Una plataforma de datos para IA es la base de datos, el modelo y las cargas que le dan a un agente registros en los que puede confiar. Un agente necesita cuatro cosas de tus datos: una sola fuente de verdad, historial, permisos y una antigüedad conocida.
Qué es una plataforma de datos para IA
Una plataforma de datos recibe los registros de los sistemas del negocio, les da forma y los conserva. Tiene una base de datos que persiste, un modelo con llaves y restricciones, trabajos que cargan y actualizan los datos, y reglas de quién puede leer qué. La leen los tableros y también los agentes, por recuperación o por herramientas que muchas veces se exponen con MCP (consulta qué es MCP).
No es un producto que se compra hecho. En las dos plataformas de esta guía la base es PostgreSQL, y casi todo el trabajo está en el modelo y en las cargas.
Cotizera, un sistema de cotizaciones y seguimiento de oportunidades para pymes de Latinoamérica, muestra por qué esta capa va antes que el agente. Su caso de estudio (en inglés) dice que los datos de clientes, productos, precios, inventario y pipeline importan más que la interfaz de chat. El agente toca registros reales y genera documentos que va a leer un cliente. Si los registros están mal, la cotización sale mal.
Qué necesita un agente de IA de tus datos
Un agente responde con los registros que recibe. No distingue un duplicado de un cliente, ni una fecha de relleno de una real, si los datos no muestran la diferencia.
- Una sola fuente de verdad. Cada cliente, pedido o contrato tiene un registro válido, con una llave a la que apuntan las demás tablas. En un negocio de la industria de administración de garantías, los datos estaban repartidos en colecciones de MongoDB sin integridad relacional. Los pasé a un esquema relacional en PostgreSQL que liga distribuidores con acuerdos y acuerdos con reclamaciones, y eliminé los distribuidores duplicados con un identificador normalizado. El caso llama al resultado la única fuente de verdad de la organización.
- Historial. A un agente le preguntan qué cambió, no solo qué es cierto hoy. Un sistema que sobrescribe o borra sus datos no puede contestar eso. En el ejemplo de más abajo, las órdenes de trabajo conservan sus versiones anteriores.
- Permisos. El diseño de Cotizera lo dice: un agente que toca registros reales necesita permisos. Como consejo general, hazlos cumplir en la base y en el servicio que va delante, fuera del modelo. La guía sobre cómo conectar una base de datos por MCP trata ese límite.
- Datos al día. Un agente debería poder decir qué tan viejos son sus datos. El pipeline de analítica carga de forma incremental: detecta por hash los acuerdos que cambiaron y por marca de tiempo las reclamaciones, así que cada corrida procesa solo lo que cambió.
La misma plataforma calcula sus cifras en la base, con funciones de PostgreSQL. Como consejo general, el agente debe llamar esas mismas definiciones para dar el mismo número que el tablero.
Sincronización o almacén de datos: cómo decidir
Estas reglas son consejo general sacado de las dos plataformas, no umbrales medidos.
Sincronizar dos sistemas basta cuando se cumple todo esto:
- Cada sistema es dueño de sus registros y la sincronización solo los copia al otro lado.
- Solo importa el estado actual. Nadie pregunta cómo estaba un registro el mes pasado.
- Una corrida fallida se puede repetir sin perder nada.
- Cada pregunta se contesta dentro de uno de los dos sistemas.
Necesitas un almacén de datos cuando aparece una de estas señales:
- Alguien necesita historial, o un registro de lo que hizo cada sincronización.
- Una pregunta cruza sistemas, por ejemplo órdenes de trabajo por edificio y por inquilino.
- El mismo cliente o la misma unidad tiene un identificador distinto en cada sistema y hay que conciliarlos.
- Llegan duplicados al destino.
- Las fallas se tienen que ver y explicar después.
En la integración que heredé, PostgreSQL se eligió sobre DynamoDB por la necesidad de consultas complejas, historial y modelado dimensional. El almacén no reemplazó a la sincronización: quedó entre los dos sistemas y la lógica original se conservó.
Cómo preparar los datos de una empresa para agentes de IA paso a paso
- Escribe las preguntas que el agente debe contestar y los registros que pide cada una.
- Decide qué sistema es dueño de cada registro: clientes, precios, pedidos.
- Modela llaves y restricciones. Dale a cada entidad un solo identificador, agrega llaves foráneas y tablas de mapeo donde dos sistemas le llaman distinto a lo mismo.
