¿Por qué fracasan los proyectos de datos aunque la tecnología funcione perfectamente?

La respuesta lleva décadas frente a nosotros y seguimos ignorándola.

---

Cada ciclo tecnológico trae una promesa nueva. Llegaron los Data Warehouses. Luego los Data Lakes. Después Big Data. Hoy, Inteligencia Artificial generativa. Las inversiones crecen, los equipos se especializan, las herramientas se vuelven más potentes. Y sin embargo, el patrón se repite: los equipos de negocio siguen sin obtener las respuestas que necesitan, y los equipos técnicos siguen construyendo soluciones que nadie termina de usar.

He trabajado en los dos lados de esa ecuación, desde el desarrollo hasta el análisis funcional, desde la parte técnica hasta la estratégica. Y puedo decirte con certeza: el problema casi nunca es tecnológico.

Cuando el único microscopio disponible era Excel

En una empresa de telecomunicaciones donde trabajé, los datos de tráfico llegaban como archivos planos: CDRs, registros de llamadas en crudo que había que procesar, transformar y convertir en algo inteligible. Construí sistemas en Java que leían esos archivos y los volcaban a bases de datos Oracle. Luego hice lo mismo con SQL Server, extrayendo información de un Data Warehouse de llamadas internacionales y transformándola en reportes para las áreas comerciales.

No existía Power BI. No existían dashboards en la nube. No había modelos de Machine Learning al alcance de un equipo corporativo. Lo que existía era Excel, criterio analítico y la necesidad urgente de entender qué estaba pasando con el tráfico, los clientes y los ingresos.

Hacer análisis en ese contexto era data mining en su forma más pura: tablas dinámicas, cruce de variables, búsqueda de patrones a ojo. Sin algoritmos de clustering. Sin modelos predictivos. Solo alguien capaz de hacerse las preguntas correctas y buscar las respuestas en la data.

Con el tiempo, automaticé ese flujo completo: los reportes se generaban solos en Java, se segmentaban por región y llegaban directamente a cada área comercial sin que nadie tuviera que pedirlos. No porque la tecnología fuera extraordinaria, sino porque había entendido exactamente qué necesitaba cada área y cuándo lo necesitaba.

El valor no estaba en el pipeline. Estaba en saber qué información convertía una decisión vaga en una decisión inteligente.

Los directores comerciales no pedían modelos predictivos ni algoritmos. Pedían saber qué clientes estaban creciendo, qué regiones estaban cayendo y dónde había una oportunidad que todavía no estaban viendo. La tecnología era el medio. La pregunta correcta era el destino.

El divorcio que ninguna herramienta ha resuelto

Hoy las organizaciones tienen herramientas extraordinarias: plataformas cloud, dashboards interactivos, modelos de Machine Learning, pipelines en tiempo real. Y aun así, una proporción enorme de proyectos de datos no generan el impacto esperado.

La razón es estructural, no técnica.

Existe una brecha profunda entre quienes entienden el negocio y quienes construyen las soluciones. El área comercial pide "un análisis de clientes" y recibe una tabla con doscientas columnas. El equipo de ingeniería construye un modelo precioso que nunca se conecta a ninguna decisión real. Los dashboards se llenan de métricas que nadie consulta después del primer mes.

Esa brecha no se cierra con más tecnología. Se cierra con personas capaces de moverse en los dos mundos: entender el dolor real del negocio y traducirlo en algo que la tecnología pueda resolver.

Por qué el mercado busca perfiles híbridos y no es una moda

Revisando el mercado laboral en datos, IA y transformación digital, hay un patrón que se repite en casi todas las ofertas relevantes: las organizaciones buscan perfiles híbridos. Personas que puedan sentarse con un CFO o un Director Comercial y entender su problema real. Personas que conozcan los datos, los procesos y las limitaciones técnicas. Personas capaces de construir el puente.

No es una tendencia pasajera. Es el reconocimiento tardío de que el valor no está en tener el modelo más sofisticado. Está en que ese modelo ayude a tomar una mejor decisión.

Un Data Engineer brillante que no entiende el negocio construirá pipelines perfectos hacia ningún lugar. Un directivo que no entiende los datos tomará decisiones bien intencionadas sobre información mal interpretada. El valor real está en el puente entre ambos mundos.

Lo que la Inteligencia Artificial no puede hacer por ti

Los agentes inteligentes de hoy pueden hacer en minutos lo que antes tomaba días: consultar bases de datos, cruzar fuentes, generar reportes, detectar anomalías. Eso es real y es transformador.

Pero hay algo que la IA no puede hacer por sí sola: definir cuál es la pregunta correcta.

Si la organización no tiene claridad sobre qué problema intenta resolver, la IA solo va a acelerar la confusión. Más velocidad en la dirección equivocada sigue siendo la dirección equivocada.

Cuando existe alguien que entiende el negocio y entiende la tecnología, la IA se convierte en un multiplicador extraordinario. Lo que antes requería construir un sistema de automatización completo hoy puede orquestarse en una fracción del tiempo. Pero alguien tiene que saber qué orquestar y para qué.

La habilidad más escasa en la era de los datos

He visto evolucionar esta industria desde los CDRs en archivos planos hasta los modelos generativos. Los lenguajes han cambiado, las plataformas han cambiado, los buzzwords cambian religiosamente cada tres años.

Lo que no ha cambiado es esto: las organizaciones necesitan personas capaces de sentarse con alguien del negocio, entender su dolor real, y traducirlo en algo que la tecnología pueda resolver. No es una habilidad blanda. Es posiblemente la más difícil de desarrollar y la menos enseñada en cualquier programa técnico o MBA.

En la era de la Inteligencia Artificial, esa habilidad no se vuelve obsoleta. Se vuelve escasa. Y lo escaso, como siempre, es lo más valioso.

¿Lo has vivido en tu organización? Me interesa tu perspectiva en los comentarios.