Preparar les dades per a la IA: guia pràctica per a pimes

Darrere de gairebé tots els projectes d’IA que decebem hi ha una veritat que no se sol dir: el model funcionava. La demo anava bé. El que va fallar van ser les dades — incompletes, repartides entre sistemes que no es parlen, plenes d’inconsistències que ningú no havia detectat fins que una màquina les va començar a llegir al peu de la lletra.

La IA no arregla les dades desordenades. Les posa en evidència, a gran escala i amb tota la confiança. Un assistent basat en una fitxa de client a mig omplir donarà respostes a mitges amb un to convincent — i això és pitjor que no respondre. Per tant, abans de la part engrescadora hi ha una feina poc vistosa: deixar les dades en un estat en què la IA les pugui fer servir amb garanties. Aquí t’expliquem en què consisteix i com fer-ne el 20 % que compta sense un programa de dades d’un any.

Per què el coll d’ampolla són les dades, no el model

Els models són extraordinaris, milloren cada pocs mesos i estan a l’abast de tothom. Tu i la teva competència podeu fer servir el mateix. El que tu tens i ells no són les teves dades: els teus clients, les teves comandes, el teu historial, els teus documents. Aquest és el teu avantatge, i també el teu límit. Fins on pot arribar la IA en el teu negoci ho marca el que les teves dades li poden explicar.

Dit d’una altra manera: un model brillant amb dades dolentes és un mentider convincent. Un model modest amb dades netes i accessibles és un bon col·laborador. Gairebé qualsevol empresa trauria més profit de millorar el segon factor que de perseguir el primer.

Les cinc coses que vol dir de debò estar “a punt”

“Preparar les dades” sona a projecte faraònic. No ho és — són cinc propietats concretes, i només cal que les compleixin les dades que la IA farà servir de debò.

1. Accessibles. Un sistema hi pot accedir per API o des d’una base de dades, o només són en un PDF, en un full de càlcul d’un ordinador o al correu d’algú? La IA no pot fer servir allò a què no té accés. Sol ser el primer obstacle real, i per això connectar les teves eines amb APIs i protocols com MCP sovint és el pas zero.

2. Exactes. Les dades reflecteixen la realitat? Preus caducats, clients duplicats, contactes que van marxar fa dos anys. La gent ho esquiva cada dia sense dir res (“ah, aquesta fitxa no la miris”). La IA no sap que ho ha de fer.

3. Consistents. “EmpresaX SL”, “EmpresaX Limited” i “EMPRESAX” són la mateixa empresa per als teus sistemes, o en són tres? Les dates, les monedes i les unitats s’escriuen igual a tot arreu? Les persones ni veuen aquestes inconsistències; per a una màquina són catastròfiques.

4. Prou completes. No cal que siguin perfectes — n’hi ha prou que ho siguin per a la tasca. Un model que predigui baixes de clients necessita l’historial d’ús; un assistent de suport necessita els teus articles d’ajuda reals. Identifica quins camps importen per a la tasca i assegura’t que estan omplerts.

5. Governades. Qui pot veure què? Un assistent d’IA que ho pot llegir tot mostrarà sense cap problema una nòmina o un contracte confidencial a qui li ho demani. Els permisos i un registre bàsic de quines dades es fan servir i on no són burocràcia — són el que permet implantar la IA amb seguretat.

Una avaluació sincera: on són les teves dades ara mateix?

Abans de cap projecte, fes una auditoria d’una sola pàgina de les dades que farà servir. Per a cada font, respon quatre preguntes:

• On són, i un sistema hi pot accedir automàticament?
• Com de netes estan, a grans trets — impecables, aprofitables o un desgavell conegut?
• Qui n’és el responsable, i qui les pot fer servir?
• Estan estructurades (camps d’una base de dades) o no estructurades (PDFs, correus, documents escanejats)?

Gairebé sempre trobaràs el mateix patró: les dades existeixen, però estan atrapades, són inconsistents o estan repartides entre eines que no es van pensar mai per compartir-les. És normal. L’objectiu de l’auditoria no és desanimar-te — és convertir un vague “les nostres dades són un desastre” en una llista curta de coses que es poden arreglar.