- Limpia los datos al cargarlos. En el pipeline de analítica, las fechas de relleno se vuelven valores vacíos y los distribuidores duplicados se eliminan.
- Conserva el historial: las versiones anteriores de las filas que cambian y un registro de cada sincronización y de cada error.
- Carga de forma incremental y por lotes, y detecta cambios por hash o por marca de tiempo.
- Agrega controles de operación: un modo de ensayo, un interruptor que apaga un destino sin desplegar y reintentos con espera creciente.
- Expón los datos al agente con operaciones acotadas y con permisos, y pruébalas con preguntas reales. La guía de evaluación automatizada de LLM describe esas pruebas.
Los pasos 1, 2 y 8 son consejo general. Los pasos 3 a 7 salen de los casos.
Qué sale mal cuando un agente lee los datos de la empresa
Cada punto viene de uno de los dos sistemas.
- La sincronización borra lo que mueve. La integración heredada borraba sus datos después de cada sincronización. No quedaba historial ni nada que analizar.
- Se confunden dos identificadores. En 40 órdenes de trabajo el identificador de la unidad traía el del edificio, y se mandaba a los técnicos a la unidad equivocada. Quien lea esas filas, persona o agente, se lleva el mismo error.
- Duplicados y valores de relleno pasan por hechos. Los datos de garantías traían registros duplicados y fechas de relleno como
0001-01-01. Un modelo lee esa fecha como si fuera real. - Nadie ve las fallas. La integración heredada tenía una tasa de error de 15 a 20 por ciento en producción y ninguna visibilidad de las fallas.
- Cada corrida recarga todo. Los datos de garantías crecían y no había una estrategia de procesamiento incremental.
Un ejemplo resuelto: de un puente de sincronización a un almacén de datos
Heredé una integración entre PropertyWare y ServiceFusion. Su diseño original había servido en producción durante años, y sus límites aparecieron cuando el negocio creció. Movía las órdenes de trabajo por tablas temporales de DynamoDB, en secuencia, y borraba los datos después de cada sincronización. Los errores se recuperaban a mano.
Conservé la lógica de sincronización y puse entre los dos sistemas una base PostgreSQL persistente en Supabase. El modelo es dimensional, de tipo Kimball. Las tablas de hechos guardan órdenes de trabajo y arrendamientos. Las dimensiones guardan portafolios, edificios, unidades e inquilinos. Las tablas de mapeo concilian los registros entre los dos sistemas. Las órdenes de trabajo conservan su historial: cuando una cambia, la versión anterior se queda (SCD tipo 2).
Alrededor del modelo agregué los controles. Un servicio de deduplicación revisa varios criterios antes de crear un trabajo en ServiceFusion. El procesamiento corre en paralelo con fan-out de SNS. Los errores se reintentan con espera exponencial. Unos interruptores apagan la sincronización hacia ServiceFusion sin desplegar, y un modo de ensayo permite probar en producción de forma segura. Una corrección en SQL, con lógica de validación, arregló las 40 órdenes de trabajo que apuntaban a la unidad equivocada.
El caso de estudio reporta una tasa de error menor a 1 por ciento, un tiempo de sincronización 70 por ciento menor y análisis histórico que antes no era posible. El sistema siguió en producción durante el cambio.
Para un agente, lo útil es la forma de los datos. Una orden de trabajo apunta a una sola unidad, sus versiones anteriores existen y cada sincronización y cada error tienen su fila. Sobre tablas así se le pueden dar herramientas acotadas, y sus respuestas se pueden cotejar contra ellas.
Qué muestran estos casos y qué no
- Ningún caso describe a un agente leyendo la plataforma. La de analítica alimenta un tablero que leen personas, y el almacén sirve a la sincronización y a sus reportes. Que un agente necesita la misma base es mi criterio de ingeniería, apoyado en el diseño de Cotizera. No es un resultado medido.
- El caso de Cotizera describe el diseño de un agente y sus capas, sin mediciones de producción.
- Las cifras son las que los casos reportaron en agosto de 2025. No son una prueba de carga de agentes y no las volví a medir para esta guía.
- El análisis del almacén deja constancia de trabajo abierto a su fecha: la programación automática estaba desactivada, las sincronizaciones se iniciaban a mano y los mapeos de clientes no estaban completos.
- Ninguna fuente mide aquí la calidad de las respuestas. Eso se prueba con preguntas reales.