El software de calidad de datos solía ser algo que TI compraba después de una auditoría deficiente. En 2026, decide si los proyectos de IA llegan a producción. Este artículo explica qué hacen ahora estas herramientas y dónde tienen limitaciones para datos de productos. La segunda mitad cubre cómo PIM mantiene los datos de productos precisos antes de publicarlos.
Puntos Clave
- Los datos deficientes son la razón principal por la que los proyectos de IA se estancan. Gartner vinculó directamente el abandono de proyectos de IA con la falta de datos preparados para IA.
- El software moderno de calidad de datos combina reglas para problemas conocidos con observabilidad para cambios inesperados. Ambos generan alertas, así que alguien debe responsabilizarse de ellas.
- Los agentes IA corrigen y rompen datos a la misma velocidad. Trátalos como productores de datos con pasos de aprobación y registros de auditoría.
- Una puntuación de integridad muestra que los campos están completados. No muestra que los valores sean correctos.
- Para datos de productos, PIM es el lugar para bloquear errores antes de que lleguen a un canal. Las herramientas más adelante solo pueden reportarlos.
- Los fabricantes de la UE enfrentan fechas fijas. Los pasaportes de baterías serán obligatorios en febrero de 2027, y más grupos de productos seguirán después.
Por Qué La Calidad De Datos Se Convirtió En Un Problema De IA
Una encuesta de Gartner a 1.203 líderes de gestión de datos en julio de 2024 encontró que el 63% de las organizaciones carecía de las prácticas correctas de gestión de datos para IA o no estaba seguro de tenerlas. A partir de esto, Gartner predijo que hasta 2026, las organizaciones abandonarían el 60% de los proyectos de IA sin datos preparados para IA.
La lógica es simple. Un panel muestra un número extraño y alguien frunce el ceño. Un agente de IA toma el peso incorrecto o el precio desactualizado y actúa en consecuencia. Nadie frunce el ceño hasta que lo hace un cliente.
Un analista de Gartner lo resumió en el mismo comunicado:
"Si los datos tienen problemas, entonces los datos no están listos para IA."
El comunicado también trata los datos preparados para IA como una práctica continua. Recomienda observabilidad de datos y mejor gestión de metadatos, y espera que los requisitos de datos cambien con cada nuevo caso de uso de IA. Por lo tanto, un proyecto de limpieza único no se mantendrá por mucho tiempo.
Qué Hace El Software De Calidad De Datos En 2026
Las Reglas Y La Observabilidad Detectan Problemas Diferentes
Las verificaciones basadas en reglas cubren lo que ya sabes. Un GTIN tiene 14 dígitos. Un precio no puede ser negativo. Un valor de voltaje necesita una unidad. Escribes la regla una vez y la herramienta marca cada registro que la infringe.
La observabilidad cubre lo que nadie escribió una regla para. La herramienta aprende patrones normales de actualización, volumen, esquema y distribución de valores, luego alerta cuando algo cambia. Un feed de proveedor que normalmente entrega 4.000 filas llega con 400. Una columna cambia de tipo después de una actualización de ERP.
La mayoría de los equipos maduros ejecutan ambos. El fallo habitual es la sobrecarga de alertas. Activa cada detector y el equipo pronto deja de leer alertas. Decide quién recibe qué alerta y ajusta los umbrales en las primeras semanas, o la herramienta se convierte en ruido de fondo costoso.
La IA Se Trasladó Dentro De Las Herramientas
La redacción de reglas en lenguaje natural se ha convertido en una característica común. Un administrador de datos escribe "cada cable necesita una sección transversal en mm²" y la herramienta genera la verificación. Muchas herramientas también sugieren reglas a partir de resultados de perfilado, proponen correcciones y responden preguntas sobre resultados de calidad en chat. Algunos proveedores ahora envían "administradores de datos" de estilo agente que funcionan a través de trabajos pendientes de problemas.
Esto reduce la barrera de habilidades para escribir verificaciones. Alguien sigue necesitando saber qué debe decir la regla, porque la herramienta escribirá felizmente una verificación perfecta para un requisito incorrecto.
La Calidad Se Define Por Quién Usa Los Datos
Los buenos datos ahora significan datos que se adaptan a un consumidor específico. Un registro de producto puede funcionar bien para el ERP y fallar en un mercado que requiere doce atributos que el ERP nunca almacenó. Los contratos de datos formalizan esto. El equipo que produce los datos y el equipo que los consume acuerdan campos, formatos, propietarios y niveles de servicio, y la herramienta verifica contra ese acuerdo.
Los datos no estructurados ahora están en el alcance también. Hojas de datos, PDF e imágenes alimentan sistemas de IA, por lo que se espera que las herramientas extraigan atributos de ellos y verifiquen los resultados.
Las Verificaciones Se Acercan A La Fuente
Limpiar datos en el almacén cada noche repite las mismas correcciones para siempre. Así que las organizaciones insertan verificaciones en los sistemas donde se crean los datos. MDM maneja registros maestros. PIM maneja contenido de productos.
