Los cuadros de mando responden a preguntas previstas. Las hojas de cálculo permiten explorar, pero exigen acceso y conocimientos. La analítica conversacional plantea otra interfaz: la persona pregunta en lenguaje natural, la plataforma localiza los datos autorizados, ejecuta la consulta y explica el resultado.
El reto no consiste únicamente en convertir español en SQL. En bases reales, las tablas tienen nombres técnicos, las métricas contienen reglas, los sistemas discrepan y una misma palabra cambia según el departamento. Por eso, las plataformas empresariales de 2026 están uniendo agentes de datos, modelos semánticos y ontologías. El 2 de octubre, Microsoft destacó mejoras en el motor NL2SQL de Fabric Data Agent; en agosto, Snowflake recomendó trasladar el análisis natural a Cortex Agents conservando las vistas semánticas.
Por qué un text-to-SQL puro puede equivocarse con seguridad
Un modelo puede escribir una consulta válida que utilice la tabla incorrecta, ignore anulaciones o sume importes incompatibles. El resultado parece preciso porque contiene cifras. Sin definición empresarial, «ingresos» puede significar pedidos creados, facturados, cobrados o netos de impuestos y devoluciones.
También existe la ambigüedad. «Clientes activos» puede referirse a compras en 30 días, contratos vigentes o uso de la app. Un sistema fiable identifica la duda y pide precisión o usa la definición aprobada para ese dominio; no decide en silencio.
La función de la capa semántica
La capa semántica traduce estructuras físicas a conceptos compartidos. Registra entidades como Cliente, Pedido y Producto; relaciones; dimensiones como región o canal; métricas y fórmulas; sinónimos utilizados por los equipos; y reglas de acceso.
Así, el agente interpreta «ticket medio de nuevos clientes en Valencia» como medidas y dimensiones gobernadas. Un motor determinista genera la consulta o llama a una API analítica. El lenguaje natural expresa la intención; las reglas críticas siguen siendo explícitas y comprobables.
Modelo semántico, ontología y catálogo
El modelo semántico define métricas y relaciones analíticas. La ontología representa entidades, estados y vínculos de negocio, incluso entre datos operativos y señales en tiempo real. El catálogo documenta origen, responsable, calidad y sensibilidad. Pueden colaborar, pero no son equivalentes.
Arquitectura de un analista virtual fiable
- Interfaz: chat en el sistema interno, app, portal o canal corporativo.
- Identidad: la pregunta conserva usuario y permisos.
- Clasificación: el agente selecciona dominio y detecta ambigüedad.
- Capa semántica: conceptos y métricas se vinculan a fuentes.
- Planificación: la solicitud se convierte en consulta controlada o llamada a API.
- Ejecución: se aplican límites de coste, tiempo y filas.
- Respuesta: aparecen cifras, periodo, filtros, fuente y visualización.
- Auditoría: pregunta, plan, consulta y resultado quedan trazados.
El agente debe operar con la identidad del solicitante o con un servicio que reproduzca sus restricciones. Dar acceso técnico general y ocultar columnas únicamente en la respuesta no es seguro.
Ejemplo: margen por canal
La directora pregunta: «¿por qué cayó el margen del comercio electrónico este mes?». El agente interpreta el periodo según el calendario corporativo, usa la medida oficial de margen neto y compara con el mes anterior. Después descompone la variación por canal, categoría, descuento, transporte y devolución.
La respuesta indica que los ingresos crecieron, pero descuentos y logística redujeron el margen en algunas categorías. Cada gráfico muestra filtros y fecha de actualización. La usuaria pregunta «¿ocurrió también entre clientes recurrentes?» y la conversación mantiene el contexto sin redefinir qué es un cliente recurrente.
Si el dato de transporte está retrasado, el sistema muestra la última actualización. Si existen dos definiciones aprobadas de margen, ofrece elegir en vez de mezclarlas.
No sustituye a todo el BI
Los paneles siguen siendo adecuados para indicadores recurrentes y alertas. El analista virtual destaca en preguntas adicionales, exploración guiada y acceso dentro del flujo de trabajo. Informes normativos y decisiones críticas continúan necesitando vistas validadas y revisión.
Tampoco sustituye al modelado. Al contrario, deja visibles incoherencias que antes permanecían ocultas. Si ventas y finanzas calculan ingresos de forma distinta, la IA no debe inventar una tercera versión; la empresa debe decidir y documentar la métrica.
RAG, text-to-SQL o API analítica
RAG es adecuado para políticas, contratos y documentos. Text-to-SQL con capa semántica responde a preguntas flexibles sobre datos estructurados. Las API analíticas son preferibles cuando cálculos y permisos ya están encapsulados y exigen máxima previsibilidad.
Una consulta puede combinar los tres enfoques. «¿Qué contratos tienen margen inferior al mínimo pactado?» analiza datos estructurados, recupera cláusulas y cruza resultados. El orquestador debe mostrar la fuente y el método de cada afirmación.
Seguridad y gobierno desde la pregunta
- aplicar seguridad por fila y columna en la fuente;
- enmascarar datos personales y sensibles según el perfil;
- bloquear escritura y comandos peligrosos;
- limitar duración, volumen y coste de ejecución;
- registrar consulta, fuente, usuario y finalidad;
- definir retención para preguntas y resultados;
- proteger frente a instrucciones maliciosas en metadatos.
La conversación facilita el acceso, pero no debe ampliar permisos. Comercial, responsable y dirección pueden usar la misma métrica y ver filas diferentes.
Cómo medir la calidad
No basta con comprobar que el SQL se ejecuta. Reúna preguntas reales, variantes lingüísticas, ambigüedades y casos imposibles. Compare con respuestas aprobadas por personas responsables del dominio.
- exactitud: ¿son correctos el número y la interpretación?
- fidelidad semántica: ¿se aplicó la métrica oficial?
- permisos: ¿el usuario vio solo lo autorizado?
- claridad: ¿se muestran filtros, fechas y límites?
- aclaración: ¿el agente pregunta cuando debe?
- rendimiento: ¿latencia y coste encajan en el uso diario?
Cómo empezar sin reorganizar toda la empresa
- elegir un dominio, como ventas, soporte u operaciones;
- recopilar entre 30 y 50 preguntas utilizadas en decisiones;
- definir entre cinco y diez métricas con responsable y fórmula;
- modelar fuentes, relaciones, sinónimos y acceso;
- mostrar consulta, filtros y actualización en cada respuesta;
- probar preguntas adversarias, ambiguas y fuera de alcance;
- publicar para un grupo reducido e incorporar feedback trazable.
Empezar con un dominio reduce el riesgo y muestra dónde mejorar la calidad del dato. Después se añaden nuevos modelos semánticos y el agente aprende a dirigir cada pregunta al contexto correcto.
Del conocimiento a la acción
El mayor valor aparece cuando la respuesta entra en el proceso. Después de detectar clientes con menor uso, el usuario puede abrir una lista en el CRM o crear tareas. Esa acción requiere confirmación, reglas y permisos propios; consultar no implica poder modificar.
ProativaIA crea software a medida, aplicaciones empresariales y soluciones de IA y automatización. Podemos conectar ERP, CRM y data warehouse, modelar métricas y desarrollar un analista virtual seguro dentro de las herramientas que ya utiliza el equipo.