Durante años, la gestión de datos maestros (MDM) ha funcionado, en gran medida, entre bastidores.
Las soluciones de MDM crean registros fiables, establecen definiciones coherentes, conectan la información entre sistemas y ayudan a las organizaciones a gestionar sus datos más importantes. Esa labor es esencial, pero su valor se ha considerado históricamente desde una perspectiva operativa: mejor calidad de los datos, procesos más eficientes, menos incoherencias y menos trabajo manual.
Pero ahora la «empresa agente» está ampliando ese papel.
A medida que los agentes de IA asumen funciones cada vez más importantes en la cadena de suministro, el comercio, el marketing, las finanzas, la gestión de riesgos y otras funciones empresariales, necesitan datos fiables y contexto empresarial. Cuando los agentes obtienen datos fiables y contexto empresarial de una plataforma de datos maestros, el MDM pasa de ser un sistema que da soporte a los equipos que gestionan los datos a convertirse en una parte fundamental del modo en que la empresa toma decisiones y lleva a cabo acciones fiables.
Este cambio hace que más personas se interesen por los datos maestros. También modifica la forma en que las organizaciones deben gestionar, priorizar y medir el valor de sus inversiones en MDM.
De plataforma especializada a infraestructura empresarial compartida
Tradicionalmente, la responsabilidad del MDM se ha concentrado en los equipos de datos, TI, comercialización y otros equipos operativos. La plataforma ya da soporte a procesos fundamentales como la incorporación de productos y proveedores, la publicación de productos y la distribución de datos. Estos equipos mantienen los datos subyacentes, gestionan su uso y orientan el desarrollo de la plataforma.
Es posible que otras funciones empresariales utilicen los datos sin tener un papel directo en la estrategia de MDM que hay detrás. Pero los agentes de IA están cambiando esa dinámica.
Pensemos, por ejemplo, en un agente de IA para la cadena de suministro diseñado para identificar alternativas cuando un producto no está disponible. Para ofrecer una recomendación útil, es posible que el agente necesite algo más que un registro preciso del producto. Es posible que tenga que comprender qué proveedores suministran el producto, dónde se encuentra el stock, qué sustitutos cumplen los mismos requisitos y qué normas contractuales o reglamentarias se aplican.
Y pensemos en otros agentes de IA: un agente comercial puede necesitar contexto sobre el producto, el cliente, la ubicación y los precios. Un agente de riesgos puede basarse en relaciones reguladas entre proveedores, entidades corporativas y regiones. Un agente de servicios puede necesitar información coherente sobre clientes, productos, garantías y derechos de asistencia.
El denominador común aquí es que el valor no proviene solo de los registros individuales, sino de las relaciones, clasificaciones, políticas y definiciones empresariales que los rodean. Los agentes de IA fiables necesitan datos empresariales regulados y fiables que puedan utilizar de forma coherente en todas las decisiones y flujos de trabajo.
Aquí es donde la gestión de datos maestros (MDM) multidominio cobra especial importancia. Los procesos empresariales rara vez encajan perfectamente en un único dominio de datos, y tampoco lo hacen los agentes que los respaldan. Una decisión relacionada con la cadena de suministro puede depender de datos interrelacionados sobre productos, proveedores, ubicaciones y activos. Una interacción comercial puede requerir el contexto del producto, el cliente, los precios y la ubicación. Al unir estos dominios y sus relaciones, la gestión de datos maestros (MDM) ofrece a los agentes una visión más completa del entorno empresarial en el que operan.
A medida que los agentes utilizan este contexto para respaldar más procesos empresariales, la plataforma de datos maestros asume un papel más amplio. Sigue siendo responsable de crear y gestionar datos fiables, pero esos datos contribuyen ahora a la toma de decisiones mucho más allá de los equipos que gestionan la plataforma.
La MDM se convierte en una infraestructura compartida para las decisiones y acciones fiables que los agentes de IA ayudan a generar en toda la empresa.
El aumento del número de partes interesadas plantea nuevas cuestiones sobre la titularidad
Esta ampliación de funciones no significa que todos los departamentos deban empezar a gestionar los datos maestros de forma independiente. Pero sí significa que más departamentos tienen un interés legítimo en las decisiones que se toman al respecto.
Si un agente que presta apoyo a un proceso financiero depende de los datos de clientes y proveedores, el equipo financiero tiene interés en la calidad, el significado y la disponibilidad de esos datos. Si un agente de la cadena de suministro necesita nuevas relaciones entre productos y ubicaciones, el equipo de la cadena de suministro tiene interés en cómo se modelan y priorizan esas relaciones.
