Durante meses, la conversación sobre IA empresarial giró alrededor de una pregunta bastante obvia: ¿cómo desplegamos agentes? Ahora la pregunta importante cambió. La que empieza a definir presupuesto, arquitectura y velocidad real de adopción es otra: ¿con qué datos van a trabajar esos agentes y qué tan confiables son?

En los anuncios más recientes del mercado se nota con claridad. Ya no alcanza con mostrar que un agente conversa, resume o automatiza un flujo. La presión ahora está en darle contexto útil, limpio y accionable. Sin eso, la IA puede impresionar en demo, pero se rompe en producción.

El problema no era solo el agente

Una parte importante del mercado ya entendió algo incómodo: el cuello de botella no está únicamente en el modelo ni en la interfaz conversacional. Está en la calidad operacional del dato.

Cuando una empresa quiere que un agente recomiende compras, detecte riesgo de proveedores, reorganice inventario o resuelva una incidencia comercial, no basta con conectarlo a varios sistemas. Necesita saber qué dato es el válido, cuál está desactualizado, qué entidad está duplicada y qué acción se puede disparar sin romper el negocio.

Ese cambio de foco apareció esta semana de forma muy explícita. SAP anunció su acuerdo para adquirir Reltio con el argumento de volver AI-ready tanto los datos SAP como los no SAP. Más allá de la transacción, el mensaje estratégico es más interesante que la noticia financiera: la ventaja ya no está solo en tener aplicaciones o modelos, sino en convertir datos fragmentados en un sistema de contexto confiable para agentes y flujos de negocio.

En paralelo, otros anuncios recientes del mercado empresarial también empujan la misma idea. Nutanix, por ejemplo, habló de fábricas de IA agentic donde miles de servicios y agentes requieren gobernanza, rendimiento y acceso seguro a datos empresariales. Domo, por su lado, puso el énfasis en conectar agentes, toolkits y librerías de IA con datos gobernados del negocio. El patrón se repite: la conversación se está desplazando del agente como novedad al dato como condición de operación.

Qué significa “dato listo para actuar”

No se trata solo de limpiar bases. En términos de negocio, tener datos listos para actuar implica al menos cuatro cosas:

• Unificación: que cliente, producto, proveedor, ubicación o empleado no existan con versiones contradictorias en cada sistema.
• Contexto: que el agente entienda relaciones, reglas y prioridad comercial, no solo campos sueltos.
• Confianza: que el resultado pueda auditarse y que la empresa sepa por qué el sistema tomó cierta recomendación o disparó cierta acción.
• Baja latencia operativa: que el dato útil llegue a tiempo para intervenir una decisión, no cuando el caso ya se perdió.

Cuando eso no existe, aparecen los síntomas típicos de la “IA vistosa pero improductiva”: recomendaciones inconsistentes, duplicidad de acciones, respuestas correctas sobre información incorrecta, y equipos que vuelven al Excel o al humano de confianza para validar todo.

La nueva inversión no es glamorosa, pero sí rentable

Esta etapa puede parecer menos seductora que lanzar un agente nuevo cada semana, pero probablemente sea mucho más rentable. Porque una vez que la empresa organiza contexto, identidad y calidad del dato, deja de construir automatizaciones aisladas y empieza a crear una base reutilizable.

Eso cambia la ecuación económica. En vez de pagar una y otra vez por pilotos que dependen de prompts, personas clave e integraciones frágiles, la organización puede crear un entorno donde varios agentes comparten una misma verdad operativa. Ahí es donde empieza a aparecer el ROI que sí escala.

También cambia la conversación interna. El proyecto deja de ser “probar IA” y pasa a ser “reducir fricción para decidir y ejecutar”. Esa traducción importa mucho porque acerca la IA a áreas con presupuesto real: operaciones, compras, servicio, finanzas, supply chain y compliance.

La señal editorial que conviene leer bien

Hay una lectura simple y una más útil de esta ola de anuncios. La simple sería decir que todos quieren subirse a la moda agentic. La útil es otra: el mercado está reconociendo que el verdadero terreno competitivo no será quién presenta más agentes, sino quién logra que esos agentes trabajen con una versión confiable de la realidad del negocio.

Eso explica por qué se habla más de capas de datos, contexto, interoperabilidad, MDM, grafos, gobernanza y protocolos de conexión. No es burocracia técnica. Es la infraestructura mínima para que la IA pase de promesa a sistema de acción.

En otras palabras: la empresa que llegue primero a ese punto no necesariamente será la que más hable de agentes. Probablemente será la que ordenó mejor sus datos para que los agentes puedan decidir y actuar sin inventar, duplicar ni frenar la operación.

Lo que deberían preguntarse hoy los líderes

• ¿Nuestros agentes trabajan con datos realmente unificados o con conexiones parciales entre sistemas?
• ¿Tenemos una definición confiable de cliente, proveedor, producto y riesgo que se mantenga entre áreas?
• ¿El agente puede ejecutar con seguridad o todavía depende de validaciones manuales porque nadie confía del todo en el dato?
• ¿Estamos invirtiendo más en demostraciones de IA que en convertir información dispersa en contexto utilizable?

La siguiente fase de la IA empresarial no se va a ganar con el agente más simpático ni con la demo más fluida. Se va a ganar con algo bastante menos vistoso y mucho más decisivo: datos listos para actuar.