Las empresas usan IA a toda velocidad, pero datos inseguros, desordenados o invisibles frenan sus resultados y elevan riesgos.
La inteligencia artificial ya entró a las oficinas, los bancos, las fábricas y los servicios digitales. Muchas empresas la usan para responder clientes, resumir documentos, detectar fraudes, analizar ventas o automatizar tareas repetitivas. El problema es que una buena parte de esas organizaciones todavía no confía plenamente en la materia prima que alimenta sus sistemas: sus propios datos.
Un nuevo estudio global de Veeam, presentado durante VeeamON London 2026, pone cifras a esa tensión. Aunque 88% de las organizaciones ya usa o prueba agentes de IA, sólo 7% se considera realmente preparada para operar con inteligencia artificial a escala. Además, 95% reconoce que los problemas relacionados con datos ya frenaron su avance.
La conclusión es incómoda, pero útil: la IA no falla sólo por el modelo. También falla cuando trabaja con información incompleta, vieja, duplicada, mal protegida o sin reglas claras.
💻 Visita YoUsuarioFinal 📱
🇲🇽 Conoce más en SuperMexicanos 🎬
El freno no está en la IA
Durante los últimos dos años, muchas empresas actuaron como si el reto principal fuera adoptar herramientas de inteligencia artificial. La pregunta era qué plataforma usar, qué proveedor contratar o qué proceso automatizar primero. Hoy el debate cambió.
El estudio Data and AI Trust Gap de Veeam sugiere que la adopción ya no es el obstáculo central. El reto real está en controlar los datos, saber quién accede a ellos y garantizar que los sistemas puedan recuperarse si algo sale mal.
Anand Eswaran, CEO de Veeam, lo resume así: “La mayoría de las organizaciones no tienen un problema de adopción de IA, sino un problema de confianza en la IA”.
Esa frase importa porque aterriza un tema que suele sonar lejano. Si una empresa usa IA para autorizar créditos, recomendar tratamientos, responder reclamaciones o detectar compras sospechosas, el usuario final queda expuesto a la calidad de esos datos.
Un dato mal clasificado puede negar un servicio. Un historial incompleto puede generar una recomendación equivocada. Un permiso excesivo puede abrir información sensible a personas o sistemas que no deberían verla.
Datos sucios, decisiones riesgosas
Para entenderlo sin tecnicismos, pensemos en una tienda en línea. Si su base de datos tiene direcciones duplicadas, correos antiguos y compras mal registradas, la IA puede mandar promociones irrelevantes, bloquear pedidos legítimos o confundir perfiles de clientes.
En una empresa de salud, el riesgo crece. Un sistema que revisa expedientes necesita datos completos, protegidos y verificables. No basta con que el modelo “suene inteligente”. Debe trabajar sobre información correcta y con supervisión humana.
En recursos humanos pasa algo similar. Si una herramienta analiza candidatos con datos históricos sesgados, puede repetir decisiones injustas. La IA no inventa esos sesgos desde cero. Muchas veces los hereda de bases mal construidas.
Por eso la confianza en datos para IA ya no es un asunto exclusivo de ingenieros. También afecta a clientes, trabajadores, pacientes, estudiantes y consumidores.
Los agentes de IA elevan la presión
La conversación se vuelve más delicada con los agentes de IA. A diferencia de un chatbot tradicional, un agente puede ejecutar tareas, consultar sistemas, mover información o actuar con cierto grado de autonomía.
Eso puede ser muy útil. Un agente puede revisar inventarios, redactar reportes, buscar anomalías o coordinar respuestas entre departamentos. Pero también puede multiplicar riesgos cuando tiene permisos demasiado amplios.
Veeam advierte que apenas 28% de las organizaciones confía en su capacidad para detectar sistemas de IA que operen fuera de parámetros aprobados. En otras palabras, muchas empresas ya usan agentes, pero no siempre saben si esos agentes se comportan como deberían.
El problema no es ciencia ficción. Si un agente entra a carpetas equivocadas, cruza datos sensibles o toma decisiones sin revisión, el daño puede escalar rápido. La velocidad que hace atractiva a la IA también puede acelerar errores.