Las organizaciones tendrán que decidir cómo participan estas partes interesadas sin fragmentar la responsabilidad ni debilitar la gobernanza. Para ello, hay que partir de cuatro preguntas importantes.
¿Quién es responsable de los datos que sustentan la acción de un agente?
Los agentes de IA pueden aunar varias áreas de responsabilidad ya existentes.
Un equipo de datos puede encargarse de mantener el registro maestro, y una función empresarial puede definir las reglas o relaciones que le dan sentido. El departamento de TI puede gestionar cómo accede el agente a los datos, mientras que un equipo de IA puede diseñar el agente y determinar cómo utiliza la información.
Si ese agente recomienda o lleva a cabo una acción, la responsabilidad no puede recaer simplemente en el sistema que haya aportado una parte de la respuesta.
Las organizaciones necesitan tener claro quién es el responsable de los datos, quién de las reglas de negocio, quién del agente y quién del resultado. Estas responsabilidades pueden estar centralizadas o distribuidas por toda la organización, pero las reglas, las facultades de decisión y las líneas de responsabilidad no deben ser ambiguas.
¿Quién aprueba los nuevos usos de los datos maestros?
Cada nuevo caso de uso de un agente plantea cuestiones sobre la finalidad, el acceso, el riesgo y el valor esperado. ¿Qué datos necesita el agente? ¿Es la información solicitada adecuada para el proceso? ¿Son las relaciones y definiciones lo suficientemente completas? ¿Debería el agente limitarse a leer los datos, o también debería poder proponer o realizar cambios?
Un proceso de aprobación definido ayuda a la organización a evaluar estas cuestiones antes de que los datos se pongan en uso, en lugar de hacerlo después de que surja un problema. Al fin y al cabo, una conexión técnica no implica automáticamente un uso empresarial aprobado.
¿Quién establece las prioridades?
A medida que más equipos identifiquen oportunidades para utilizar los datos maestros, plantearán nuevas exigencias a la hoja de ruta de MDM.
Un departamento puede solicitar un dominio de datos adicional. Otro puede necesitar nuevas relaciones entre los dominios existentes. Un tercero puede requerir clasificaciones, permisos o reglas de negocio más detalladas.
No todas estas solicitudes tendrán el mismo valor, urgencia o complejidad. A la hora de establecer prioridades, habrá que tener en cuenta algo más que la viabilidad técnica; también habrá que reflejar la importancia del proceso empresarial, la contribución esperada del caso de uso y el trabajo necesario para que los datos subyacentes estén listos para los agentes.
En otras palabras, la hoja de ruta de la gestión de datos maestros (MDM) formará parte, cada vez más, de la hoja de ruta de la IA de la empresa.
¿Puede la organización rastrear los datos que hay detrás del resultado?
Cuando un agente contribuye a una decisión empresarial, la organización necesita comprender la información y el contexto que hay detrás de ella.
Para ello, no basta con saber que el agente se ha conectado a un sistema. Esto cobra especial importancia en los flujos de trabajo entre agentes, en los que los datos y las decisiones pasan de un sistema a otro sin una revisión humana continua.
Es posible que los responsables necesiten ver qué registros, relaciones, clasificaciones y políticas han influido en la acción. Los equipos de datos e inteligencia artificial pueden necesitar esa información para investigar resultados inesperados o mejorar el rendimiento futuro.
La trazabilidad también ayuda a la organización a relacionar el uso de los datos maestros con el resultado al que han contribuido. Esto resulta importante no solo para la gobernanza, sino también para comprender el valor.
El argumento comercial a favor de la gestión de datos maestros (MDM) se está ampliando
Este cambio genera complejidad organizativa, pero también supone una oportunidad.
Tradicionalmente, el valor del MDM se ha medido a través de mejoras como una mayor calidad de los datos, menos registros duplicados, una incorporación más rápida, un menor esfuerzo operativo y un cumplimiento normativo más fiable. Esas ventajas siguen siendo importantes.
Pero cuando los datos maestros gestionados respaldan a un agente que trabaja en un proceso empresarial fundamental, el valor de la plataforma también puede vincularse al resultado que produce dicho proceso.
