Calidad de datos para IA: qué revisar en tu ERP y CRM

La calidad de datos para IA determina si un asistente puede informar cuánto inventario tienes disponible o terminar mezclando existencias físicas con mercancía comprometida. Antes de conectar tu ERP y CRM, necesitas revisar qué contiene cada sistema, cómo identifica clientes y productos, y qué significa cada cifra para el negocio.

El 27 de octubre de 2026, Oracle anunció capacidades de AI Data Platform para compartir contexto de negocio entre aplicaciones y agentes. Su agente AI Discovery propone conceptos y relaciones a partir de esquemas, modelos semánticos y documentación; especialistas del negocio deben revisarlos y aprobarlos. La lección no es que debas adoptar Oracle, sino que las definiciones compartidas requieren validación humana.

Si ventas, almacén y administración entienden algo distinto por “cliente activo” o “venta”, conectar sus sistemas no elimina la diferencia. Esta guía aborda cómo preparar datos operativos, no consultas sobre documentos internos, para que una integración trabaje con información consistente.

1. Qué datos preparar antes de conectar la IA

Empieza por una pregunta concreta: ¿qué decisión o tarea deberá apoyar la IA? Para consultar disponibilidad y seguimiento comercial, no necesitas copiar todas las bases de datos; necesitas identificar los registros que sostienen esas respuestas.

Prepara este inventario inicial:

• Clientes: identificador interno, razón social, RFC cuando corresponda, sucursales, contactos y estado comercial.
• Productos: SKU, descripción, unidad de medida, presentaciones, equivalencias y estado activo o descontinuado.
• Inventario: producto, almacén, existencias, reservas, bloqueos y movimientos pendientes.
• Operaciones comerciales: oportunidades, pedidos, facturas, cancelaciones y devoluciones, con sus relaciones y estados.
• Contexto de cada registro: sistema de origen, fecha del evento, última modificación y fecha de sincronización.

Para cada conjunto, documenta cómo se obtiene: API, consulta controlada, exportación o captura manual. También identifica campos obligatorios, valores faltantes y permisos de acceso. Preparar datos para inteligencia artificial implica seleccionar información pertinente, no entregar acceso indiscriminado.

En una integración empresarial de inteligencia artificial, este mapa permite definir qué consultar y qué validar antes de responder.

2. Ejemplo hipotético: tres sistemas, tres cifras distintas

Imagina una distribuidora mexicana de materiales. Los siguientes datos son ilustrativos, no resultados de un cliente real. Su equipo quiere que un agente responda cuánto puede vender de un producto y cómo van las ventas.

Fuente	Inventario mostrado	Ventas del periodo
ERP	80 unidades disponibles	9 facturas emitidas
CRM	100 unidades en un campo comercial	12 oportunidades ganadas
Hoja de cálculo	110 unidades en un conteo anterior	10 pedidos registrados

Al revisar, descubren que el ERP registra 100 unidades físicas y 20 reservadas: quedan 80 disponibles. El CRM conserva las existencias físicas de una sincronización previa. La hoja refleja un corte anterior a los últimos movimientos.

En ventas tampoco comparan lo mismo: una oportunidad ganada no necesariamente tiene pedido y factura. Las cifras pueden ser correctas dentro de su contexto y, aun así, producir una respuesta equivocada si se mezclan.

La solución no es pedirle al modelo que elija la cifra “más confiable”. Es establecer que la disponibilidad proviene del ERP, explicar su cálculo y mostrar el momento del corte. Para ventas, primero hay que precisar si se consultan oportunidades, pedidos o facturación.

3. Calidad de datos para IA: identificadores y duplicados

Sin identificadores consistentes, una integración puede tratar al mismo cliente como varias empresas o sumar presentaciones distintas de un producto.

Homologa sin perder los registros originales

Crea una tabla de correspondencias entre los identificadores de cada sistema y un identificador maestro. Por ejemplo, el cliente C-204 del ERP y CTA-89 del CRM pueden apuntar a una misma cuenta, conservando ambos códigos para rastrear el origen.

Revisa lo siguiente:

• Cada cliente, producto y almacén tiene un identificador estable.
• Las relaciones entre pedidos, clientes y productos apuntan a registros existentes.
• Las unidades están normalizadas: pieza, caja y paquete no se suman sin conversión.
• Los códigos históricos y productos descontinuados mantienen su trazabilidad.

Depura duplicados con revisión

Normaliza espacios, formatos de teléfono y escritura antes de buscar coincidencias. El RFC puede ayudar, pero no debe ser la única regla: una razón social puede tener varias sucursales o cuentas operativas legítimas.

