Los datos que ya tienes valen más que el modelo que comprarás
Existe una brecha persistente entre lo que los ejecutivos dicen sobre sus datos y lo que efectivamente hacen con ellos. La mayoría los usa para monitorear el pasado: reportes de ventas, tableros de KPIs, seguimiento de campañas. Algunos ya los activan para personalizar experiencias mediante inteligencia artificial. Pero casi nadie da el paso siguiente, que no es tecnológico sino conceptual: tratar los datos como un producto que genera ingresos por sí mismo, independiente del negocio que los produjo.
Esa es la tesis central que viene tomando fuerza en la conversación estratégica de 2026, y tiene números detrás que la hacen difícil de ignorar. Los márgenes operativos del comercio minorista tradicional se mueven entre el 2% y el 5%. Los márgenes de redes de publicidad sobre primera parte de datos —construidas sobre los mismos clientes y la misma infraestructura— pueden llegar hasta el 90%. No es una variante del negocio original: es otro negocio, montado sobre el mismo activo que ya existía. Walmart Connect creció 41% en el año fiscal 2026. La unidad de negocios alternativos de Kroger, que incluye medios y analítica de datos, generó 1.500 millones de dólares en beneficio operativo en su último año fiscal. Ambas empresas construyeron esas líneas de ingreso sin adquirir nuevos clientes ni abrir nuevos mercados. Cambiaron la forma en que empacaron lo que ya sabían.
Lo que falta en ese análisis, y lo que más me interesa como analista de comportamiento, es la pregunta que ningún ejecutivo se está haciendo en voz alta: si el activo siempre estuvo ahí, ¿por qué la mayoría no lo monetiza?
El activo invisible y el sesgo que lo mantiene dormido
La respuesta no está en la tecnología ni en el talento. Está en cómo las organizaciones perciben lo que poseen.
Hay un sesgo cognitivo bien documentado llamado familiaridad con el entorno propio: tendemos a devaluar aquello que producimos o controlamos porque la exposición repetida reduce la percepción de su valor. Un equipo de marketing que lleva años viendo los mismos datos de comportamiento de sus clientes deja de verlos como un activo escaso. Los tratan como insumo operativo porque eso es lo que han sido desde siempre. El cerebro humano es extremadamente eficiente para normalizar lo familiar y subvaluar lo que no tiene precio de mercado visible.
Esto se agrava en organizaciones grandes porque los datos están fragmentados entre áreas que no comparten incentivos. El equipo comercial sabe cuánto compra cada segmento. El equipo de logística sabe cuándo y dónde. El equipo de producto sabe qué funciones generan retención. Pero nadie está pagando por ensamblar esas piezas en un producto coherente que otra empresa compraría, porque cada área mide su desempeño por objetivos internos, no por el valor externo de lo que sabe.
La consecuencia práctica es que el dato más valioso de una empresa —su conocimiento acumulado sobre el comportamiento de sus clientes— vive disperso, sin estructura, sin precio y sin dueño claro. No porque la empresa sea incapaz de organizarlo, sino porque organizarlo de esa forma requiere romper con la lógica operativa que sostiene el día a día. Y romper con esa lógica genera fricción institucional que la mayoría de los equipos no tiene incentivos para asumir.
El caso de 84.51°, la subsidiaria de analítica y medios de Kroger, es instructivo precisamente porque su punto de partida no fue tecnológico. La plataforma Stratum no surgió porque Kroger descubriera nuevos datos. Surgió porque alguien decidió estructurar lo que ya sabía alrededor de las decisiones que las marcas de consumo masivo necesitaban tomar: dónde gastar, qué surtir, cómo medir resultados. El activo era el mismo. Lo que cambió fue el marco interpretativo desde el que se ofreció. Ese desplazamiento, de dato interno a producto externo, es más un acto de diseño organizacional que un acto técnico.
Por qué la IA no resuelve el problema y lo hace más urgente
Hay una tentación comprensible en este momento del ciclo tecnológico: creer que implementar modelos de lenguaje o herramientas de inteligencia artificial generativa es suficiente para capitalizar los datos que una empresa posee. No lo es, y entender por qué requiere distinguir entre dos tipos de ventaja.
El primer tipo es la ventaja de acceso a herramientas. Hace tres años, tener acceso a modelos de lenguaje de gran escala era una ventaja real porque pocos podían costear su desarrollo. Esa ventaja ya prácticamente desapareció. Los modelos más capaces son accesibles para cualquier empresa con presupuesto razonable. El mercado de modelos base tiende hacia la paridad, de la misma forma en que el acceso a servidores en la nube dejó de ser diferenciador hace una década.
El segundo tipo es la ventaja de insumo propietario. Lo que una empresa alimenta al modelo importa más que el modelo mismo. Los 62 millones de hogares y los 2.000 millones de transacciones anuales que 84.51° procesa no son replicables. Una empresa de logística con cinco años de datos de rutas y demanda regional tampoco es replicable. Un sistema de salud con registros clínicos vinculados a resultados tampoco lo es. La ventaja no está en el algoritmo sino en lo que el algoritmo procesa, y eso es exactamente lo que la mayoría de las empresas sigue tratando como insumo operativo en lugar de como activo comercializable.
La paradoja es que la masificación de la inteligencia artificial hace más urgente —no menos— resolver el problema de la monetización de datos. Si todos tienen acceso a las mismas herramientas, el diferencial migra completamente hacia quién tiene los datos más ricos, más limpios y más estructurados para producir salidas que otros no pueden replicar. Las empresas que no hayan resuelto la arquitectura de sus datos propietarios para 2027 no estarán en desventaja por carecer de tecnología. Estarán en desventaja porque habrán dejado que su única ventaja competitiva real —el conocimiento acumulado de sus clientes— se quede sin monetizar mientras sus competidores lo convierten en margen.