Cuando la IA sale de control
Otros reportes recientes apuntan en la misma dirección. Un estudio citado por ITPro sobre líderes tecnológicos encontró que muchas organizaciones gestionan sistemas de IA que no controlan por completo. También reportó preocupación por marcos de gobernanza insuficientes.
Lenovo ha descrito un fenómeno parecido como una brecha de ejecución. La adopción crece, pero el control interno no avanza al mismo ritmo. Ahí aparece la llamada shadow AI, cuando empleados usan herramientas no autorizadas para trabajar más rápido.
Esa práctica puede parecer inofensiva. Alguien copia una base de clientes en una plataforma externa para resumirla. Otra persona sube contratos para que la IA encuentre cláusulas importantes. Un equipo usa un chatbot público para analizar información de ventas.
El problema aparece cuando esos datos son confidenciales. También cuando nadie sabe dónde terminaron, qué permisos aceptó el usuario o si la empresa puede borrarlos después.
El usuario final también importa
Aunque el estudio se enfoca en empresas, las consecuencias llegan al usuario común. Cada vez que una app promete atención automática, recomendaciones personalizadas o decisiones más rápidas, hay datos detrás.
Un banco puede usar IA para detectar fraude en una tarjeta. Una aerolínea puede automatizar cambios de vuelo. Una tienda puede ajustar precios o promociones. Una aseguradora puede analizar reclamaciones. En todos esos casos, la calidad de los datos define parte de la experiencia.
Para el usuario final, la pregunta no es si la empresa “usa IA”. Esa respuesta ya casi siempre será sí. La pregunta más importante es cómo la usa, qué datos procesa y qué opciones ofrece cuando el sistema se equivoca.
Por ejemplo, si una plataforma rechaza una compra por “actividad sospechosa”, debe existir una vía clara de aclaración. Si un asistente automático da una respuesta incorrecta, debe haber revisión humana. Si una empresa recopila datos sensibles, debe explicar sus límites.
No todo se arregla con más tecnología
La tentación empresarial es resolver cada problema con otra herramienta. Más software, más automatización, más tableros, más asistentes. Pero la confianza no se compra sólo con licencias.
Una estrategia responsable necesita inventarios de datos, permisos bien definidos, políticas de uso, respaldo, auditoría y capacitación. También requiere decidir dónde la IA puede actuar sola y dónde debe intervenir una persona.
Esto no significa frenar la innovación. Significa evitar que la prisa convierta la inteligencia artificial en una caja negra. Las empresas que ordenen sus datos podrán usar mejor la IA. Las que improvisen podrían enfrentar errores, filtraciones y pérdida de confianza.
El estudio de Veeam también señala un incentivo económico. Para 48% de los ejecutivos consultados, contar con datos confiables y seguros podría desbloquear crecimiento de ingresos superior a 25%. La confianza, entonces, no sólo reduce riesgos. También puede generar valor.
Qué debería revisar una empresa
Una empresa que quiera usar IA con seriedad debería empezar por preguntas simples. ¿Qué datos tenemos? ¿Dónde están? ¿Quién puede verlos? ¿Qué sistemas los usan? ¿Qué pasa si el modelo se equivoca?
También debe revisar si puede recuperar información crítica después de un ataque o falla. Esto importa más cuando la IA opera con datos financieros, médicos, legales o comerciales.
Otro punto clave es explicar a los equipos qué se puede subir a una herramienta de IA y qué no. Muchas filtraciones no empiezan con un hacker. Empiezan con un empleado bien intencionado que busca ahorrar tiempo.
Para los usuarios, la señal más sana es la transparencia. Las empresas deben informar cuándo se usa IA, cómo se corrigen errores y qué datos entran al sistema. La confianza se construye cuando hay control, no sólo promesas.
La etapa adulta de la IA
La inteligencia artificial ya superó la fase de sorpresa. Ahora entra en una etapa más exigente: demostrar utilidad real, seguridad y responsabilidad. Las empresas no sólo deben presumir que tienen IA. Deben probar que pueden gobernarla.
Eso implica aceptar una realidad básica. Un modelo poderoso no compensa datos caóticos. Un agente rápido no reemplaza controles claros. Una automatización brillante puede fallar si nadie sabe qué información está usando.
La próxima gran diferencia entre empresas no será quién tiene más herramientas de IA. Será quién puede confiar en sus datos, protegerlos y corregir el rumbo cuando algo salga mal.