Auditá tu base de datos con IA

Toda base de datos que lleva meses en uso acumula mugre: duplicados, campos vacíos, teléfonos en tres formatos distintos, clientes fantasma. En este tutorial vas a usar una IA para auditar la tuya y salir con un diagnóstico concreto más un plan de limpieza priorizado. Es para vos si ya manejás datos en una base o planilla grande y sospechás —con razón— que están sucios.

Antes de empezar

• Una base de datos o planilla que puedas exportar a CSV (el formato de texto plano que exporta cualquier herramienta: Excel, Google Sheets, Airtable, un CRM).
• Un chat de IA que pueda leer archivos. Mejor todavía si puede ejecutar código (Claude con análisis de datos, ChatGPT con su intérprete de código, o Claude Code si te animás a la terminal).
• Conceptos básicos: qué es una tabla, una fila, una columna y un ID. Si eso te suena a chino, hacé primero el tutorial de bases de datos explicadas simple.
• Una advertencia seria: vas a trabajar con datos de personas. El paso 2 no es opcional.

Paso 1 — Exportá una muestra, no todo

No subas la base entera al chat. Primero, porque los chats de IA tienen un límite de cuánto pueden leer de una vez (la famosa ventana de contexto). Segundo, porque para diagnosticar la estructura alcanza con una muestra.

Exportá a CSV entre 100 y 500 filas que incluyan registros viejos y nuevos: los problemas de formato casi siempre vienen de épocas distintas de carga.

Paso 2 — Anonimizá antes de subir nada

Esto es lo más importante del tutorial. Los datos de tus clientes no son tuyos para regalarlos a un chat. Antes de subir el CSV:

• Reemplazá nombres reales por códigos ("Cliente 001").
• Enmascará emails y teléfonos dejando el formato visible: j***@gmail.com, +591-7XX-XXXXX. El formato es lo que la IA necesita auditar; el dato real no.
• Borrá columnas que no hacen falta para la auditoría (notas privadas, montos sensibles).

¿Suena a trabajo? Le podés pedir a la IA que te escriba un pequeño script que lo haga —y lo corrés vos, en tu máquina, antes de subir nada. La versión honesta: si tus datos son realmente sensibles (salud, finanzas), usá herramientas que corran localmente o consultá antes con legales.

Paso 3 — Pedile el diagnóstico de estructura

Subí el CSV anonimizado y usá un prompt específico. Uno genérico ("revisá mis datos") da respuestas genéricas. Probá algo así:

Sos auditor de calidad de datos. Analizá este CSV y devolveme:
1. Qué representa cada columna y qué tipo de dato debería tener.
2. Columnas con formatos mezclados (fechas, teléfonos, mayúsculas).
3. Porcentaje de celdas vacías por columna.
4. Columnas que parecen redundantes o que mezclan dos datos en uno.
Formato: tabla resumen + lista de hallazgos ordenados por gravedad.

Si tu herramienta ejecuta código, pedile que calcule los porcentajes de verdad en vez de estimarlos a ojo. Esa es la diferencia entre una auditoría y una opinión.

Paso 4 — Cazá duplicados e inconsistencias

Segunda pasada, ahora contra el enemigo número uno: el duplicado disimulado. "María González" y "Maria Gonzalez SRL" pueden ser la misma clienta. Pedile:

Buscá registros que probablemente sean duplicados aunque no sean
idénticos: nombres parecidos, mismo teléfono con distinto formato,
mismo email con mayúsculas distintas. Devolveme los pares sospechosos
con un nivel de confianza (alta/media/baja) y el motivo.

Ojo con el resultado: la IA te da sospechosos, no culpables. Dos personas pueden compartir apellido y ciudad. Los pares de confianza alta revisalos vos uno por uno antes de fusionar nada.

Paso 5 — Convertí los hallazgos en un plan priorizado

Un diagnóstico sin plan es un PDF que nadie abre. Cerrá con:

Con todos los hallazgos anteriores, armá un plan de limpieza:
- Qué arreglar primero según impacto en el negocio (contactabilidad,
  reportes, cobros) y esfuerzo.
- Qué se puede corregir con una regla automática y qué exige
  revisión humana.
- Qué regla nueva evitaría que cada problema vuelva a aparecer.

Ese último punto es el que vale oro: limpiar sin cambiar las reglas de carga es achicar el agua del bote sin tapar el agujero.

Paso 6 — Ejecutá con red de seguridad y repetí

Antes de tocar un solo registro: backup completo de la base. Después ejecutá el plan por lotes chicos, verificando cada lote. Y agendá la auditoría como rutina —una vez al mes alcanza para la mayoría—, porque los datos se ensucian solos con el uso, como la cocina.

Errores comunes

• Subir datos personales sin anonimizar. Además de feo, según tu país puede ser ilegal. Arreglo: paso 2, siempre, sin excepción.
• Dejar que la IA "corrija" directamente. Una fusión de duplicados equivocada destruye información real. Arreglo: la IA propone, vos aprobás, y siempre sobre un backup.
• Auditar el archivo gigante de una sola vez. La IA se pierde y alucina resúmenes. Arreglo: muestras por lote, o herramientas que ejecuten código sobre el archivo completo.
• Limpiar una vez y declararse ganador. Sin reglas nuevas de carga, en tres meses estás igual. Arreglo: cada hallazgo termina en una regla que lo previene.

Siguiente paso

El nivel que sigue es dejar de auditar a mano: validaciones en el momento de la carga (formularios que rechazan formatos rotos) y un chequeo automático periódico que te avise cuando algo se desvía. También vale la pena aprender SQL básico para hacer estos conteos vos, sin depender del humor de un chat.