Esto aplica fuera del comercio minorista con la misma lógica. Un medio de comunicación que sabe cuáles formatos de contenido impulsan conversión para qué segmentos puede construir una herramienta de planificación para anunciantes. Una empresa de logística que sabe cuándo y dónde se concentra la demanda puede ofrecer benchmarks a sus propios clientes. Una aseguradora que entiende patrones de riesgo con granularidad geográfica puede vender ese conocimiento a gobiernos o desarrolladores inmobiliarios. El denominador común no es el sector: es tener información que otros necesitan para tomar mejores decisiones y que no pueden construir por sí mismos en el corto plazo.
Lo que bloquea el movimiento no es técnico
Hasta aquí, el análisis parece señalar hacia una oportunidad obvia que solo requiere voluntad ejecutiva. La realidad organizacional es considerablemente más complicada, y el comportamiento humano dentro de las instituciones explica por qué la mayoría de las empresas no hace el movimiento aunque la lógica lo justifique.
El primer obstáculo es la identidad de negocio. Las organizaciones se construyen narrativas sobre lo que son. Un banco es un banco. Una aerolínea es una aerolínea. Una cadena de supermercados vende alimentos. Cuando alguien propone internamente convertir los datos de clientes en un producto que se vende a terceros, la respuesta instintiva de muchos equipos no es analítica sino identitaria: "eso no es lo que hacemos". Esa resistencia no es irracional desde la perspectiva del individuo que la expresa. Es una señal de que el cambio propuesto amenaza el modelo mental con el que esa persona ha construido su trayectoria profesional. El banco que decide monetizar datos de comportamiento financiero se convierte, en parte, en una empresa de datos. Y eso implica que algunos perfiles internos pierden relevancia mientras otros que no existían pasan a ser centrales.
El segundo obstáculo es la fricción de gobernanza. Los datos de clientes están sujetos a regulaciones de privacidad que varían por mercado y sector. Construir un producto de datos que sea comercializable, defendible legalmente y confiable para terceros requiere una arquitectura de consentimiento, anonimización y cumplimiento normativo que la mayoría de las empresas no tiene lista. No porque sea imposible construirla, sino porque construirla requiere inversión transversal en áreas que históricamente no han trabajado juntas: tecnología, legal, producto y comercial. Coordinar esa inversión sin que ningún área la cuente como su victoria genera exactamente el tipo de inercia política que congela las iniciativas estratégicas más prometedoras.
El tercer obstáculo es la ausencia de precio visible. Los mercados financieros valúan las unidades de negocio cuando generan ingresos con estructura propia. Mientras los datos de una empresa estén enterrados dentro de la operación sin generar una línea de ingreso separada, su valor no aparece en ningún modelo financiero. Eso significa que ningún analista lo presiona desde afuera, que ningún incentivo de compensación ejecutiva lo recompensa directamente y que ningún consejo de administración lo exige como prioridad. El activo permanece invisible en el balance porque no tiene precio, y no tiene precio porque nadie ha tomado la decisión de asignarle uno.
Superar esos tres obstáculos no requiere tecnología nueva. Requiere un cambio en la forma en que los líderes enmarcan el problema internamente: pasar de "¿cómo usamos nuestros datos para operar mejor?" a "¿para qué decisión de otra empresa somos la fuente de información más valiosa e irreemplazable?". Esa segunda pregunta obliga a mirar hacia afuera antes de mirar hacia adentro. Y eso, para la mayoría de los equipos ejecutivos, es un movimiento psicológico considerablemente más difícil que implementar cualquier plataforma de analítica.
La monetización de datos es un problema de diseño antes que de tecnología
La lección que emerge del caso Kroger, y de los patrones que se repiten en logística, salud y medios, no es que las empresas necesitan más datos o mejores modelos. Es que el valor está atrapado en una brecha de diseño entre lo que una organización sabe y la forma en que estructura ese conocimiento para que otro pueda pagarlo.
Esa brecha tiene una anatomía específica. Por un lado, hay información acumulada durante años de operación: transacciones, comportamientos, patrones, anomalías. Por otro lado, hay decisiones que actores externos necesitan tomar con mejor información de la que tienen: cuánto presupuesto asignar a qué canal, qué inventario mantener en qué punto de la cadena, qué perfiles de riesgo merecen condiciones distintas. La brecha entre ambos lados es el producto. El trabajo de diseño es construir la estructura que conecta lo que la empresa sabe con la decisión que el cliente externo necesita tomar, de forma lo suficientemente clara y confiable para que ese cliente pague por acceder a ella de manera recurrente.
Lo que hace la masificación de la inteligencia artificial en este contexto es reducir el costo de construcción del puente. Organizar, limpiar y estructurar datos que antes requerían equipos de ingeniería de datos durante meses ahora puede hacerse en semanas con las herramientas adecuadas. Eso no elimina el problema de diseño ni resuelve la fricción organizacional. Pero sí reduce la barrera de entrada lo suficiente como para que empresas que antes no podían costear ese desarrollo ahora tengan la capacidad técnica de hacerlo, siempre que tengan la claridad estratégica para decidir qué construir y para quién.
La decisión sigue siendo humana. Y la razón por la que la mayoría de las empresas no la toma, a pesar de tener el activo disponible, sigue siendo psicológica antes que técnica. La identidad de negocio, la fricción política interna y la invisibilidad contable de los activos de datos son fuerzas que ningún modelo de lenguaje puede resolver. Son fuerzas que requieren que alguien en la cúpula decida mirar lo que ya tiene con ojos distintos a los que usó para construirlo. Ese desplazamiento perceptivo es, en este momento del ciclo tecnológico, la ventaja competitiva más escasa y menos copiable que existe.
