Del Big Data al Smart Data: cómo tomar decisiones con impacto

La inteligencia artificial y el uso eficiente de los datos son palancas estratégicas para la competitividad empresarial. Analizamos cómo deben ser integradas en los procesos de las organizaciones para garantizar su éxito.

La irrupción del big data ha supuesto un salto cuantitativo y cualitativo en la capacidad de las organizaciones para recopilar y procesar grandes volúmenes de datos a gran velocidad. Sin embargo, a medida que las empresas han avanzado en su explotación para generar valor de negocio, ha quedado claro que la clave no reside únicamente en la cantidad de datos disponibles, sino en su calidad, relevancia y adecuación al propósito.

En una primera etapa, el enfoque del big data se centró en la capacidad tecnológica de almacenar y gestionar datos masivos y heterogéneos, con la promesa de facilitar decisiones más informadas. Este planteamiento dio lugar, en muchos casos, a la proliferación de data lakes donde la información permanecía infrautilizada, limitando su impacto real en los resultados empresariales.

En paralelo, estos entornos han impulsado la evolución de la inteligencia artificial desde ámbitos experimentales y de investigación hacia su integración en los modelos operativos y procesos de negocio. No obstante, la experiencia demuestra que disponer de grandes volúmenes de datos no garantiza el éxito. Según Gartner, más del 85 % de los proyectos de IA fracasan debido a problemas relacionados con la calidad de los datos, consecuencia de alimentar los sistemas con información que no ha sido evaluada, refinada ni contextualizada adecuadamente.

Evolución del big data al Smart data

Hoy en día, el paradigma de smart data surge como respuesta a esta necesidad: no se trata solo de disponer de datos, sino de garantizar que sean relevantes, filtrados, contextualizados y preparados para generar valor. Este cambio implica priorizar la calidad frente a la cantidad, optimizar los procesos analíticos y acelerar la toma de decisiones. Mientras que el big data se centra en el volumen, el smart data pone el foco en la calidad y la velocidad de la información. Avanzar del big data al smart data exige combinar modelos de lenguaje, capacidades de razonamiento y principios de inteligencia empresarial mediante tecnologías de inteligencia artificial y aprendizaje automático, con el objetivo de ofrecer información rigurosa, transparente y directamente accionable.

Álvaro García, director del Centro de Excelencia en IA de Atos, afirma que “contar con infraestructuras flexibles, capaces de adaptarse a las necesidades cambiantes de almacenamiento y gobierno del dato, es especialmente relevante en organizaciones que afrontan procesos de transformación ágiles, y cobra un valor añadido en sectores regulados”. En este contexto, señala que Atos ha llevado a cabo una transformación integral que le permite generar sinergias entre los distintos enfoques de consultoría, gestión de datos, business intelligence e inteligencia artificial, así como con áreas complementarias como cloud y ciberseguridad.

Por su parte, Alberto García Arrieta, managing director de Data & IA en Accenture en España y Portugal, opina que “antes hablábamos de acumular lagos de datos que a menudo se quedaban estancados, pero ahora buscamos construir un núcleo digital sólido donde los datos fluyan y sean accionables”. El smart data —añade— “significa pasar de un dato que sirve para observar y predecir a uno que sirve para actuar”, destacando que “en Accenture, mediante sistemas agénticos, integramos agentes de IA sobre los datos de la empresa, capaces de razonar y ejecutar acciones”.

“En Capgemini apostamos por soluciones que combinan gobernanza, inteligencia artificial y automatización inteligente, porque creemos que el futuro pasa por convertir los datos en conocimiento accionable”, afirma Fran Monzonis, Chief AI Officer de la compañía.

Desde Oracle describen esta evolución como el paso del volumen al valor: ya no se trata de acumular datos, sino de aportar contexto, calidad y trazabilidad para accionar en tiempo real. “Apostamos por una plataforma unificada, con capa semántica e IA generativa, que permite consultar los datos en lenguaje natural y transformar NL to SQL (consultas en lenguaje natural) en consultas óptimas y seguras sobre información actualizada. Además, ejecutamos la analítica y la IA allí donde residen los datos para reducir latencia, costes y riesgos”, señala Óscar Bernacer Medrano, Senior Director Data & AI Platform de Oracle.

