Cómo limpiar duplicados y datos sucios con IA en tu base de datos

Abres tu base de contactos y ahí está: el mismo cliente escrito de seis formas.

"Juan Pérez". "juan perez". "Juan P.". "J. Pérez (empresa)". "Juan Pérez " con dos espacios al final. Y uno con el correo bien y el nombre en blanco.

Ninguna de las seis es un error grave por separado. Juntas hacen que tu base de datos no sirva para nada: no puedes contar cuántos clientes tienes, no puedes mandar un correo sin que alguien lo reciba tres veces, y cualquier informe que saques está mal.

Esto lo he pasado. Y durante años lo intenté arreglar a mano, en tandas de media hora que abandonaba a los quince minutos. Es el trabajo más aburrido del mundo.

Con IA se hace en una tarde. Pero hay una forma correcta de hacerlo y varias formas de destrozarte los datos, así que vamos por orden.

¿Puede la IA limpiar mi base de datos?

Sí, y es de las cosas en las que mejor está. Con una condición: la IA propone, tú decides.

El motivo es que limpiar datos tiene una parte mecánica y una parte de criterio. Quitar espacios sobrantes, poner los nombres en el mismo formato, detectar correos mal escritos, todo eso es mecánico y se puede automatizar entero sin miedo.

Decidir si "Juan Pérez" de una empresa y "Juan Pérez" de otra son la misma persona ya es criterio. Y ahí la IA acierta mucho, pero no siempre. Si la dejas fusionar sola, un día te fusiona dos clientes distintos y te enteras cuando le mandas a uno la factura del otro.

Así que el proceso es: la IA hace todo el trabajo pesado y te deja una lista de decisiones. Tú miras la lista. Es media hora en vez de dos semanas.

Paso 0: la copia de seguridad (no te la saltes)

Exporta tu base de datos entera a un archivo antes de tocar nada. Sea Airtable, sea una hoja de cálculo, sea lo que sea.

Guárdala con la fecha en el nombre y déjala aparte. No en la misma carpeta donde vas a trabajar.

Esto es lo único de todo el post que no es opcional. Vas a hacer operaciones masivas sobre miles de filas y en algún momento vas a ejecutar algo que no querías ejecutar. Con la copia, es un susto de dos minutos. Sin ella, es un desastre.

Paso 1: sacar los datos de la herramienta

La limpieza no se hace dentro de la aplicación. Se hace sobre un archivo y luego se vuelve a meter.

En Airtable, en cualquier CRM o en Google Sheets, busca la opción de exportar a CSV. Te descarga un archivo de texto con todo.

Ese archivo es con el que vas a trabajar. Y para trabajarlo uso Claude Code, porque puede abrir el archivo, analizarlo entero y escribir el resultado sin que yo copie y pegue nada. Si tienes tres mil filas, pegarlas en un chat no es viable: te pasas del límite y encima la IA te devuelve un resumen en vez del archivo. El detalle de por qué esto se hace así lo tengo en trabajar con hojas de cálculo desde Claude Code.

Paso 2: el diagnóstico antes del arreglo

No le pidas que limpie. Pídele que te diga qué está sucio.

La instrucción que uso es esta: "analiza este archivo y dame un informe de problemas de calidad de datos. Quiero saber cuántas filas hay, qué columnas tienen valores vacíos y cuántos, qué formatos inconsistentes detectas en cada columna, cuántos duplicados exactos hay y cuántos duplicados probables. No cambies nada todavía."

Lo último es importante. Sin ese "no cambies nada", se pone a arreglar y te quedas sin ver el diagnóstico.

Lo que devuelve suele ser revelador. La primera vez que lo hice descubrí que tenía una columna de teléfonos con cuatro formatos distintos, doscientas filas sin correo que yo daba por buenas, y fechas escritas de tres maneras. Nada de eso lo habría encontrado mirando.

Paso 3: la limpieza mecánica (esta va sola)

Ahora sí. Todo lo que no requiere criterio, de una tacada.

Espacios al principio y al final. Dobles espacios en medio. Mayúsculas y minúsculas normalizadas: los nombres con la primera letra en mayúscula, los correos todos en minúscula. Teléfonos con un solo formato, con prefijo de país. Fechas todas iguales. Correos con errores obvios de escritura, esos que llevan una arroba de más o el dominio mal.

Se lo pides todo junto y te devuelve el archivo limpio. Y le pides una cosa más: que no toque los duplicados todavía y que te diga cuántos cambios ha hecho por categoría.