Un agente de la cadena de suministro podría utilizar datos sobre productos, proveedores y ubicaciones para identificar alternativas de cumplimiento de pedidos. Un acceso más rápido a información contextual fiable podría ayudar a la organización a reducir los retrasos en los pedidos, evitar costes de envío urgente o mejorar la disponibilidad de los productos.
Un agente de comercio podría utilizar información controlada sobre productos y clientes para ofrecer recomendaciones más relevantes. El resultado podría ser una mayor tasa de conversión, un mayor compromiso por parte de los clientes o menos devoluciones causadas por información incompleta.
Un agente de servicios podría recurrir a datos interconectados sobre clientes, productos y garantías para resolver los casos de forma más rápida y coherente. Un agente de riesgos podría identificar relaciones problemáticas con proveedores antes de que generen un problema de cumplimiento normativo o una interrupción operativa.
La gestión de datos maestros (MDM) no es la única fuente de estos resultados. El agente, el modelo, la aplicación, el flujo de trabajo y las personas implicadas contribuyen todos a ello. Pero cuando unos datos maestros fiables hacen posible la acción, la plataforma forma parte de la cadena de valor.
Esto ofrece a las organizaciones una perspectiva más amplia para evaluar el MDM. Y amplía la pregunta de «¿Con qué eficiencia gestionamos nuestros datos?» a «¿Qué puede lograr la empresa gracias a que dispone de estos datos y este contexto?».
Mide el valor allí donde se produce el impacto en el negocio
Relacionar el MDM con el retorno de la inversión (ROI) de la IA no siempre significa que haya que atribuirse el mérito de cada resultado que obtenga un agente. Al igual que ocurre con la medición del ROI general del MDM, el objetivo es relacionar la inversión con los beneficios tangibles y los costes totales. Esto significa que es necesario establecer una conexión clara entre el objetivo empresarial y los datos que lo respaldan.
Empieza por plantearte cinco preguntas:
- ¿Qué proceso o decisión estamos tratando de mejorar? Empieza por la necesidad empresarial, no por la conexión técnica.
- ¿Qué papel desempeñará el agente? Define si el agente recuperará información, hará una recomendación, iniciará un flujo de trabajo o llevará a cabo una acción.
- ¿Qué datos y contexto necesita el agente? Identifica los registros, dominios, relaciones, jerarquías, clasificaciones y reglas de negocio necesarias para el caso de uso.
- ¿Qué debería mejorar? Establece el cambio esperado, como decisiones más rápidas, menos validación manual, menos errores o una ejecución más coherente.
- ¿Qué resultado empresarial debería reflejar esa mejora? Relaciona el caso de uso con una medida adecuada de ingresos, costes, productividad, riesgo, cumplimiento normativo o experiencia del cliente.
Esto crea una cadena de valor práctica:
Proceso empresarial → caso de uso del agente → dependencia de los datos maestros → mejora operativa → resultado empresarial
Pensemos en un agente que ayude a resolver interrupciones en el suministro. El agente puede utilizar datos regulados sobre productos, proveedores y ubicaciones para encontrar alternativas viables. La mejora inmediata podría ser una reducción del tiempo necesario para evaluar las opciones. El resultado empresarial más amplio podría traducirse en un menor número de pedidos retrasados, una reducción de los costes de envío de emergencia o una mejora de los niveles de servicio.
El resultado completo no puede atribuirse únicamente a la gestión de datos maestros (MDM), pero aún así es posible identificar y medir el impacto de proporcionar al agente un contexto empresarial fiable y conectado.
Este enfoque ofrece a los responsables una visión más fiable de la contribución de la plataforma que una afirmación generalizada de que unos datos mejores producen una IA mejor.
Situar el coste en el contexto del valor
La IA también conlleva nuevos costes.
Las organizaciones pueden tener que pagar por el uso de modelos, la ejecución de agentes, la infraestructura, las aplicaciones, las integraciones, la gobernanza y el acceso a los datos empresariales. A medida que aumenten los casos de uso de agentes, los responsables necesitarán tener una visión más clara de dónde se originan esos costes y qué aportan.
Ese análisis debería reforzar los argumentos a favor de una inversión disciplinada en MDM, en lugar de reducir la plataforma a una partida más del presupuesto.
Para cada caso de uso, hay que tener en cuenta lo siguiente:
- ¿Qué agentes dependen de los datos maestros regulados?
- ¿Con qué frecuencia los consumen o actualizan?
- ¿Qué dominios y relaciones deben mantenerse?
- ¿Qué medidas adicionales de gobernanza o supervisión requiere el caso de uso?
