El problema nunca fue la tecnología

Manifiesto fundacional de Dataging

Hay una escena que he visto tantas veces que podría dibujarla de memoria.

Sala de reuniones. Proyecto terminado. La plataforma funciona: el dato llega, se transforma, se sirve. El cuadro de mando es bonito y además es correcto, que no siempre es lo mismo. Alguien de negocio dice que está muy bien. Alguien de IT respira. Se cierra el proyecto, se factura, se hace la foto.

Seis meses después vuelvo por otro tema y pregunto, medio de pasada, cómo va aquello. Silencio breve. "Bueno, se usa poco."

Y no se usa poco porque el dato estuviera mal. Se usa poco porque nadie cambió cómo decide.

Esa frase es el origen de todo lo que voy a escribir aquí.

La coartada

Llevo más de veinticinco años vendiendo, diseñando y entregando proyectos de datos. Y he llegado a una conclusión que no es cómoda para mi propio sector:

La tecnología se ha convertido en la coartada perfecta.

Es una coartada excelente porque le sirve a todo el mundo a la vez.

Le sirve al fabricante, que tiene una plataforma nueva cada dieciocho meses y necesita que creas que la anterior no funcionaba por razones técnicas. Le sirve a la consultora —en las que he trabajado y trabajo también—, porque un problema técnico se estima, se planifica y se factura, mientras que un problema de gestión no se sabe ni por dónde empezar a presupuestarlo. Le sirve al departamento de IT, que puede demostrar que entregó lo que se le pidió. Y le sirve, sobre todo, al comité de dirección: mientras el problema sea técnico, el problema es de otros.

Nadie ha sido despedido nunca por comprar la plataforma "grande" o de moda.

Así que compramos. Compramos data warehouses, después data lakes, después lakehouses. Compramos gobierno del dato, catálogos, calidad. Ahora compramos IA. Cada compra viene con la promesa implícita de que esta vez sí, esta vez la organización se volverá "data-driven" por efecto de la instalación.

Y no pasa. No ha pasado nunca. Y créeme: No va a pasar.

La tesis

Las organizaciones no fallan por falta de datos. Fallan por no saber gestionar con ellos.

Eso es Dataging: data y managing. La idea de que trabajar con datos no es un proyecto de IT, sino una disciplina de gestión, y que se aprende, se practica y se hace mal exactamente igual que cualquier otra disciplina de gestión.

Un proyecto de datos no termina cuando el dato llega. Termina cuando alguien decide distinto un lunes por la mañana. Todo lo que hay entre esas dos cosas —quién decide, con qué información, en qué reunión, respondiendo ante quién, con qué incentivo— es donde se realmente está el retorno completo de la inversión. Y es precisamente la parte que ningún proyecto incluye en su alcance.

Por eso la pregunta correcta antes de aprobar un caso de uso no es "¿podemos hacerlo?". Porque casi siempre podemos. La pregunta es: ¿quién va a tomar una decisión diferente por culpa de esto, y qué le pasa si no la toma?

Si esa pregunta no tiene respuesta con nombre y apellidos, no hay caso de uso. Hay un entregable.

Por qué escribo esto ahora

Porque con la IA estamos repitiendo el ciclo entero, a mayor velocidad y con más dinero.

Los pilotos funcionan. Casi todos funcionan, y esa es la parte engañosa. Se hace la demo, impresiona, se aplaude, y ahí se queda: en un limbo permanente donde nunca se cancela del todo pero tampoco entra en producción. Lo llamamos "fase dos" y no llega nunca.

Y cuando alguien pregunta por qué, la respuesta vuelve a ser técnica. Que si el modelo, que si el contexto, que si la ventana, que si hace falta otro proveedor.

Casi nunca es eso. Es que la organización no tiene definido qué es un cliente. Es que hay cuatro versiones del mismo indicador y ninguna es la oficial. Es que el proceso que la IA iba a automatizar no está documentado en ninguna parte, solo en la cabeza de tres personas. Es que nadie ha decidido quién responde cuando el sistema se equivoca.

A eso lo llamo deuda semántica, y es la factura que llevamos treinta años sin pagar. La IA no la perdona. La amplifica, porque un sistema que razona sobre conceptos mal definidos produce conclusiones mal definidas, solo que ahora con mucha más elocuencia y a mucha mayor escala.

Esa es la diferencia entre la IA que se anuncia y la IA que factura. Y de eso va, precisamente, el libro que estoy escribiendo.

Lo que Dataging no es

No es una crítica a la tecnología. Sería absurdo viniendo de alguien que se dedica a esto y que disfruta realmente con ello. La tecnología está mejor que nunca: hoy se pueden hacer en una tarde cosas que hace diez años eran un proyecto de un año.

Precisamente por eso el cuello de botella se ha movido. Cuando la tecnología deja de ser la limitación, la limitación eres tú.

Tampoco es cinismo, ni ese género de "todo está roto" que se lleva tanto y no ayuda a nadie. Yo he vendido proyectos que acabaron infrautilizados. He escrito propuestas donde el apartado de adopción eran dos párrafos de relleno. Esto lo escribo desde dentro, no desde la grada ni desde un púlpito.

Y no es contenido para quien quiera iniciarse buscando tutoriales. Hay mil sitios mejores para aprender PySpark. Esto es para quien tiene que defender un presupuesto, elegir en qué invertir y responder por el resultado.

Qué vas a encontrar aquí

Cuatro cosas:

Autopsias. Proyectos reales que salieron mal, anonimizados y contados con cifras. Sin moraleja fácil. Es lo que más me ha enseñado y lo que menos se publica, porque el sector solo escribe casos de éxito.

IA real. Qué está en producción de verdad, qué es demo, y cómo distinguirlo antes de firmar.

Gestionar con datos. El lado directivo: qué métricas mienten, cómo se defiende un ROI que aguanta una auditoría, por qué el cuadro de mando no cambió nada.

El taller. Lo técnico y lo metodológico, para quien tenga que construirlo. Arquitectura, semántica, metodología. Menos cantidad, pero sin rebajar el nivel.

Todo desde la misma tesis y con el mismo sesgo declarado: me interesa lo que funciona en producción, no lo que funciona en un slide.

La invitación

Si has estado en la sala de reuniones del principio —desde cualquiera de los dos lados de la mesa— esto es para ti.

No voy a prometerte que te vuelvas data-driven leyendo. Ni yo ni nadie. Lo que sí puedo darte es un vocabulario mejor para nombrar lo que ya intuías, y unos cuantos argumentos con los que discutir la próxima vez que alguien te presente una plataforma como si fuera una estrategia.

Se publica una vez por semana. Se lee en cinco minutos. Se puede discutir, y de hecho prefiero que se discuta.

Los datos no van de datos. Van de decidir mejor.

Bienvenido a Dataging.

Antonio Soto