Este estudio es una revisión sistemática de la literatura que examina el estado actual de las herramientas existentes que respaldan la gestión de calidad de datos (DQM) basada en IA en entornos de almacenamiento de datos. Evaluamos 151 herramientas de DQM por sus capacidades de automatización, específicamente la detección de reglas de calidad de datos y las capacidades de recomendación en almacenes de datos. Después de un proceso de selección de varios pasos basado en la funcionalidad, la usabilidad, el cumplimiento y la compatibilidad arquitectónica con los almacenes de datos, solo 10 herramientas cumplieron los criterios para DQM basada en IA. Nuestro análisis reveló que la mayoría de las herramientas se centran en la limpieza y preparación de datos para la IA, y no en mejorar la DQM en sí misma mediante el aprovechamiento de la IA. Si bien existen técnicas de detección de reglas basadas en metadatos y aprendizaje automático, faltan capacidades como la especificación de reglas basada en SQL, la lógica de conciliación y la explicabilidad de las recomendaciones basadas en IA. Este estudio proporciona una guía práctica para la selección de herramientas y sugiere importantes requisitos de diseño para las soluciones de DQM basadas en IA de próxima generación, abogando por un cambio de paradigma de "calidad de datos para IA" a "IA para la gestión de la calidad de datos".