Ese recuento es tu control de calidad. Si te dice que ha modificado ochocientas filas de mil quinientas, mira una muestra antes de seguir. Si te dice cuarenta, adelante sin mirar.

Paso 4: los duplicados, que es donde está el criterio

Aquí van dos tandas.

Duplicados exactos. Filas idénticas en todo. Estos se borran sin pensar, dejando una. No hay decisión que tomar.

Duplicados probables. Aquí es donde la IA se luce. Le pides que agrupe las filas que probablemente son la misma entidad, y que para cada grupo te diga por qué cree que lo son y con qué nivel de confianza.

Le doy además las reglas de mi negocio, que son las que la IA no puede adivinar: el correo es el identificador de verdad, dos filas con el mismo correo son la misma persona seguro. Dos nombres muy parecidos con empresas distintas son personas distintas hasta que se demuestre lo contrario. Las variantes con inicial y apellido son la misma persona si además coincide el teléfono.

Con eso te devuelve grupos ordenados por confianza. Los de confianza alta los apruebas en bloque. Los de confianza media los miras uno a uno, y no son tantos. Los de confianza baja los dejas en paz.

Paso 5: fusionar sin perder información

Cuando fusionas dos filas, la pregunta es qué campo se queda.

La regla que uso: gana el dato más reciente, pero un hueco nunca gana a un dato. Si la ficha vieja tiene teléfono y la nueva lo tiene vacío, se queda el teléfono viejo. Si las dos tienen teléfono y son distintos, se queda el de la ficha más reciente y el otro se guarda en un campo de notas.

Ese campo de notas es la red de seguridad. En vez de perder información al fusionar, la acumulas en un sitio donde no molesta pero se puede consultar. La primera vez que alguien te diga "ese no es mi teléfono, es el antiguo" vas a agradecer tenerlo.

Y guarda también, en una columna nueva, cuántas filas se fusionaron en cada registro. Es un dato tonto que sirve para auditar después.

Paso 6: devolverlo y prevenir

Importas el archivo limpio de vuelta. En Airtable puedes sustituir la tabla o crear una nueva y comparar antes de cambiar. Yo prefiero crear una nueva, revisar dos días, y entonces sustituir.

Y luego lo importante: que no se vuelva a ensuciar.

La suciedad entra por donde entran los datos. Si tienes un formulario, pon validación de correo y de teléfono ahí mismo. Si metes datos a mano, usa desplegables en vez de campos de texto libre en todo lo que sea una categoría. Si importas de otra herramienta, limpia en la importación.

Una base de datos limpia sin control de entrada vuelve a estar sucia en seis meses. Es la parte que más gente se salta y por eso repite el proceso cada año. Lo comento en bases de datos y CRM sin código, porque es el mismo principio que hace que una herramienta te sirva o no: no es cómo de bonita es, es qué deja entrar.

Lo que se te va a atascar

Los acentos y las eñes en la exportación. El clásico. Abres el CSV y ves "Pérez". Es un problema de codificación: exporta e importa siempre en UTF-8 y avísale a la IA de que el archivo lleva caracteres en español.

Las comas dentro de los campos. Un CSV separa por comas, así que si una dirección lleva una coma, se rompe el archivo. Si ves columnas desplazadas, es esto. Exporta con separador de punto y coma o pide que se respeten las comillas.

Fusiones mal hechas que no detectas. Por eso la copia de seguridad y por eso revisar los de confianza media. Si dudas de un grupo, no lo fusiones. Un duplicado que se queda no hace daño; una fusión errónea sí.

Querer limpiar todo de golpe. Con miles de filas, ve por columnas. Primero los correos. Luego los teléfonos. Luego los nombres. Cada tanda revisada antes de la siguiente. Es más lento de leer y más rápido de hacer.

Y ahora qué

Exporta tu base ahora mismo y pídele solo el diagnóstico. Sin arreglar nada. Diez minutos.

Ese informe te va a decir si tienes un problema pequeño o uno gordo, y con eso decides si merece la pena la tarde. Yo lo hice con un CRM que llevaba años acumulando porquería y el resultado me dejó tocado, en el buen sentido: lo cuento entero, con las cifras y lo que salió mal, en cómo limpié mi CRM de años.

Y cuando termines, ponle fecha en el calendario a la revisión de dentro de seis meses. La segunda vez son veinte minutos.

Si no tienes claro qué partes de tu trabajo se pueden apoyar en IA y cuáles no, tengo un test corto que te lo aterriza según cómo trabajas tú.

Haz el test de IA