Toda conversación sobre IA este año termina en el mismo lugar. El modelo no es el cuello de botella. Los datos sí.
Los números dicen lo mismo. Gartner predice que hasta 2026, las organizaciones abandonarán el 60% de los proyectos de IA que no cuenten con datos preparados para IA (Gartner, 2025). Un informe de 2026 de Cloudera y Harvard Business Review Analytic Services encontró que solo el 7% de las empresas dicen que sus datos están completamente listos para IA, y solo el 23% tienen una estrategia de datos establecida para ello (Cloudera, 2026).
En el Notion Ambassadors Summit, personas del equipo de Notion describieron hacia dónde va el producto: Notion como la Suiza de la IA. Un hogar neutral para el contexto de la empresa, donde cualquier modelo (Notion AI, Claude, ChatGPT) puede trabajar sobre la misma información. Algunos lo llamaron el norte de Notion ahora mismo.
No estamos seguros de que sea la apuesta correcta. El tiempo dirá. Pero viene con una condición: el contexto solo ayuda si está organizado. Si tu workspace tiene tres bases de datos de clientes, cinco versiones del proceso de onboarding y nadie sabe cuál es la actual, conectar IA solo te da respuestas incorrectas más rápido.
Decir "necesitas buenos datos" es fácil. Esta guía trata del cómo: el proceso que seguimos con clientes para organizar y limpiar la información de la empresa para que la IA pueda usarla.
Qué significa "lista para IA" en un workspace de Notion
Para la mayoría de equipos, "lista para IA" no significa un data warehouse. Significa que cuando alguien le hace una pregunta a la IA sobre la empresa, la respuesta viene del lugar correcto y puedes verificar de dónde.
En la práctica, eso requiere cuatro cosas:
- Cada tipo de información tiene un solo hogar.
- Cada hogar tiene un responsable.
- Es fácil distinguir la información actual de la desactualizada.
- Los permisos coinciden con quién (y qué agente) debería ver qué.
Una prueba simple: si un nuevo empleado no puede encontrar la versión actual de un proceso sin preguntarle a alguien, la IA tampoco la encontrará.
Paso 1: Haz inventario de dónde vive la información hoy
Antes de tocar Notion, averigua dónde vive realmente la información. APQC encontró que los trabajadores del conocimiento dedican 2,8 horas a la semana a buscar o solicitar información. Ese tiempo suele irse en las mismas preguntas: dónde está la última versión, quién la tiene, cuál es la correcta.
Ve departamento por departamento y apunta, para cada tipo de información, dónde vive hoy, quién la actualiza y con qué frecuencia. Por ejemplo:
- Contratos de clientes (Ventas): carpeta de Google Drive, los actualiza el account manager, por cierre.
- Estado del proyecto (Delivery): Notion e hilos de Slack, lo actualiza el project lead, semanal.
- Facturas (Finanzas): herramienta de contabilidad y una hoja de cálculo, las actualiza Finanzas, mensual.
- Procesos y políticas (Operaciones): wiki de Notion, algunos en Docs, no los actualiza nadie en particular, rara vez.
Esto es un ejemplo. El tuyo será más largo, y ese es el punto. El resultado habitual es la misma información guardada en dos o tres sitios, sin un responsable claro. Eso es justo lo que la IA encontrará cuando busque.
Paso 2: Mapea cómo fluyen los datos entre departamentos
La mayoría del contexto no se pierde dentro de un departamento. Se pierde en las transiciones entre ellos.
Elige una entidad y síguela de principio a fin. Un cliente suele ser el mejor ejemplo:
- Ventas cualifica el lead y agenda una llamada.
- Ventas escribe la propuesta.
- Delivery gestiona el onboarding y el proyecto.
- Finanzas envía las facturas.
- Soporte atiende las preguntas después de la entrega.
En cada transición, hazte cuatro preguntas:
- ¿Qué información pasa de un equipo al siguiente?
- ¿Dónde está escrita?
- ¿Quién es responsable de ella después de la transición?
- ¿Qué se pierde o se vuelve a escribir?
Luego decide una fuente de verdad para cada entidad central: clientes, proyectos, tareas, documentos, reuniones. Escribe la regla, incluyendo el momento en que algo pasa de un sitio a otro.
Un ejemplo de nuestro propio sistema: mantenemos los leads outbound y los clientes del CRM en bases de datos separadas, y definimos exactamente cuándo un lead pasa al CRM (cuando se agenda o se completa una discovery call). Esa regla vive en una página que tanto el equipo como nuestros agentes leen. Sin ella, la misma empresa acabaría en ambas bases con datos diferentes.
Paso 3: Diseña un modelo de datos pequeño
Una vez que conoces los flujos, diseña la estructura. Mantenla pequeña. La mayoría de equipos trabaja bien con unas pocas bases de datos: tareas, proyectos, clientes o contactos, una base de conocimiento y reuniones.
Tres reglas que seguimos:
Relaciones en vez de copias. Si un proyecto pertenece a un cliente, relaciona el proyecto con el cliente. No copies el nombre, el email y los datos del contrato del cliente en el proyecto. Las copias se desincronizan; las relaciones se mantienen.
Una base de datos por entidad, vistas filtradas por equipo. En vez de una base de tareas para Marketing y otra para Ventas, usa una sola base de tareas con una propiedad de Equipo y una vista para cada equipo. La IA busca en un solo sitio, y los informes entre equipos funcionan.
