La calidad de los datos en ITSM dejó hace tiempo de ser una cuestión de «higiene» operativa para convertirse en una decisión estratégica. Entre las condiciones que hacen posible integrar la IA en los procesos de TI, la calidad de los datos es la más infravalorada y, al mismo tiempo, la más decisiva.
Tres elementos son indispensables para que cualquier automatización basada en IA produzca resultados estables: una CMDB precisa, un historial de flujos de trabajo estructurado y registros operativos coherentes: las huellas digitales de las actividades de TI cotidianas, desde los avisos de incidencias hasta los cambios en distintos sistemas, pasando por las solicitudes de servicio de los usuarios.
La calidad de los datos como factor de éxito (o de fracaso) de la IA
Los datos procedentes de estudios internacionales coinciden en un punto: la calidad de los datos es hoy la principal variable que separa los proyectos de IA exitosos de aquellos destinados a fracasar.
Según una encuesta de Gartner de febrero de 2025 realizada a 1.203 responsables de gestión de datos, el 63 % de las organizaciones no disponía —o no estaba segura de disponer— de prácticas de gestión de datos adecuadas para la IA. Gartner preveía además que, para 2026, el 60 % de los proyectos de IA no respaldados por datos preparados para la IA se abandonarían.
Y no se trata de un dato aislado. De los 782 responsables de Infrastructure & Operations entrevistados también por Gartner, el 38 % declaraba que los proyectos de IA implementados habían resultado fallidos, y otro 38 % citaba explícitamente la baja calidad o disponibilidad de los datos como causa directa del problema. Solo el 28 % de los proyectos de IA en el ámbito de TI generaba un ROI acorde con las expectativas.
En un frente aún más específico, más de la mitad de los profesionales de TI no confía en los datos contenidos en su propia CMDB, a pesar de utilizarla como fuente para flujos de trabajo de ITSM y automatizaciones que deberían estar alimentadas por la IA.
¿Qué entendemos realmente por calidad de los datos en ITSM?
Hablar de calidad de los datos en ITSM no significa hablar de «datos limpios» en sentido genérico. Significa garantizar que la información gestionada en la plataforma ITSM —es decir, todo lo que se registra durante las actividades de TI cotidianas— responda a cuatro requisitos precisos y verificables:
- Completitud: cada registro debe contener todos los campos necesarios para poder procesarse de forma fiable, tanto por un operador humano como por un agente de IA. Una incidencia sin categoría asignada, un activo sin referencia a su responsable o una solicitud sin fecha de vencimiento son ejemplos de datos incompletos que bloquean la automatización.
- Exactitud: la información registrada corresponde a lo que está realmente en producción: el estado real de un activo, las relaciones técnicas y funcionales entre los distintos componentes de la infraestructura de TI —los elementos de configuración o Configuration Items (CI)— y el efecto producido por una intervención de gestión del cambio tras su implementación.
- Actualidad: los datos reflejan la realidad del momento, no una fotografía del pasado. Una información obsoleta dentro del sistema de registro —la plataforma reconocida como fuente oficial de datos para toda la organización— se convierte, de hecho, en una fuente de desinformación.
- Integridad relacional: las relaciones entre los distintos elementos están registradas, son explícitas y pueden verificarse. Por ejemplo: el vínculo entre un servicio de negocio y sus componentes técnicos, entre una incidencia y el activo implicado, o entre un cambio y las áreas sobre las que tiene impacto.
Sin estas cuatro condiciones, incluso el modelo de IA más sofisticado acaba operando sobre información que no describe de forma fiable la realidad operativa: tomaría decisiones basadas en una imagen distorsionada, y sus sugerencias —por muy coherentes que parezcan desde el punto de vista formal— acabarían desalineadas respecto a lo que realmente está ocurriendo en los sistemas de la empresa.
Por qué la IA no puede escalar sin una buena calidad de datos en ITSM
Keith Andes, Product Marketing @ EasyVista, observa que las dos frases que más se repiten internamente en las organizaciones de TI son: «Nuestros procesos no están completamente implementados» y, sobre todo, «Nuestros datos no son fiables».
Es una observación importante, porque define con precisión un punto de ruptura: si el sistema de registro de la empresa está incompleto o desordenado, la IA solo puede amplificar ese desorden, no corregirlo.
Tres ejemplos concretos ayudan a aclarar el problema:
CMDB desordenada y enrutamiento automático de incidencias: si los CI están duplicados, mal categorizados o huérfanos, un agente de IA que asigna tickets en función de las dependencias entre aplicaciones producirá asignaciones incorrectas con la misma rapidez con la que produciría las correctas. La velocidad no compensa la falta de precisión.
Base de conocimiento desalineada: un sistema de síntesis del conocimiento basado en LLM que extrae información de artículos obsoletos sugerirá soluciones que ya no son aplicables, o procedimientos no aprobados para el entorno específico de la organización. La aparente autoridad de la respuesta generada por la IA hace que el daño sea más difícil de detectar en tiempo real.
Historial operativo incompleto: si los tickets se cierran sin una clasificación adecuada de la causa raíz del problema —la llamada root cause, es decir, aquello que generó el fallo, distinto de los síntomas visibles—, la IA no dispone de materia prima suficiente para identificar patrones recurrentes ni para mejorar con el tiempo las sugerencias que ofrece a los operadores.
