«Datos basura, agentes basura»: la advertencia de Barr Moses (Monte Carlo) sobre la IA en ingresos

¿Quién es Barr Moses y qué está advirtiendo?

Barr Moses es cofundadora y CEO de Monte Carlo, la empresa que popularizó el concepto de «observabilidad de datos» (data observability). Es una de las voces más citadas cuando se habla de confiabilidad del dato, y su advertencia para la era de los agentes es tajante. En un ensayo de mayo de 2026 titulado «Garbage data, garbage agents», que se traduce como «datos basura, agentes basura», sostiene que el entusiasmo por construir agentes de IA está ignorando el problema real: la calidad de los datos sobre los que operan.

¿Por qué «datos basura, agentes basura»?

El argumento es de plomería, no de modelo. Cada decisión de un agente ocurre aguas abajo de la capa de datos: frescura, volumen, esquema y distribución. Si esa capa está mal, la capa semántica (los pipelines de recuperación, los embeddings, el contexto) no corrige el error, lo amplifica. Traducido al mundo comercial: si apuntas un agente de priorización a un CRM lleno de registros obsoletos, no obtienes un agente que duda, obtienes un ranking de cuentas hecho con seguridad sobre empresas que quizá ya no existen. El agente no falla de forma visible; falla con confianza, que es peor.

La predicción incómoda: los datos aptos para IA le ganarán presupuesto a los agentes

En sus predicciones de datos e IA para 2026, Moses parte de una cifra que se volvió célebre: la enorme mayoría de los proyectos de IA no llega a producción, con estimaciones que rondan el 95 por ciento de fracaso. Su conclusión es contraintuitiva para quien cree que la ventaja está en tener el mejor agente: la inversión en «datos aptos para IA» va a eclipsar a la inversión en construir agentes. Dicho de otro modo, la carrera de 2026 no se gana comprando el agente más listo, sino teniendo los datos más confiables para alimentarlo.

¿Qué es la observabilidad de datos y de agentes?

Si los datos son el cuello de botella, hay que poder verlos fallar. La observabilidad de datos monitorea de forma continua si la información está fresca, completa y con el esquema correcto, y alerta antes de que un número roto llegue a una decisión. Moses extiende ahora esa lógica a los agentes: una capa de observabilidad que hace visible una falla en cualquier punto de la cadena, desde el dato hasta el comportamiento y la salida del agente. En su marco, esto deja de ser un lujo de ingeniería y pasa a ser un requisito para poner agentes en producción sin quemar la confianza del cliente.

¿Qué significa para el CRM y los equipos B2B en Chile y Latinoamérica?

En Chile y buena parte de Latinoamérica, el CRM promedio arrastra registros duplicados, campos vacíos y datos que nadie actualiza desde hace meses. Esa deuda, tolerable cuando el CRM solo servía para reportar, se vuelve peligrosa cuando un agente empieza a tomar decisiones encima. La tesis de Moses aterriza directo: antes de contratar la próxima herramienta de IA para ventas, la pregunta es si el dato que la va a alimentar es confiable. Para una empresa regional con un equipo comercial chico, esto es una buena noticia disfrazada de tarea aburrida: no necesitas el modelo más caro, necesitas un dato ordenado, y eso está a tu alcance. La ventaja no está en llegar primero al agente, sino en llegar primero al dato limpio que lo hace útil.

La lectura de Revenue Hub

Coincidimos con el fondo y agregamos matices. Primero, «ordenar el dato» no es un proyecto de una sola vez: es gobierno permanente, con dueño claro, reglas de higiene y captura automática en el CRM para no depender de que el vendedor llene campos a mano. Segundo, cuidado con el péndulo: la observabilidad es necesaria, pero comprar otra plataforma para vigilar los datos no reemplaza la disciplina de proceso que evita que se ensucien en primer lugar. Y tercero, para el contexto de Chile y Latinoamérica, la lección operativa es simple: el primer movimiento hacia la IA en ingresos no es licenciar un agente, es auditar y limpiar el CRM, y definir quién es responsable de que siga limpio. Este es el análisis de Revenue Hub sobre la advertencia de Barr Moses; la tesis original es de ella y recomendamos leerla completa en las fuentes enlazadas.