i no hi haurà cap diferencial.

Diagnòstic: on ets

Estadi 1 · Coneixement tàcit. El que fa bona la teva empresa és a les persones. Funciona mentre aquestes persones hi siguin. Senyal observable: quan algú marxa, es perd manera de treballar, no només capacitat.

Estadi 2 · Corpus acotat. Hi ha un conjunt de material —propostes, informes, expedients, tiquets resolts— ordenat i suficient per a un cas concret. No hi és tot; hi ha el d'aquest cas. Senyal observable: algú pot assenyalar una carpeta i dir «aquí és com ho fem, i està al dia».

Estadi 3 · Context mantingut. El corpus té amo, s'actualitza com a part de la feina normal i se sap què està desactualitzat. Senyal observable: hi ha una data d'última revisió i algú en respon.

Gairebé cap empresa mitjana és al 3, i no passa res. El salt que canvia les coses és de l'1 al 2, i és molt més barat del que la indústria suggereix.

Els primers 90 dies

Setmanes 1-3 · Inventari dirigit. No un inventari de dades corporatives: l'inventari del que necessita el cas triat a la capa de valor. Quins documents, on són, qui els manté, quina és la versió bona.

Setmanes 4-6 · Prova de suficiència. Agafar deu casos reals del passat i comprovar si amb el material inventariat s'haurien pogut resoldre. És la prova més barata i més informativa de tota la capa, i gairebé ningú no la fa. Si amb deu exemples històrics no surt, amb mil tampoc.

Setmanes 7-10 · Sanejament mínim. Només el que la prova hagi assenyalat: duplicats que confonen, versions obsoletes que contradiuen, llacunes que obliguen a inventar. Res més.

Setmanes 11-12 · Amo i cadència. Qui manté això i cada quant. Sense aquesta decisió el corpus es degrada en sis mesos i el sistema comença a respondre amb criteris que ja no són els de la casa.

Què NO fer encara

• No arrenquis un data lake. Ni un data mesh, ni una plataforma de govern de la dada. Són bones decisions quan hi ha cartera; són maneres d'ajornar quan hi ha un cas.
• No etiquetis a mà milers d'exemples. Abans comprova amb deu si el plantejament se sosté.
• No barregis qualitat de dada amb qualitat de criteri. Una dada impecable sobre un criteri equivocat produeix errors impecables.
• No externalitzis el corpus. El material que codifica com treballa la teva empresa és l'actiu; si viu al proveïdor, el diferencial és del proveïdor.

El que costa saltar-se-la

Costa un tipus de fracàs especialment desmoralitzador: el sistema funciona tècnicament i respon malament. Contesta amb seguretat coses que a la teva empresa no es farien així. L'equip perd la confiança en dues setmanes, i recuperar-la costa més que haver-ho fet bé.

Aquest és, en la nostra experiència, el veritable significat de la xifra del 60% de Gartner. No són projectes que s'estavellen contra un error tècnic: són projectes que produeixen resultats plausibles i aliens, i que ningú no vol fer servir.

Aquesta és la segona capa de la sèrie sobre les set capes de maduresa en IA. L'anterior és la capa de valor, que és la que decideix quin cas cal alimentar.

Preguntes freqüents

Quines dades necessita una empresa per començar amb IA?

Les del cas concret que vol resoldre, no les de tota l'empresa. Normalment un corpus acotat de documents on el seu criteri va quedar aplicat per escrit: propostes, informes, expedients o tiquets resolts. Deu exemples històrics basten per saber si el plantejament se sosté.

Cal muntar un data lake abans de fer servir IA?

No per al primer cas. Un data lake és una bona decisió quan hi ha cartera de casos i volum que justifiqui la plataforma. Abans d'això és una manera cara d'ajornar: Gartner atribueix a bases de dades inadequades el 60% dels abandonaments, però el remei és preparació dirigida, no preparació total.

Què passa si el nostre coneixement només és a les persones?

Que hi ha un pas previ a automatitzar: externalitzar-lo. Mentre el criteri visqui únicament en caps, qualsevol sistema respondrà amb criteri aliè. Aquest pas no és tecnològic i sol ser el més rendible de tot el projecte, perquè a més redueix la dependència de persones concretes.

Quanta qualitat de dades cal realment?

La suficient perquè deu casos històrics es resolguin bé. És un llindar verificable en setmanes, davant l'objectiu inabastable de «dades netes». La qualitat perfecta no és requisit de la IA: és una excusa habitual per no començar.