En los tres casos, el modelo de IA funciona perfectamente en laboratorio. Es cuando se encuentra con datos reales —desordenados, incoherentes, parciales— cuando el valor prometido se diluye. La calidad de los datos en ITSM es, por tanto, la variable que separa una demo exitosa, ejecutada por el proveedor en un entorno controlado, de un sistema en producción verdaderamente fiable.
Cuatro prioridades para construir una calidad de datos sólida en ITSM
Una vez comprendido hasta qué punto la calidad de los datos influye en el éxito de la IA, queda por entender cómo intervenir. Reconocer el problema es el primer paso; abordarlo exige actuar sobre cuatro frentes concretos, en secuencia y con resultados medibles.
1. Medir antes de intervenir
No se puede mejorar lo que no se mide.
Definir KPI explícitos sobre la calidad de los datos permite transformar un problema percibido en un problema gestionable. Los paneles de calidad de datos son herramientas de trabajo diario para los equipos operativos y deben registrar una serie de parámetros fundamentales, como cuántos registros de la CMDB están completos en todos sus campos obligatorios, cuánto tiempo llevan de media sin actualizarse, cuántos registros duplicados existen y qué porcentaje de tickets se categoriza de forma precisa.
2. Automatizar la detección y la alineación de los datos
El dato introducido manualmente envejece rápido. Para mantener una CMDB fiable se necesitan dos cosas: herramientas de descubrimiento automático, que escanean de forma continua la infraestructura —redes, dispositivos de usuarios finales como portátiles, ordenadores de sobremesa, smartphones y servidores, así como entornos cloud— y registran los elementos presentes; y procesos de reconciliación, que comparan periódicamente lo que figura en la CMDB con lo que está realmente en producción, señalando diferencias, activos ausentes o configuraciones que ya no son válidas.
Las plataformas ITSM modernas, incluidas soluciones como EV Discovery de EasyVista, están diseñadas para llevar a cabo esta actividad de forma constante y automatizada, en lugar de dejarla en manos de revisiones manuales periódicas que quedan obsoletas entre una sesión y la siguiente.
3. Definir una responsabilidad clara sobre los datos
Detrás de cada activo, cada servicio y cada área de la base de conocimiento debe haber un responsable identificado que supervise su calidad a lo largo del tiempo. Sin una responsabilidad clara, la calidad de los datos en ITSM se degrada por inercia.
Con una propiedad bien definida, en cambio, cada notificación de anomalía llega a un destinatario concreto, y las actividades de corrección y saneamiento de datos se convierten en una práctica estructural, no en una excepción gestionada caso por caso.
4. Integrar la calidad del dato en el flujo de trabajo, no a posteriori
El momento más eficaz para garantizar la calidad de un dato es el de su creación. Formularios de apertura de tickets con validación, campos obligatorios inteligentes, sugerencias automáticas de categorización y controles de coherencia en el momento del cierre: todas estas buenas prácticas previenen el problema en origen, en lugar de obligar a costosas actividades correctivas a posteriori. Es en este nivel donde la IA puede empezar a aportar valor concreto ya hoy, apoyando —y no sustituyendo— la disciplina operativa de los equipos de TI.
El dato como inversión, no como coste
Mejorar la calidad de los datos en ITSM es hoy una de las inversiones más estratégicas que puede realizar una organización.
El mensaje de Keith Andes, desde este punto de vista, es directo y contundente: «Dejad de destinar el 100 % del presupuesto de IA a funcionalidades de IA. La IA necesita una base sólida sobre la que operar». Esa base sólida consiste en flujos de trabajo documentados y datos fiables.
Las organizaciones que decidan invertir en su sistema de registro antes que en las funcionalidades más llamativas obtendrán un doble resultado: un ITSM más robusto a corto plazo y una base creíble para cualquier desarrollo basado en agentes en los próximos años. Así es como la calidad del dato deja de ser un tema operativo y se convierte en una decisión estratégica con efectos directos sobre la competitividad.
FAQs
1. ¿Qué es la calidad de los datos en ITSM?
Es la condición de completitud, exactitud, actualidad e integridad relacional de los datos operativos gestionados dentro de la plataforma ITSM: registros de incidencias, cambios, activos, elementos de configuración y base de conocimiento. Constituye la materia prima sobre la que se sustentan las automatizaciones, las decisiones operativas y las iniciativas de IA.
2. ¿Por qué la calidad de los datos es crítica para la IA en el ámbito de ITSM?
Porque la IA no corrige los datos sobre los que opera: los amplifica. Si la CMDB está desordenada o el historial operativo está incompleto, la IA reproducirá —y acelerará— esos errores. Gartner estima que, para 2026, el 60 % de los proyectos de IA sin datos preparados para la IA se abandonarán.
3. ¿Por dónde conviene empezar para mejorar la calidad de los datos en ITSM?
Por la medición del estado actual. Antes de intervenir, es necesario saber dónde se encuentra la organización: cuántos registros de la CMDB están completos en todos sus campos obligatorios, cuánto tiempo llevan de media los datos de configuración sin actualizarse, cuántos registros duplicados existen y qué porcentaje de tickets se categoriza de forma precisa. Sin estos indicadores de partida, cualquier acción posterior avanza a ciegas.
4. ¿Cuál es el papel de la CMDB en la calidad de los datos en ITSM?
La CMDB es la fuente de verdad sobre las configuraciones y dependencias de TI. Cuando es precisa, toda automatización y toda decisión operativa se benefician de ello.