En la misma línea se expresa Jacobo Garnacho, director de IA y Datos de IBM para España, Portugal, Grecia e Israel, quien añade que “el gobierno y la calidad del dato forman parte de nuestro ADN. Desde IBM apostamos por la apertura y la interoperabilidad, apoyándonos en estándares abiertos y tecnologías open source que facilitan la integración de sistemas y evitan dependencias innecesarias”.

Principales retos de adopción

Las empresas se enfrentan a diversos desafíos clave a la hora de implantar estrategias avanzadas de datos. Uno de los principales es la fragmentación y el “sprawl” del dato, con información distribuida en silos y repartida entre múltiples plataformas y nubes, lo que dificulta disponer de una fuente única de verdad y ralentiza la obtención de insights. A ello se suma la preocupación por las migraciones, ya que muchas compañías han realizado importantes inversiones en bases de datos y sistemas existentes y no desean asumir el coste, el tiempo ni la complejidad de iniciar procesos desde cero. Por último, la privacidad y la seguridad —especialmente en el caso de datos sensibles o regulados— siguen siendo factores críticos que condicionan la adopción de nuevas soluciones.

Eliza Casapopol, AI, Azure, Data Go-to-Market Lead en Microsoft España, destaca la aportación de la plataforma de datos unificada de la compañía: “Microsoft Fabric actúa como una solución SaaS integral que cubre todo el ciclo de vida del dato, desde la ingesta y la transformación hasta el análisis y la visualización. En su núcleo se encuentra OneLake, un enfoque lake-centric y abierto que reduce la duplicidad de la información y facilita que toda la empresa trabaje sobre datos coherentes y de alta calidad”.

Desde Kyndryl identifican retos técnicos asociados a la gestión de múltiples silos y arquitecturas heredadas; retos organizativos, que suelen ser los más complejos; y retos operativos, en los que los datos se vuelven ineficientes, frágiles y difíciles de mantener. “Este contexto ralentiza la generación de valor”, señala Joan Ignasi Torrents Vilà, Head of Data Applications, Data & AI en Kyndryl, quien afirma que “la ausencia de capacidades avanzadas de monitorización y observabilidad impide detectar a tiempo problemas de calidad, latencia o costes, afectando directamente a la confianza en el dato y a la continuidad del servicio”.

Por su parte, Diego Martínez Pomares, Managing Director AI, Data & Automation de VASS, considera que el principal reto es garantizar el gobierno y la calidad del dato, asegurar su disponibilidad en los procesos y rediseñar los modelos organizativos y operativos. “En VASS ayudamos a las organizaciones a definir un roadmap claro para su transformación y a implementar proyectos en cualquiera de estas áreas”.

Tecnologías fundamentales del Smart data

El ecosistema tecnológico habitual en las organizaciones incorpora entornos de nube híbrida y multicloud, que ofrecen una alta flexibilidad y trasladan los costes a un modelo OPEX, facilitando la escalabilidad y el cumplimiento de los requisitos de sostenibilidad. Además, la adopción de entornos administrados (SaaS/PaaS) permite que las soluciones sean mantenidas por los propios fabricantes, siguiendo los más altos estándares de calidad. No obstante, es cada vez más frecuente que las empresas —especialmente las europeas— presten una atención creciente a la soberanía del dato, optando por estrategias híbridas que buscan un equilibrio adecuado entre la velocidad de despliegue y el control.

Álvaro García, de Atos, señala que “arquitecturas como data lakehouse, data mesh y data fabric aportan mayor velocidad y flexibilidad al procesamiento de los datos, adaptándose a los modelos organizativos de cada compañía. En Atos hemos desarrollado el programa de transformación Polaris, que posibilita el despliegue ágil de soluciones basadas en arquitecturas de referencia contrastadas y en el uso del estado del arte tecnológico”, concluye.