Un vocabulario compartido. Las palabras significan cosas distintas en departamentos diferentes. Para Finanzas, un "cliente" puede ser una cuenta firmada. Para Ventas, puede ser cualquiera que haya agendado una llamada. Escribe una página de glosario y usa los mismos nombres en bases de datos, propiedades y opciones de select.
También completa las descripciones de bases de datos y propiedades. La gente las lee cuando tiene dudas, y la IA las usa para entender qué significa cada campo.
Paso 4: Limpia antes de conectar
Esta es la parte que la mayoría de equipos omite, y la que más diferencia hace. Nuestra checklist de limpieza:
- Fusionar duplicados. Una base de datos por tipo de entidad. Mueve las filas, conserva las relaciones, luego elimina o archiva la base antigua.
- Archivar lo que no es actual. Proyectos terminados, versiones antiguas, páginas que nadie ha abierto en meses. Si una página no se ha abierto en tres meses, revísala o archívala.
- Estandarizar propiedades. Las mismas opciones de select en todas partes, un campo de fecha por significado, selects en vez de texto libre cuando sea posible.
- Eliminar propiedades vacías. Si nadie la rellena, o necesita un responsable o tiene que desaparecer.
- Marcar lo que es de confianza. Usa la verificación de página en procesos y políticas que están aprobados y al día, para que personas e IA puedan distinguirlos de los borradores.
- Añadir un responsable y una fecha de revisión a cada base de datos y sección de wiki clave.
El orden importa. Empieza por la información sobre la que la gente le preguntará más a la IA, no por el rincón más antiguo del workspace.
Paso 5: Establece gobernanza para que se mantenga limpio
Los datos limpios no se mantienen limpios solos. Tres cosas los mantienen así:
Responsables. Cada base de datos y sección de wiki tiene una persona responsable. No un equipo, una persona.
Un ritmo de revisión. Una revisión mensual o trimestral corta de las bases de datos principales: qué está desactualizado, qué está duplicado, qué nadie usa. Cuando cambia un proceso, el responsable actualiza la página fuente, no un mensaje de Slack.
Permisos al nivel correcto. El acceso a la página decide quién puede abrir una página. El acceso a propiedades decide qué puede ver o editar la gente dentro de ella, y los agentes pueden tener sus propios permisos. Cubrimos esto con más detalle en un newsletter reciente sobre acceso a nivel de propiedad. La regla general: da a cada persona y cada agente acceso a lo que su trabajo necesita, y nada más.
Paso 6: Haz el contexto legible para la IA
Con la estructura limpia, unos pasos extra ayudan a la IA a dar mejores respuestas:
- Escribe una página de estándares de IA. Lista tus fuentes de verdad ("cuando hablamos de clientes, la fuente es esta base de datos") y las reglas que la IA debe seguir, como no crear bases nuevas o verificar antes de escribir. Nosotros mantenemos la nuestra como un Skill y la referenciamos desde las instrucciones de nuestros agentes.
- Añade propiedades de resumen. Un resumen de AI Autofill en notas de reuniones o registros del CRM le da a la IA una versión corta y consistente de cada página con la que trabajar.
- Limita el acceso del agente por workflow. Un agente que escribe emails de seguimiento no necesita acceso a la nómina.
- Prueba con preguntas reales. Escribe diez preguntas que tu equipo hace cada semana. Pregúntale a la IA. Comprueba si cada respuesta apunta a la página correcta. Cada respuesta incorrecta te muestra un hueco en la estructura.
El último punto es el más útil. Convierte "¿están listos nuestros datos?" en una lista concreta de cosas que arreglar.
Preguntas frecuentes
¿Necesitamos limpiar todo antes de usar IA?
No. Empieza con un departamento o un workflow, el que más preguntas genere. Límpialo, pruébalo, luego pasa al siguiente.
¿Deberíamos mover todo a Notion?
No necesariamente. Notion AI puede buscar en herramientas conectadas como Google Drive o Slack. Lo que importa es que cada tipo de información tenga un hogar definido y que todos sepan cuál es.
¿Puede la IA ayudar con la limpieza?
Sí, para trabajo repetitivo: etiquetar, resumir, rellenar propiedades, marcar posibles duplicados. Decide la estructura primero, luego deja que la IA ayude a aplicarla.
¿Qué pasa si cambiamos de modelo de IA más adelante?
Esa es la ventaja de organizar el contexto en un sitio neutral. La estructura, las fuentes de verdad y los permisos se quedan. El modelo encima puede cambiar.
¿Cuánto tiempo lleva esto?
Depende de cuánta información tengas y cuántas herramientas estén involucradas. Nosotros solemos plantearlo departamento por departamento para que el equipo vea resultados pronto.
Cómo podemos ayudar
Puedes hacer todo lo de esta guía por tu cuenta. Solo requiere tiempo, y compite con el trabajo que tu equipo ya tiene encima.
Si no tienes las horas para mapear flujos, rediseñar bases de datos y limpiar años de páginas, o prefieres que alguien que ya ha hecho esto con otros equipos mire tu workspace con ojos frescos, ahí es donde entramos. En noxen studio mapeamos tus flujos de datos, diseñamos el modelo de datos en Notion y limpiamos el workspace para que la IA pueda trabajar sobre él.
Agenda una Discovery Call y miramos tu caso.