Riesgos A Planificar
El riesgo más grande es que los planes de IA se adelanten a la preparación de datos. Los números de Gartner anteriores lo describen lo suficientemente bien. La solución es aburrida: evalúa la preparación de datos antes de financiar un proyecto de IA, y hazlo antes del piloto en lugar de después de que falle.
Los agentes IA traen un riesgo más nuevo. Crean datos tan rápido como los corrigen. En enero de 2026, Bloomberg reportó que la herramienta experimental "Comprar Para Mí" de Amazon había generado automáticamente listados para productos de tiendas independientes, incluidas tiendas que nunca eligieron vender en Amazon. Algunos listados apuntaban al artículo incorrecto. Una tienda de papelería recibió demandas de reembolso después de que los clientes pidieron una pelota antiestés más grande que la tienda no tiene en stock y recibieron la más pequeña que tiene. Otros comerciantes vieron imágenes de productos incorrectas y precios al por mayor mostrados a los compradores. Amazon dijo que los vendedores podían optar por no participar y que el programa cubría más de 500.000 artículos, aumentando desde aproximadamente 65.000 al lanzamiento.
Cuando una marca no publica datos de productos estructurados, la IA de otro adivinará. La marca sigue manejando las quejas.
La consolidación de proveedores es un riesgo más lento. Informatica ahora pertenece a Salesforce, y Talend pertenece a Qlik. Las herramientas adquiridas pueden fusionarse, reevaluarse en precio o depriorizarse. Si un proveedor cambió de dueño recientemente, incluye formatos de exportación de datos y términos de salida en el contrato.
El último riesgo se asienta en el caso de negocio. Muchas estadísticas publicadas de calidad de datos provienen de encuestas de proveedores que citan otras encuestas de proveedores, a menudo sin fecha o tamaño de muestra. Antes de que un número entre en una solicitud de presupuesto, encuentra la fuente y verifica el año y a quién se le preguntó.
Cómo PIM Garantiza La Calidad De Datos De Productos
Las herramientas de calidad de datos en el almacén supervisan canales. En el momento en que una marca un peso de producto incorrecto, ese peso ya puede estar en varios feeds de distribuidores. PIM se sienta antes, donde se crean, enriquecen y aprueban los datos de productos. Esa posición le permite bloquear un registro deficiente antes de publicar.
Nuestros clientes suelen venir a nosotros después de que los datos de productos han superado al ERP. Para un fabricante típico, el maestro de artículos de ERP contiene lo que producción y logística necesitan. Los atributos de marketing, traducciones y certificados viven en hojas de cálculo mantenidas por quienquiera que tuviera tiempo esa semana. Cada distribuidor quiere su propia plantilla, por lo que el mismo producto se reescribe para cada uno, y cada reescritura añade nuevos errores.
En proyectos que implementamos, la solución comenzó con un modelo de datos compartido. Luego las verificaciones se trasladaron a ese modelo. Estos controles hacen la mayor parte del trabajo:
- Atributos tipificados con unidades fijas y valores permitidos. Un campo de peso acepta un número en kilogramos, por lo que "aprox. 2 kg" nunca entra.
- Reglas de validación por canal e idioma. Un mercado puede requerir un GTIN y dimensiones de embalaje, mientras que el catálogo alemán requiere un aviso de seguridad traducido.
- Puntuaciones de integridad y preparación por canal, para que el equipo vea qué productos pueden funcionar dónde.
- Incorporación de proveedores a través de plantillas validadas o un portal. Los proveedores corrigen sus propios errores al cargar, antes de que alguien en tu equipo toque los datos.
- Extracción e enriquecimiento de IA con aprobación humana. La IA extrae atributos de hojas de datos y redacta descripciones, y una persona aprueba el resultado.
- Un registro de auditoría completo. Cada cambio registra quién lo hizo, cuándo y el valor anterior, incluidos los cambios realizados por IA.
- Verificaciones contra la especificación de cada canal antes de exportar, así que un feed que rompa las reglas de un minorista nunca sale del sistema.
Las Puntuaciones De Integridad Pueden Engañar
La integridad es el número más fácil en PIM. Cuenta los campos requeridos completados y los convierte en un porcentaje. También es fácil de manipular.
Un campo completado con un valor incorrecto se califica exactamente como uno correcto.
El panel permanece en verde mientras los distribuidores devuelven productos. Vemos regularmente catálogos que parecen casi completos, donde una verificación puntual contra las hojas de datos originales aún encuentra dimensiones incorrectas y certificados vencidos.
Las reglas de preparación van más lejos. Preguntan si un producto cumple con las necesidades de un consumidor específico: la especificación de un distribuidor, las reglas de categoría de un mercado, el esquema de datos de un regulador, o un asistente de compras de IA que filtra por atributos. Cada consumidor obtiene su propio conjunto de reglas.
Así que añade muestreo de precisión. Cada mes, extrae 20 registros aleatorios por familia de productos y compárelos con hojas de datos y certificados. La tasa de error de esa muestra te dice más que la puntuación de integridad.
Trata Los Agentes IA Como Un Nuevo Proveedor
Los proveedores de PIM ahora envían agentes que asignan datos de proveedores, escriben descripciones, traducen y clasifican productos. Funcionan rápido. Un agente que enriquece 10.000 productos en una hora también puede fallar en 10.000 productos en una hora.
