Para que una inteligencia artificial genere contenido útil y fiable, necesita lo mismo que un profesional: formación, contexto y datos de calidad. Esta guía te ayudará a entender cómo deben prepararse las empresas —desde startups hasta organizaciones logísticas o industriales— para integrar soluciones basadas en IA generativa.
“Si no tienes datos, no tienes proyecto de inteligencia artificial.” - Raúl Castilla, ingeniero de datos y formador en La Lonja de la Innovación.
Esta guía ofrece una introducción práctica a la inteligencia artificial generativa, con ejemplos adaptados a los sectores industrial, logístico y tecnológico. El contenido se enriquece con aportaciones del ingeniero de datos Raúl Castilla, quien recientemente impartió tres sesiones formativas en La Lonja de la Innovación.
En la primera entrega abordamos temas clave como la conexión entre los datos y los modelos de IA, así como herramientas concretas que pueden utilizarse en el día a día de cualquier empresa.
Al final del artículo encontrarás también cómo acceder a la tercera sesión, centrada en los retos legales y éticos de esta tecnología: ¿Hasta qué punto puede un uso autoritario de la IA comprometer derechos fundamentales? ¿Qué marco normativo garantiza una implementación segura y responsable?
¿Por qué los datos son el punto de partida?
Porque la IA no improvisa. Genera resultados a partir de datos que ya existen: históricos, estructuras, patrones o ejemplos. Por eso, preparar una estrategia de datos es el primer paso antes de plantear un piloto de IA generativa.
Durante su sesión técnica en La Lonja, Raúl Bravo explicó cómo los distintos tipos de datos (estructurados, semiestructurados, no estructurados y en tiempo real) se relacionan directamente con la capacidad de análisis y generación de los modelos de IA.
Tipos de datos clave
| Tipo de dato | Aplicación en IA generativa | Ejemplos desde La Lonja |
| Estructurados | Tablas, hojas de cálculo, sistemas ERP/CRM | Predicciones de tráfico (Go!Planner), históricos logísticos |
| Semiestructurados | Formularios, emails, PDFs, actas de reuniones | Generación automática de minutas o FAQs (Fireflies, Otter) |
| No estructurados | Imágenes, vídeos, audios | Informes de inspección técnica a partir de vídeo (Eon Sea) |
| En tiempo real | Sensores, APIs conectadas, IoT | Integración con FIWARE para reacciones automáticas o reportes |
¿Qué necesita tu infraestructura para aplicar IA generativa?
- Acceso fácil a los datos
Asegúrate de que tu equipo (o una herramienta) puede acceder a los datos que genera tu empresa. Están en CRMs, carpetas compartidas, correos, sensores, hojas de cálculo… pero muchas veces están dispersos. - Estandarización mínima
No necesitas un “data warehouse” para empezar, pero sí un mínimo de orden: columnas coherentes, nombres entendibles, formatos consistentes. - Conectividad (API / exportación)
Las herramientas de IA generativa suelen funcionar mejor si los datos están en servicios que permiten integración o descarga.
En entornos portuarios, industriales o de ciudad inteligente, la conexión con plataformas abiertas como FIWARE permite extraer datos en tiempo real para generar alertas, recomendaciones o informes automatizados. - Almacenamiento seguro y conforme al RGPD
Especialmente si tus datos incluyen información sensible. Plataformas como ChatGPT permiten configurar políticas de privacidad para entornos profesionales.
“El modelo es el coche, pero sin gasolina (datos), no se mueve.” - Raúl Bravo, en su sesión sobre IA generativa
Casos de uso realistas en entornos logísticos e industriales
| Proceso | Preparación de datos | Aplicación IA generativa |
| Informes de mantenimiento | Formulario estandarizado con fallos detectados | Generación automática de documento PDF resumen para cliente |
| Planificación de rutas/logística | Históricos de rutas + condiciones climatológicas | Propuesta optimizada con justificación generada |
| Formación operativa | Base de datos con normativas o manuales | Creación de módulos explicativos o preguntas tipo test |
| Control documental | Plantillas de contratos, términos legales, idiomas | Traducción, adaptación o redacción automática con revisión |
| Alertas en tiempo real | Datos de sensores conectados vía FIWARE | Mensajes automatizados, dashboards o resúmenes por voz o texto |
Cómo empezar: fases recomendadas
- Mapea tus fuentes de datos actuales. ¿Dónde están tus datos? ¿Quién los gestiona? ¿Se usan o están infrautilizados?
- Selecciona un caso de uso simple pero valioso. Mejor algo rutinario y concreto que sirva para validar resultados rápidamente.
- Evalúa la conexión con herramientas de IA. ¿Puedes exportar tus datos a CSV o conectarte a una API? Entonces ya puedes empezar.
- Apóyate en tecnologías abiertas y estándares como FIWARE. Especialmente útil si trabajas en entornos con sensores, dispositivos conectados, transporte, energía o ciudad.
Checklist rápido: madurez en infraestructura de datos
☐ ¿Sabes dónde están tus datos críticos (clientes, operaciones, mantenimiento, etc.)?
☐ ¿Puedes acceder a ellos fácilmente y exportarlos?
☐ ¿Tus archivos y registros tienen una estructura coherente y entendible?
☐ ¿Tienes alguna integración con API, ERP, CRM u otros sistemas?
☐ ¿Se respetan medidas básicas de privacidad y protección de datos?
☐ ¿Usas herramientas abiertas o puedes conectarte con plataformas como FIWARE?
Resultado orientativo
- ✅ 5 o más afirmaciones → tu organización está lista para lanzar un proyecto de IA generativa basado en datos.
- ✅ 3 a 4 afirmaciones → puedes avanzar con asesoramiento técnico o eligiendo bien el primer caso.
- ✅ Menos de 3 afirmaciones → prioriza ordenar y mapear tus datos antes de integrar IA.
Si este ejercicio te ha resultado interesante, permanece conectado a las novedades de la iniciativa a través de nuestras redes sociales y no te pierdas el tercer taller al que puedes acceder en exclusiva a través de este enlace: Inteligencia Artificial: Retos legales y éticos.
En este último taller, profundizamos en los desafíos legales y éticos que plantea el diseño, desarrollo y despliegue de sistemas de IA de la mano de Raúl Castilla Bravo, Data Engineer en BEONx, y Eduardo Ballesteros, Abogado en Montero Aramburu & Gómez-Villares Atencia.