Por su parte, James Fisher destaca que “en Qlik integramos funciones avanzadas de integración, calidad y gobierno del dato, lo que permite a las organizaciones elegir dónde almacenar su información —nube, entorno multinube, on-premises, edge, etc.—. De este modo, operan sobre una base real de data fabric, conectando datos de cualquier fuente y preparándolos para su consumo. Sobre estos cimientos, integramos capacidades de analítica avanzada, automatización e inteligencia artificial”.

Modelos y algoritmos más demandados

Durante los últimos años, las organizaciones han avanzado de forma notable en el ámbito de la inteligencia artificial, si bien ha sido la IA generativa la que ha despertado un mayor interés entre los directivos, convirtiéndose en la puerta de entrada para iniciar conversaciones con clientes y usuarios. A este avance se suma la IA agéntica, un enfoque en el que agentes de IA generativa colaboran para diseñar estrategias orientadas a la ejecución de tareas, actuando de forma autónoma o bajo esquemas de validación humana.

Para Alberto García Arrieta, de Accenture, existen tres grandes horizontes de evolución: “los modelos predictivos y prescriptivos, necesarios para la eficiencia operativa y logística; la IA generativa integrada con los datos internos o RAG; y la IA agéntica como la tendencia más disruptiva, orientada a razonar y orquestar flujos de trabajo complejos”.

Óscar Bernacer Medrano de Oracle, destaca que “hoy en día domina un trío complementario: modelos predictivos para demanda, riesgo y mantenimiento; prescriptivos para optimizar recursos, rutas, precios y next best action; y generativos para redactar, resumir y asistir en procesos y tareas”. En entornos regulados, añade, “esto se combina con RAG y búsqueda híbrida (relacional y vectorial) para obtener respuestas trazables sobre datos propios. Además, crecen los grafos, el machine learning aplicado a fraude y supply chain, y la visión artificial y el NLP para automatización documental y control de calidad. Todo ello se apoya en una capa de datos convergente, aumentada con IA basada en LLM de última generación con capacidades de razonamiento incorporadas”.

Los modelos de machine learning continúan siendo esenciales para tareas de clasificación, segmentación y detección de anomalías, siempre sustentados en datos de calidad y en procesos robustos de entrenamiento basados en grandes volúmenes de información. Así lo afirma Fran Monzonis, de Capgemini, quien añade que “la clave está en elegir el modelo adecuado para cada propósito, alineando la estrategia de datos con los objetivos de negocio”.

Cambio de roles en las empresas

La adopción de la analítica avanzada y la inteligencia artificial está transformando profundamente los roles dentro de las organizaciones, redefiniendo competencias y generando nuevas oportunidades para avanzar hacia modelos más ágiles, innovadores y orientados a la toma de decisiones basadas en datos. En el ámbito directivo, surgen perfiles capaces de interpretar insights generados por IA y convertirlos en estrategias accionables, lo que exige competencias avanzadas en data-driven management. En las áreas de negocio, los equipos evolucionan hacia roles híbridos que combinan conocimiento funcional con habilidades analíticas, permitiendo diseñar procesos más eficientes y personalizados.

Por su parte, los departamentos de TI incorporan perfiles especializados en ingeniería de datos, MLOps y desarrollo aumentado. Además, emergen nuevos roles como arquitectos de IA, responsables de ética y gobernanza del dato y diseñadores de experiencias basadas en IA.

Álvaro García, de Atos, destaca la aparición de perfiles especializados distintos de los tradicionales departamentos de TI, como Data Engineer, ML Engineer, Data Architect y AI Platform Lead, que sustituyen a los programadores genéricos y aportan un enfoque más especializado a la gestión y explotación del dato. “Se observa una creciente demanda de perfiles híbridos, capaces de interactuar tanto con interlocutores de negocio como con expertos técnicos”.