- ¿En qué resultado empresarial se espera que influya el agente?
- ¿Qué validación, conciliación o corrección sería necesaria sin datos fiables?
- ¿El valor esperado justifica el coste de preparar, gestionar, facilitar y utilizar los datos?
Estas preguntas ayudan a las organizaciones a seleccionar los casos de uso adecuados y a sentar las bases de datos adecuadas para ellos.
Además, refuerzan una idea importante: la conexión más barata no es necesariamente la más valiosa. Dar acceso a un agente a datos incompletos, mal definidos o inconexos puede trasladar los costes a otros ámbitos, a través de la verificación manual, la repetición de tareas, las decisiones incoherentes o los riesgos innecesarios.
El retorno de la inversión (ROI) depende tanto del valor del resultado como de la fiabilidad de la información utilizada para lograrlo.
Un papel más estratégico requiere un modelo operativo más conectado
A medida que la gestión de datos maestros (MDM) se convierta en parte de los cimientos de la IA empresarial, su modelo operativo deberá reflejar su mayor alcance.
El enfoque concreto variará según la organización, pero varias capacidades cobrarán cada vez más importancia:
- Una responsabilidad clara sobre los datos y el contexto que subyacen a las acciones impulsadas por la IA
- Derechos de decisión bien definidos para nuevos casos de uso y solicitudes de acceso
- Una forma estructurada de priorizar las demandas interfuncionales
- Trazabilidad entre las acciones de los agentes y los datos subyacentes
- Indicadores compartidos que vinculan la inversión en MDM con los resultados empresariales
- Coordinación entre los departamentos de datos, TI, IA, finanzas, riesgos y las funciones empresariales que utilizan los agentes
El objetivo es garantizar que la organización pueda ampliar el uso de los datos maestros sin perder claridad, control ni enfoque.
Los responsables empresariales necesitan una forma de definir los casos de uso que afectan a sus funciones. Los responsables de datos deben proteger la coherencia y la integridad de la información compartida. Los responsables tecnológicos deben gestionar el acceso, la arquitectura y los costes. Los equipos financieros y ejecutivos deben comprender si estas inversiones están generando una rentabilidad significativa.
La gestión de datos maestros (MDM) se sitúa en la intersección de esas prioridades.
La gestión de datos maestros (MDM) es la base de la inteligencia empresarial
El objetivo fundamental de la gestión de datos maestros (MDM) no cambia. Las organizaciones seguirán necesitando registros fiables, definiciones coherentes, ámbitos interconectados y una gobernanza sólida.
Lo que sí está cambiando es el alcance de esa base.
La IA empresarial hará que el contexto multidominio cobre cada vez más importancia. Las decisiones empresariales rara vez dependen de un producto, un cliente, un proveedor, una ubicación o un activo de forma aislada. Los agentes deben comprender cómo se relacionan esas entidades, qué definiciones y políticas se aplican, y qué significan esas conexiones dentro de un proceso empresarial específico.
Cuando los agentes de IA pueden recurrir a esos datos maestros interconectados, la gestión de datos maestros (MDM) contribuye a algo más que a unas operaciones de datos eficientes. Aporta el contexto empresarial que subyace a las decisiones, las recomendaciones y las acciones cada vez más autónomas.
Esto hace que la plataforma se utilice de forma más generalizada, se gestione estratégicamente y esté directamente vinculada al valor empresarial.
Además, eleva la gestión de datos maestros (MDM) de ser una solución que opera en segundo plano a convertirse en un elemento central de la inteligencia que impulsa el negocio.
El siguiente paso es empezar a preguntarse:
- ¿Qué agentes de IA ya dependen de nuestros datos maestros?
- ¿Qué procesos empresariales dependerán de ellos a continuación?
- ¿Quién es responsable de los datos y del contexto que subyace a sus acciones?
- ¿Cómo deberían influir esos casos de uso en nuestra hoja de ruta de MDM?
- ¿Qué resultados nos mostrarán el valor de las decisiones y acciones que permiten esos datos fiables?
Las respuestas serán diferentes para cada organización, pero la dirección está clara: a medida que la IA se integra cada vez más en el negocio, la gestión de datos maestros (MDM) adquiere un papel más central en la forma en que la empresa opera, toma decisiones y crea valor.
Los datos maestros proporcionan una base fiable. Las decisiones y acciones que impulsan son el lugar donde cobra vida la inteligencia fiable.
