Tu ERP ahora tiene IA: lo que el proveedor no te cuenta antes de activarla

Los módulos de IA en ERPs prometen automatización y predicciones. Pero si tus datos no están en condiciones, la IA los amplifica — no los corrige. Qué verificar antes de activar.

Tu proveedor de ERP acaba de anunciarte que la nueva versión incluye inteligencia artificial. Forecasting de demanda, recomendaciones automáticas de compra, detección de anomalías en tiempo real. El botón ya está en el menú. Solo hay que activarlo.

Antes de hacerlo, hay una pregunta que ningún proveedor te va a hacer: ¿en qué condiciones están los datos que tu ERP acumula hace años?

El pitch de IA en ERPs: qué promete y qué asume

Los módulos de IA para ERP son reales y pueden funcionar. El forecasting de demanda que aprende de la estacionalidad de tu negocio, la detección de proveedores con patrones de retraso, la recomendación de niveles de stock por punto de venta — todo eso existe y agrega valor cuando las condiciones están dadas.

El problema está en lo que el proveedor asume sin decirlo: que tus datos son confiables.

La IA de tu ERP no tiene acceso a datos externos de benchmarking de tu industria. Trabaja con lo que vos le alimentaste durante años: las cargas manuales, las migraciones parciales, los campos que se llenaron “para salir del paso”, los duplicados que nadie depuró porque el sistema funcionaba igual.

Cuando ese modelo procesa datos así, no los corrige. Los usa. Y los usa con la misma confianza estadística que usaría datos perfectos.

Qué pasa en la práctica

Trabajamos con una organización que activó el módulo de predicción de demanda de su ERP luego de seis meses de configuración. El proyecto tenía patrocinador en el directorio, equipo dedicado, presentación de resultados esperados.

A las pocas semanas de funcionamiento, los números del modelo empezaban a divergir en las categorías de mayor rotación — exactamente donde más importaba que funcionara.

Nadie entendía por qué. El modelo había sido validado. La configuración era correcta según el proveedor.

Cuando revisamos el maestro de productos, encontramos que el 34% de los ítems activos tenían la categoría incorrecta o directamente vacía. No era un error reciente: era la acumulación de años de carga rápida y campos que el sistema de gestión operativa ignoraba porque no los necesitaba para procesar pedidos.

El sistema de gestión los ignoraba. El modelo de IA, no. Usaba la categoría como variable de segmentación para estimar demanda. Con un tercio de los ítems mal clasificados, las predicciones por categoría eran básicamente ruido con forma de número.

La solución no fue cambiar el modelo. Fue limpiar el maestro de productos y agregar reglas de validación en la carga. Dos semanas de trabajo. Después de eso, el módulo funcionó como el proveedor prometía.

El problema de fondo: los ERPs no fueron diseñados para ser fuentes de verdad

Un ERP fue diseñado para operar: procesar pedidos, emitir facturas, controlar stock, registrar movimientos. Hace eso bien. Pero en ese proceso acumula datos de calidad variable que nadie auditó sistemáticamente porque no era necesario para la operación.

Cuando querés hacer analítica o IA sobre esos datos, las grietas aparecen.

Los síntomas más frecuentes que encontramos:

Maestro de clientes con duplicados. El mismo cliente con tres variaciones del nombre, dos CUITs distintos, una dirección desactualizada. Cuando el modelo intenta segmentar por comportamiento de compra, mezcla tres entidades distintas como si fueran una.

Productos sin categorizar o mal categorizados. Las categorías se definieron al momento de la implementación original. Nadie las revisó cuando se incorporaron nuevos productos o cuando cambió el catálogo.

Campos críticos vacíos o con valores por defecto. “N/A”, “0”, ”-” — valores que técnicamente llenan el campo pero que no tienen significado analítico. El modelo los toma como información válida.

Historial con baches. Migraciones parciales que no trajeron todos los períodos históricos. El modelo entrena sobre una serie de tiempo que tiene huecos que no sabe que tiene.

Registros que nunca se cerraron. Órdenes de compra abiertas de hace tres años, clientes “activos” que no compraron desde 2022, proveedores dados de baja en la práctica pero vigentes en el sistema.

¿Cuándo la IA del ERP sí funciona bien?