En las grandes corporaciones surgen nuevos puestos de liderazgo, como el Chief Data Officer (CDO) y el Chief AI Officer (CAIO), responsables de liderar las políticas de gobierno del dato, priorizar inversiones en analítica avanzada y establecer centros de excelencia en inteligencia artificial que den soporte a las distintas unidades de negocio.

Las iniciativas de Data & AI se estructuran cada vez más en equipos multidisciplinares, que combinan perfiles técnicos con profesionales translator, encargados de facilitar la comunicación entre las áreas técnicas y de negocio. Desde IBM destacan el rol del Chief AI Officer (CAIO), responsable de definir la estrategia de IA, garantizar su uso responsable, asegurar el cumplimiento normativo y maximizar el valor de negocio de estas tecnologías.

Eliza Casapopol, de Microsoft, señala que “los CIOs sienten que están pasando de ser Chief Information Officers a Chief Integration Officers debido a la necesidad de integrar silos y sprawl de datos. Este cambio de rol se produce porque la proliferación de silos de datos, plataformas y nubes se ha convertido en una prioridad operativa”. Mientras el CIO continúa liderando la infraestructura tecnológica y los sistemas de información, el CAIO asume la responsabilidad del gobierno de la IA, trabajando de forma coordinada con TI.

Sectores que lideran la adopción

De forma general, los expertos coinciden en que todos los sectores incrementarán el uso del dato y, con ello, el valor que este aporta al negocio. No obstante, los sectores con mayor intensidad de datos —como servicios financieros, telecomunicaciones o salud— cuentan hoy con una mayor capacidad para extraer valor de manera inmediata. La banca y otros sectores altamente regulados presentan oportunidades significativas, dada su elevada exigencia en materia de trazabilidad, auditoría y cumplimiento normativo. En estos entornos, la capacidad de gobernar el dato de forma integral y garantizar la transparencia resulta determinante para la adopción de analítica avanzada.

En paralelo, sectores como manufactura, logística, energía, utilities y retail presentan un amplio potencial aún por explotar. “La clave estará en impulsar la calidad y la disponibilidad de los datos, así como en definir estrategias claras que permitan acelerar su adopción”, señala Diego Martínez, de VASS.

James Fisher, de Qlik, identifica como sectores clave el de la salud, donde la analítica contribuye a mejorar la atención al paciente y optimizar las operaciones; los servicios financieros y los seguros, donde los datos impulsan la personalización de productos, la gestión del riesgo y la detección del fraude; y el retail, donde disponer de información en tiempo real mejora de forma significativa la experiencia del cliente.

Desde Oracle subrayan que la industria 4.0 utiliza IoT y gemelos digitales para mantenimiento predictivo, control de calidad y eficiencia energética, mientras que el retail impulsa precios dinámicos y recomendaciones omnicanal. Asimismo, las telcos adoptan 5G y edge computing para redes autónomas; las utilities estabilizan la red con renovables y reportan indicadores ESG; y la logística mejora la visibilidad y la planificación en tiempo real. “El denominador común es una plataforma de datos convergente con IA —incluida la generativa con RAG— desplegable tanto en cloud como en edge”, concluye Óscar Bernacer Medrano.

Para Fran Monzonis, Chief AI Officer de Capgemini, el sector público y defensa también desempeñarán un papel clave, con proyectos orientados a soberanía digital, automatización de procesos y seguridad. “En todos ellos, la tendencia apunta hacia sistemas agénticos de IA, capaces de actuar de forma autónoma en procesos críticos, mientras las personas se enfocan en liderazgo, estrategia y gobernanza ética”, concluye.

