508 tablas, 3M+ registros y 600.000 referencias: los datos antes que la IA

Cuando una empresa dice que necesita IA para su catálogo, la pregunta útil no es qué modelo va a usar. La pregunta es si el dato está preparado para que una decisión pueda repetirse, revisarse y mejorar.

En un caso de categorización de producto trabajamos con 508 tablas, más de 3 millones de registros y 327 marcas. El reto no era poner una capa de IA encima de una hoja de cálculo. Era convertir un conjunto de fuentes heterogéneas en una base operativa que el equipo pudiera utilizar sin volver a empezar cada semana.

El mismo trabajo incluía más de 600.000 referencias que necesitaban una clasificación consistente. El resultado verificable fue un flujo de categorización ejecutado en aproximadamente 27 minutos. Son dos aprendizajes distintos: primero, la escala del dato que había que ordenar; después, el tiempo del flujo ya preparado. Separarlos evita vender una cifra como si fuera magia.

El problema no era “falta de IA”

Los catálogos grandes suelen fallar por razones muy concretas:

• nombres de producto escritos con criterios distintos;
• marcas duplicadas o con variantes;
• atributos repartidos entre tablas que no comparten una clave limpia;
• referencias sin categoría o con categorías incompatibles;
• excepciones que solo conoce una persona del equipo.

Si se automatiza directamente sobre ese material, el sistema puede producir resultados rápidos pero difíciles de defender. La velocidad no compensa una clasificación que nadie puede explicar ni corregir.

Por eso el primer paso fue describir las fuentes, identificar las columnas que realmente distinguían un producto y fijar qué significaba una categoría válida. La IA entró después, en la parte donde había que interpretar lenguaje y proponer una clasificación; las reglas deterministas se quedaron con las comprobaciones repetibles.

La secuencia que sí se puede operar

Una activación útil separa cuatro capas:

1. Inventario: qué tablas, filas, marcas y campos existen realmente.
2. Normalización: qué nombres, unidades y claves deben tener una forma común.
3. Decisión: qué regla o señal permite asignar una categoría y qué casos requieren revisión.
4. Control: cómo se registra el resultado, quién corrige una excepción y cómo se vuelve a ejecutar.

Esta secuencia convierte un proyecto de datos en una operación. También hace visible dónde está el riesgo: una tabla sin dueño, un campo ambiguo o una excepción que no tiene salida.

Qué significa “27 minutos”

Un tiempo de ejecución solo es útil si se puede repetir. Por eso no lo presentamos como una promesa universal ni como el resultado de un modelo aislado. En este caso, el flujo procesó la carga preparada, aplicó las reglas acordadas y dejó los casos que necesitaban criterio en una salida revisable.

La medida importante no es solo cuánto tarda. También es si el equipo puede responder:

• qué fuente originó una clasificación;
• qué regla o señal se aplicó;
• qué excepciones quedaron abiertas;
• qué hay que cambiar para que la siguiente ejecución sea mejor.

Cuando esas respuestas existen, la IA deja de ser una demo y pasa a ser una pieza de la operación.

Cómo saber si tu catálogo está preparado

Antes de construir, pide estas cinco respuestas:

1. ¿Cuál es la unidad que se clasifica: referencia, variante, familia o marca?
2. ¿Qué campos son obligatorios y qué valores se consideran válidos?
3. ¿Qué porcentaje de casos tiene una respuesta clara y qué excepciones aparecen?
4. ¿Quién valida una propuesta y cómo queda registrada la corrección?
5. ¿Qué métrica se revisará después: cobertura, consistencia, tiempo o errores?

Si no hay respuesta para alguna, todavía no falta un modelo. Falta una decisión operativa. En por qué hablamos de operaciones y no de IA explicamos la jerarquía completa: eliminar, simplificar, automatizar y solo después aplicar IA. Para el trabajo previo de datos, estandarizar antes de automatizar es una buena continuación.

La prueba de 15 minutos

No hace falta esperar a tener todo el catálogo limpio para saber dónde está el siguiente bloqueo. Elige diez referencias representativas de una sola fuente y anota, para cada una:

1. qué campo o regla permite tomar la decisión hoy;
2. quién tendría que revisar una excepción;
3. si el paso es una regla, una búsqueda o un criterio de negocio;
4. qué métrica vas a observar en la siguiente ejecución;
5. qué condición te haría parar y corregir el dato antes de seguir.

Al terminar tendrás una tabla de una página. Si no puedes completar varias filas sin preguntar a una persona concreta, el cuello de botella está en el dato o en la decisión, no en el modelo. Esa evidencia basta para decidir si primero hay que estandarizar una fuente, asignar un dueño o preparar un piloto acotado.

La conclusión

La ventaja no está en decir que un catálogo es grande. Está en poder trabajar con él sin perder el origen del dato, el criterio de negocio ni la capacidad de corregir.

508 tablas y 3M+ registros describen la escala del problema. 600.000 referencias en unos 27 minutos describen lo que puede hacer un flujo preparado. Entre ambas cifras está el trabajo que no se puede saltar: inventariar, normalizar, decidir y controlar.

Ese es el orden que permite que la IA se gane su sitio.