No estamos diciendo que los módulos de IA de los ERPs no funcionen. Estamos diciendo que funcionan bien bajo condiciones específicas.

Condición	Por qué importa
Maestros depurados y actualizados	El modelo necesita categorías y entidades consistentes para segmentar
Historial completo y continuo	Las series temporales con baches generan predicciones inestables
Campos críticos sin valores basura	”N/A” como dato es peor que ausencia de dato — confunde al modelo
Reglas de validación activas en la carga	Sin reglas, la calidad se degrada con el tiempo independientemente de la limpieza inicial
Equipo que entiende qué consume el modelo	Si el equipo operativo no sabe qué datos alimentan las predicciones, los va a seguir cargando mal

Si tu organización tiene esas condiciones, el módulo de IA del ERP probablemente va a funcionar bien desde el primer día.

Si no, activarlo va a producir outputs que el equipo va a descartar en pocas semanas — y la conclusión interna va a ser “la IA no sirve para nuestro negocio” cuando la realidad es que la IA hizo exactamente lo que tenía que hacer con los datos que le dieron.

Lo que hay que hacer antes de activar

El trabajo previo no es glamoroso ni tiene mucho que mostrar en una presentación de directorio. Pero es el que determina si el proyecto funciona o no.

1. Auditoría del maestro de clientes y productos

Cuántos duplicados hay. Cuántos registros tienen campos críticos vacíos. Cuántos ítems tienen categoría incorrecta o inconsistente. Esta auditoría puede hacerse en horas con las herramientas correctas — el resultado es un número concreto del problema, no una estimación.

2. Definición de qué campos consume el modelo

Antes de limpiar, hay que saber qué usa el modelo. No tiene sentido depurar campos que el módulo de IA no va a tocar. El proveedor debería poder decirte qué variables entran al modelo — si no puede, es una señal de alerta.

3. Limpieza focalizada en los campos que importan

No hace falta limpiar todo el ERP. Hace falta limpiar lo que el modelo va a usar. En la mayoría de los casos son 5-8 campos críticos por entidad. El trabajo es manejable si está bien acotado.

4. Reglas de validación hacia adelante

La limpieza resuelve el pasado. Las reglas de validación en la carga evitan que el problema vuelva. Sin este paso, en seis meses estás en el mismo punto de partida.

5. Período de validación antes de usar los outputs en decisiones reales

El modelo necesita tiempo de estabilización sobre los datos limpios. Correrlo en paralelo durante 4-6 semanas, comparar sus outputs con la realidad, ajustar. Recién después tomar decisiones operativas basadas en sus recomendaciones.

¿Cuándo no aplica este trabajo previo?

Si tu organización está implementando el ERP desde cero — migración desde planillas o un sistema legacy sin estructura — el momento de hacer este trabajo es durante la implementación, no después. La limpieza antes de migrar cuesta una fracción de lo que cuesta después de que el sistema está en producción con datos sucios.

Si ya tenés el ERP funcionando pero no estás evaluando activar módulos de IA, el costo-beneficio de una auditoría de datos depende de cuántos problemas estás viendo en tus reportes actuales. Si los reportes cuadran y los equipos confían en los datos, probablemente no es urgente. Si hay discrepancias frecuentes o el equipo tiene el hábito de “revisar los números del sistema contra la planilla propia”, hay un problema de calidad de datos que vale resolver independientemente de la IA.

Lo que podés hacer esta semana

Sin necesidad de contratar a nadie ni activar ningún proyecto formal: pedile a alguien del equipo que tome los primeros 1.000 registros del maestro de clientes y cuente cuántos tienen el mismo nombre con pequeñas variaciones, cuántos tienen el campo “categoría” vacío o con valor genérico, y cuántos no tuvieron actividad en los últimos 24 meses.

Ese número te va a dar una idea bastante precisa del estado de tus datos. Si es menor al 5%, tus datos probablemente están en condiciones de soportar IA. Si es mayor al 15%, tenés trabajo previo antes de activar cualquier módulo.

No hace falta un proyecto de seis meses para saberlo. Hace falta una hora y honestidad sobre lo que encontrás.

---

También te puede interesar: Tu empresa no tiene un problema de IA. Tiene un problema de datos.