En España, el sector público destaca como uno de los principales ámbitos de evolución, impulsado por la modernización de los servicios, la necesidad de mayor interoperabilidad entre organismos, el refuerzo de la seguridad y el uso de analítica avanzada para mejorar la eficiencia y la experiencia del ciudadano. Según Eliza Casapopol, de Microsoft, “ámbitos como el turismo y el transporte están acelerando su transformación mediante el uso de datos para optimizar operaciones, mejorar la planificación y ofrecer experiencias personalizadas. Iniciativas como las desarrolladas junto a Turismo de Andalucía o proyectos en el ámbito del transporte con Ineco muestran cómo la analítica y la IA se están convirtiendo en palancas imprescindibles de competitividad y eficiencia”.

El papel de los socios tecnológicos

El verdadero salto del big data al smart data no se produce únicamente con la adopción de nuevas tecnologías, sino cuando las organizaciones transforman la forma en que entienden y utilizan el dato. El smart data exige foco, contexto y responsabilidad: identificar qué datos importan, para qué decisiones y bajo qué criterios de confianza. Sin esta claridad, cualquier inversión corre el riesgo de quedarse en un ejercicio técnico sin impacto real.

En este contexto, el papel de los socios tecnológicos también está evolucionando. Ya no se trata solo de implantar plataformas, sino de acompañar a las organizaciones en la construcción de capacidades duraderas, desde la definición de una estrategia de datos alineada con el negocio hasta la operación eficiente y segura de los entornos que la hacen posible. La experiencia en entornos complejos, regulados y a gran escala se convierte en un factor diferencial.

Jerónimo Gregorio Esteban, Applications, Data & AI Country Practice Leader de Kyndryl España y Portugal, destaca que “en Kyndryl estructuramos nuestras soluciones alrededor de todo el ciclo de vida del dato, incluyendo la ingesta desde múltiples fuentes, tanto batch como en tiempo real. Ayudamos a las organizaciones a construir capacidades de smart data que no solo responden a las necesidades actuales, sino que están preparadas para evolucionar con el negocio y con la tecnología”.

“La adaptabilidad será clave para afrontar entornos cambiantes y coyunturales, construyendo compañías más resilientes”, señalan desde Capgemini. El reto no es únicamente tecnológico, sino también humano: combinar la capacidad analítica y operativa de la IA con el liderazgo, la ética y la creatividad de las personas. “Quien entienda esta simbiosis estará mejor preparado para liderar la transformación y convertir la innovación en una ventaja competitiva sostenible”, concluye Fran Monzonis.

Desde la perspectiva del partner, Microsoft apuesta por la creación de centros de datos como las regiones cloud en España (Spain Central y Aragón), reforzando de forma tangible la soberanía del dato y garantizando el cumplimiento normativo mediante residencia de datos, privacidad, fiabilidad y menor latencia en la ejecución de cargas de trabajo críticas dentro del territorio nacional.

Motores de la transformación

La inteligencia artificial y el dato se han consolidado como los principales motores de la transformación empresarial en España, impulsando una evolución profunda en las arquitecturas tecnológicas, los modelos de gobierno y el rol de los integradores. Así lo recoge el Informe Universo Penteo Data & AI 2025, elaborado por la propia consultora.

En este nuevo escenario, destacarán aquellas organizaciones capaces de alinear su estrategia de negocio con una visión clara en materia de datos e inteligencia artificial. Este proceso implica desarrollar capacidades internas sólidas —en personas, procesos y tecnología— y crear casos de uso que no solo ofrezcan un retorno tangible de la inversión, sino que también garanticen resultados éticos, confiables y alineados con la regulación europea. El objetivo es claro: transformar la información y las decisiones en un impacto económico real y sostenible.

El avance de la inteligencia artificial en las empresas españolas facilitará la automatización de procesos y permitirá a los empleados adoptar nuevas formas de trabajo colaborativas junto a la IA, concentrando sus esfuerzos en tareas de mayor valor añadido. Este progreso requiere bases sólidas: una arquitectura de datos robusta, una gobernanza clara, el cumplimiento normativo y una cultura verdaderamente orientada al dato. Las organizaciones que integren estas capacidades estarán en mejor posición para ofrecer servicios más personalizados, optimizar la eficiencia y anticiparse a las necesidades del mercado.