Gobiernalos como un nuevo proveedor cuyos datos no confías todavía. Los agentes proponen cambios y una persona los aprueba. Los permisos se mantienen limitados, por lo que un agente puede editar descripciones pero no precios o datos de seguridad. Cada acción del agente recibe una entrada de registro. El texto generado por IA lleva una etiqueta para que revisores y auditores puedan encontrarlo después.
Los clientes que comienzan enriquecimiento de IA con nosotros generalmente comienzan con campos de bajo riesgo como copia de marketing y traducciones. Mantienen la aprobación en cada cambio al principio. Una vez que las tasas de error muestreadas se mantienen bajas, amplían el alcance a atributos técnicos. Esto es más lento que activar todo a la vez. También evita un proyecto de limpieza seis meses después.
Publica Datos De Productos Estructurados Antes De Que Alguien Más Los Adivine
Los asistentes de compras de IA filtran productos por atributos, unidades y categorías. Un producto con un voltaje faltante o un campo de material de texto libre se descarta del conjunto de candidatos antes de que alguien lea la copia de marketing. El caso de Amazon muestra el otro lado. Cuando faltan datos estructurados, una IA de terceros llena el vacío con sus propias conjeturas.
Así que publica datos de productos autorizados en formatos que las máquinas puedan leer: feeds estructurados y marcado para canales, y APIs para socios y herramientas de IA. PIM es la fuente natural, ya que sus datos ya han pasado validación.
El Pasaporte De Producto Digital Lo Convierte En Cumplimiento
La Regulación de la UE sobre Ecodesign para Productos Sostenibles (ESPR) entró en vigor en julio de 2024. Su Pasaporte de Producto Digital (DPP) es un registro digital, generalmente accesible a través de un código QR, que sigue un producto a través de su cadena de valor. Según un resumen de la firma de abogados Krogerus, contendrá información como materiales, origen, huella de carbono, durabilidad, reparabilidad y reciclabilidad.
El registro central de DPP de la UE se puso en marcha en julio de 2026, pero las empresas solo necesitan registrar datos de productos una vez que se aplique el acto delegado para su grupo de productos. Los pasaportes de baterías se vuelven obligatorios el 18 de febrero de 2027 para baterías de vehículos eléctricos, transporte ligero e industriales superiores a 2 kWh. Se espera que el acto delegado para textiles se publique en 2027, con cumplimiento probable alrededor de 18 meses después. Con el tiempo, se espera que el régimen cubra casi todos los productos colocados en el mercado de la UE, lo que afecta también a fabricantes, importadores y distribuidores fuera de la UE.
La mayoría de los datos del pasaporte provienen de proveedores e ingeniería. Los fabricantes que se preparan para el DPP generalmente encuentran que la composición del material existe solo en certificados de proveedores y PDF, en ningún sistema que pueda exportarlo. En proyectos que implementamos, modelamos atributos de pasaporte como un grupo de atributos separado y los recopilamos a través del mismo flujo validado de incorporación de proveedores que otros datos de productos. De esa manera, los datos llegan en un formato verificado, con un registro de quién los suministró.
Los requisitos exactos de datos de DPP dependen de actos delegados que aún no están todos publicados. Construye el modelo para que los atributos puedan añadirse sin un rediseño.
Dónde Termina PIM, Y Comienza Otro Software De Calidad De Datos
PIM gestiona contenido de productos para vender: atributos, descripciones, activos, traducciones y requisitos de canales. MDM construye registros maestros en dominios como producto, cliente y proveedor, con coincidencia y fusión de duplicados. Las herramientas de calidad de datos y observabilidad supervisan los canales que alimentan análisis e IA.
Muchas empresas ejecutan las tres. Una configuración común usa el ERP o MDM como fuente de la verdad técnica y PIM como capa de enriquecimiento y preparación, con observabilidad en los canales. Los límites se desdibujan, ya que varios proveedores ahora cubren tanto PIM como MDM. Mapea las capacidades que necesitas e ignora las etiquetas de categoría.
Cómo Elegir Software De Calidad De Datos Para Datos De Productos
- Prueba con tus propios datos. Carga un archivo de proveedor desordenado y una exportación real de ERP durante la prueba, ya que los datos de demostración siempre están limpios.
- Verifica cómo la herramienta maneja unidades, variantes y atributos multilingües. Las herramientas construidas para tablas analíticas a menudo tratan los datos de productos como filas planas.
- Averigua qué características de IA pueden cambiar sin aprobación y si cada edición de IA recibe un registro.
- Omite el promedio de estrellas en las reseñas y lee las quejas. Muestran curvas de aprendizaje y limitaciones de integración más rápido que una demostración.
- Si el proveedor cambió de dueño recientemente, pregunta sobre el roadmap y obtén formatos de exportación y términos de salida por escrito.
- Pide la fuente de cada estadística en el caso de negocio del proveedor.
Comienza con una familia de productos y un canal. Define preparación para ese par y mide precisión en una muestra. Luego expande.