Debido a las enormes inversiones tanto del sector público como del privado, la inteligencia artificial (IA) ha avanzado enormemente en la resolución de múltiples problemas del mundo real, como el diagnóstico de enfermedades, el mal comportamiento de los chatbots y el control del crimen. Sin embargo, el desarrollo a gran escala y la adopción generalizada de la IA han sido obstaculizados por la mentalidad centrada en el modelo que se enfoca únicamente en mejorar el código/arquitectura de los modelos de IA (por ejemplo, ajustando la arquitectura de la red, reduciendo el tamaño del modelo, ajustando hiperparámetros, etc.). En general, la IA abarca un modelo (o código) que resuelve un problema dado extrayendo características relevantes de los datos subyacentes. Sin embargo, cuando el modelo de IA ofrece un bajo rendimiento, los desarrolladores mejoran iterativamente el código/ algoritmo sin prestar la debida atención a otros aspectos como los datos. Este enfoque de IA centrado en el modelo (MC-AI) se limita solo a aquellos pocos negocios/aplicaciones (modelos de lenguaje, análisis de texto, etc.) donde los datos grandes existen fácilmente, y no puede ofrecer una solución viable cuando no hay buenos datos disponibles. Sin embargo, en muchos casos del mundo real, los conjuntos de datos gigantes no existen o no pueden ser curados. Por lo tanto, la comunidad de IA está buscando soluciones apropiadas para compensar la falta de conjuntos de datos gigantes sin comprometer el rendimiento del modelo. En este contexto, necesitamos un enfoque de IA centrado en los datos (DC-AI) para resolver los problemas enfrentados por el enfoque convencional de MC-AI, y para mejorar la aplicabilidad de la tecnología de IA a dominios donde los datos son limitados. Desde esta perspectiva, analizamos y comparamos MC-AI y DC-AI, y destacamos sus mecanismos de funcionamiento. Luego, describimos los problemas cruciales (sociales, de rendimiento, de deriva, de asequibilidad, etc.) del enfoque convencional de MC-AI, e identificamos oportunidades para resolver esos problemas cruciales con DC-AI. También proporcionamos detalles sobre el desarrollo del enfoque de DC-AI, y discutimos muchas técnicas que son vitales para llevar a DC-AI de la teoría a la práctica. Finalmente, destacamos las tecnologías habilitadoras que pueden contribuir a realizar DC-AI, y discutimos varios casos de uso notables donde DC-AI es más adecuado que MC-AI. A través de este análisis, pretendemos abrir una nueva dirección en la tecnología de IA para resolver problemas globales (por ejemplo, cambio climático, interrupción de la cadena de suministro) que están amenazando el bienestar humano en todo el mundo.