Estructurades o no estructurades — i per què ara importa

Durant anys, tota la massa no estructurada — contractes, correus, factures escanejades, actes de reunions — eren, a la pràctica, dades invisibles. Llegir-les sortia massa car, i per això ningú no les aprofitava.

Això ha canviat. La IA actual llegeix documents no estructurats prou bé per extreure’n les dades estructurades que hi ha amagades — que és justament la premissa d’automatitzar la feina amb molta paperassa. La conseqüència pràctica: dades que havies donat per perdudes ara poden ser la teva font més rica. No les descartis per inèrcia. Alguns dels millors projectes d’IA comencen precisament traient a la llum aquestes dades oblidades.

Comença petit: un sol cas d’ús ben acotat

L’error és muntar un “programa de transformació de dades” — divuit mesos, un pressupost de sis xifres, un data lake que ningú no havia demanat. Quan s’acaba, el negoci ha canviat i ja no hi ha ganes de res.

El que funciona és començar per un tros petit. Tria un cas d’ús que valgui la pena — respondre consultes de suport a partir de la documentació, marcar les factures que no quadren amb les comandes, predir quins clients en període de prova acabaran contractant — i posa a punt només les dades que necessita aquest cas. Neteja aquelles tres fonts, no les trenta. Posa-ho en marxa. Un resultat que funciona et fa guanyar el pressupost i la paciència per al pas següent, i aprens què vol dir de debò “a punt” per al teu negoci fent-ho una vegada, i amb poca despesa.

Així és com enfoquem l’automatització en general: demostrar valor en una cosa petita i real, i després ampliar. Un data lake aporta valor el dia que s’acaba; un primer cas d’ús acotat en comença a aportar molt abans i ajuda a pagar la resta.

Una llista mínima de comprovació de les dades

Per al cas d’ús concret que tens al cap, estàs a punt per construir quan:

• Les dades que necessita la IA són accessibles per a un sistema (API o base de dades), no tancades en arxius.
• Les fitxes clau no tenen duplicats i són raonablement exactes.
• Els noms, les dates, les monedes i els identificadors són consistents entre les fonts rellevants.
• Els camps de què depèn la tasca estan omplerts.
• Saps qui pot veure què, i la IA respecta aquests permisos.
• Cada font de dades té una persona responsable que pot respondre preguntes sobre aquesta font.

Si per al teu cas d’ús en tens la majoria marcades, endavant. Si no, aquesta mancança és el primer projecte — i és un punt de partida més barat i amb menys risc que la IA mateixa.

Preguntes freqüents

Necessitem un data warehouse o un data lake abans de poder fer servir la IA? En general, no — i tractar-ho com un requisit previ és la manera més segura d’endarrerir un any un projecte d’IA. La majoria de casos d’ús d’una pime necessiten un grapat de fonts connectades i netes, no una plataforma central. Si més endavant diversos projectes ho justifiquen, llavors construeix el warehouse.

Com de netes han d’estar les dades, de debò? Les justes per a la tasca concreta, i prou. Un assistent de cara al client ha de tenir el llistó alt perquè els errors es veuen; un generador intern d’esborranys tolera més soroll perquè una persona en revisa el resultat. Ajusta l’esforç al que hi ha en joc.

Tenim les dades repartides en moltes eines. És un impediment? No — és el punt de partida habitual. La feina és connectar les que són rellevants, i això és un projecte d’integracions, sovint amb APIs o MCP. No cal tenir-ho tot en un sol lloc; cal que la IA pugui accedir a les dades adequades.

Això no és només una manera de vendre’ns un projecte més gran? Al contrari. Preparar bé les dades sol fer el projecte d’IA més petit i amb més probabilitats d’èxit, perquè no construeixes sobre sorra. Preferim un primer projecte petit que funcioni a un gran programa que s’encalli — i el teu departament financer, també.

---

La veritat, poc vistosa, és que “fer IA” consisteix sobretot a “posar ordre a les teves dades per a un bon cas d’ús”. Fes això i el model gairebé fa la feina sol. Si vols una valoració franca de com tens les dades i del projecte més petit que demostraria valor, comencem amb una trucada de 30 minuts i una proposta escrita amb pressupost tancat — consulta les nostres pàgines d’integracions d’IA i d’integracions per API, o comencem a parlar.