Clasifica coincidencias confirmadas y posibles duplicados. Fusiona únicamente con reglas aprobadas, conserva el historial y deja los casos ambiguos para revisión. Borrar registros por nombres parecidos puede romper relaciones con pedidos y facturas.

4. Acuerda qué significa cada concepto del negocio

Crea un diccionario breve que ventas, operaciones y administración puedan aprobar. Cada concepto debe incluir definición, fórmula cuando aplique, exclusiones, fuente autorizada y responsable.

Estas son propuestas para discutir, no definiciones universales:

Concepto	Definición que debe acordarse	Decisión necesaria
Cliente activo	Cliente con una operación válida dentro del periodo definido	Qué operación cuenta y qué periodo aplica
Inventario disponible	Existencias utilizables menos reservas y bloqueos, sin descontarlos dos veces	Cómo tratar tránsito, devoluciones y mercancía dañada
Venta neta facturada	Facturación menos los ajustes acordados	Impuestos, moneda, cancelaciones y notas de crédito
Pedido pendiente	Pedido que aún tiene cantidades por surtir	Cómo tratar entregas parciales y cancelaciones

Designa la fuente autorizada por dato, no necesariamente por sistema completo. El CRM puede gobernar las oportunidades; el ERP, la facturación; y almacén, los conteos sujetos a conciliación.

Alinea también zona horaria, fecha de corte y moneda. Dos reportes no son comparables si uno usa fecha de pedido y otro fecha de factura. Registra las versiones del diccionario para explicar cambios posteriores en los resultados.

5. Asigna responsables y frecuencias de actualización

Una limpieza inicial pierde valor si nadie mantiene las reglas. Para cada conjunto de datos, asigna un responsable de negocio que apruebe su significado y un responsable técnico que supervise su transferencia.

La frecuencia debe responder al uso y a la capacidad de los sistemas. Este esquema es orientativo:

Datos	Responsable de negocio	Criterio de actualización
Existencias y reservas	Operaciones o almacén	Por evento cuando sea viable; definir una demora máxima para prometer disponibilidad
Clientes y contactos	Ventas	Al aprobar altas o cambios, con revisión periódica de duplicados
Facturas y ajustes	Administración	Después de su registro; conciliar al cierre operativo
Catálogo y equivalencias	Responsable del catálogo	Con cada cambio autorizado, antes de utilizar nuevas presentaciones

Distingue última modificación del dato de última sincronización exitosa. Una conexión puede ejecutarse correctamente y traer información que el área responsable todavía no actualiza.

Establece qué ocurre si se supera la demora aceptable: mostrar una advertencia, bloquear una acción o solicitar confirmación. La automatización de procesos con IA debe contemplar estas excepciones, no solo el flujo ideal.

6. Valida la integración antes de permitir acciones

Empieza con consultas de solo lectura y respuestas esperadas aprobadas por el negocio. Incluye situaciones normales y excepciones: entregas parciales, clientes duplicados, devoluciones, inventario reservado y fallas de sincronización.

Utiliza esta lista de aceptación:

• Completitud: los campos críticos están presentes; un vacío no se interpreta como cero.
• Unicidad: no hay duplicados sin resolver que alteren los resultados del caso de uso.
• Validez: fechas, estados, monedas y unidades cumplen las reglas acordadas.
• Integridad: las relaciones entre registros son válidas y no dejan operaciones huérfanas.
• Consistencia: los totales se concilian usando la misma definición y corte.
• Vigencia: la información cumple la demora máxima aceptada.
• Trazabilidad: cada respuesta permite identificar fuente y momento de consulta.

Define umbrales de aceptación según el impacto del error. Si falta una equivalencia o hay fuentes contradictorias, el agente debe señalarlo y solicitar revisión, no improvisar una cifra. Autorizar acciones exige controles adicionales a los de una consulta.

7. Conclusión: diagnostica las fuentes antes de conectar

La calidad de datos para IA no consiste en dejar impecable toda la empresa antes de comenzar. Consiste en preparar el conjunto necesario para un caso de uso: identificadores compatibles, duplicados controlados, definiciones aprobadas, responsables claros y actualización verificable.

Antes de una integración de IA con ERP y CRM, reúne un mapa de fuentes, un diccionario de conceptos y una lista priorizada de discrepancias. Con eso podrás distinguir qué corregir en origen, qué transformar durante la integración y qué decisiones requieren aprobación del negocio.

En Slashweb podemos ayudarte a evaluar esas fuentes y sus conexiones. Contáctanos para conversar sobre un diagnóstico de datos e integraciones y definir un punto de partida acotado para tu operación.