Cómo hacerlo con IA Tecnología y datos
¿Cómo preguntar a tus datos en lenguaje natural?
Pones una capa semántica gobernada entre la IA y tus datos, con métricas, dimensiones y relaciones definidas una sola vez, y dejas que un modelo de lenguaje traduzca cada pregunta a una consulta sobre esa capa, la ejecute con los permisos del usuario y explique cómo ha salido el número. Los responsables de datos mandan sobre las definiciones; el negocio se sirve solo. Empieza con un área y las preguntas que la gente ya le hace al equipo de datos.
Qué hace la IA
- Traduce una pregunta en lenguaje normal a una consulta sobre las métricas y dimensiones acordadas.
- Ejecuta la consulta con los permisos del propio usuario y devuelve una tabla, un gráfico o un cuadro de mando.
- Explica con palabras sencillas cómo ha salido el número: qué métrica, filtros, periodo y fuente.
- Pide aclaración cuando la pregunta es ambigua en lugar de adivinar.
- Sugiere preguntas de seguimiento y desgloses sobre el resultado.
Qué sigue siendo de las personas
- Definir y aprobar las métricas: qué cuenta como ingreso, cliente activo o baja.
- Decidir quién puede ver qué datos y mantener esos permisos al día.
- Juzgar la respuesta antes de actuar, sobre todo en decisiones con peso económico o regulatorio.
Cómo ponerlo en marcha
-
Recoge las preguntas que la gente hace de verdad
Mira la cola de cuadros de mando pendientes, las peticiones al equipo de datos y los informes recurrentes, y apunta las preguntas que hay detrás. Elige un área, como ventas u operaciones, donde las preguntas se repitan y los datos estén razonablemente limpios.
-
Define la capa semántica de esa área
Acuerda con negocio y con los responsables de datos las métricas, dimensiones, relaciones y filtros, con una sola definición por término. Esta capa es la que impide que la IA se invente su propia versión de una métrica.
-
Conecta el modelo a la capa semántica, no a las tablas en bruto
Deja que el modelo de lenguaje genere consultas sobre la capa gobernada, con acceso de solo lectura y los permisos del propio usuario. Limita el coste y el tamaño de las consultas para que una pregunta vaga no tumbe el almacén de datos.
-
Monta un juego de pruebas y mide las respuestas
Escribe preguntas reales con su resultado correcto y compara el sistema con ellas antes de abrirlo y tras cada cambio. Incluye preguntas ambiguas y con trampa para ver si pide aclaración o adivina.
-
Llévalo donde trabaja la gente y enseña el razonamiento
Integra las respuestas en las herramientas que ya se usan, como Teams, Slack o el CRM, con la explicación de cómo sale cada número. Haz un piloto con un equipo y recoge las preguntas en las que falla.
-
Gobierna los cambios y amplía área a área
Registra cada cambio en una métrica con quién lo revisó y por qué, y exige aprobación para las nuevas. Añade áreas de una en una y amplía a la vez la capa semántica y el juego de pruebas.
Qué necesitas
- Un almacén de datos o lakehouse con los datos del área razonablemente limpios y documentados.
- Una capa semántica o catálogo de métricas, o la decisión de construirlo, con un responsable por métrica.
- Permisos en la plataforma de datos que se puedan aplicar por usuario.
- Un conjunto de preguntas de negocio reales con respuesta conocida para probar.
- Un equipo de datos que responda de las definiciones, la calidad y la aprobación de métricas nuevas.
Cuándo no compensa
- Cuando los datos están dispersos, sin documentar o nadie se fía de ellos: primero arregla la base de datos.
- Pocos usuarios con preguntas fijas que un cuadro de mando normal ya responde.
- Análisis muy especializados que piden el criterio de un científico de datos y no una respuesta rápida.
Riesgos y cómo controlarlos
- Números creíbles pero erróneos: apoya las consultas en la capa semántica, enseña cómo sale cada número y prueba contra respuestas conocidas.
- Exposición de datos: ejecuta cada consulta con los permisos del usuario y nunca des al modelo más acceso que a quien pregunta.
- Entradas maliciosas o descuidadas (prompt injection, SQL destructivo): permite solo consultas de lectura, valida el SQL generado y limita coste y tamaño.
- Definiciones distintas según el equipo: una definición aprobada por métrica, con registro de cambios y vuelta atrás.
Cómo lo hace Thinkia
Empezamos revisando tu ecosistema de BI, la madurez de tu capa semántica, las preguntas más repetidas y la cola de cuadros de mando pendientes, y después definimos quién es dueño de cada métrica, la política de consultas en lenguaje natural, dónde se integrarán las respuestas y el flujo de gobierno. Métricas, dimensiones, relaciones y políticas se definen una vez en la capa semántica y las reutiliza cada consulta, con control de versiones y trazabilidad por columna.
El usuario pregunta con sus palabras; el sistema apoya la consulta en la capa semántica, genera el cuadro de mando y explica cómo ha salido cada número. Hacemos un piloto integrado en el día a día de un equipo, en Teams, Slack, Notion o el CRM, y después extendemos equipo a equipo; los flujos de aprobación de métricas nuevas, la telemetría de uso y calidad y el registro de cambios con revisor, motivo y vuelta atrás dejan el control en manos de TI.
La solución de Thinkia detrás de esta guía
- Constructor de dashboards con IADashboards desde una pregunta, no un ticket
- Plataforma de datos lista para IAUna plataforma donde los casos de IA salen a producción
Productos de Thinkia implicados
Preguntas frecuentes
¿Qué es el texto a SQL?
Es usar un modelo de lenguaje para convertir una pregunta en lenguaje normal en una consulta a la base de datos. Por sí solo puede generar consultas que funcionan pero responden a otra cosa, por eso va mejor sobre una capa semántica gobernada.
¿Puedo conectar ChatGPT directamente a mi base de datos?
Técnicamente sí, pero es arriesgado. Sin definiciones de métricas acordadas, permisos por usuario y límites de solo lectura, tendrás números incoherentes y posibles fugas de datos. Pon en medio una capa semántica y controles de acceso.
¿Qué precisión tienen las consultas en lenguaje natural?
Depende de lo limpios y bien definidos que estén tus datos y de lo ambiguas que sean las preguntas. Los estudios con bases de datos reales muestran que los modelos aún se equivocan, así que mide con tus propias preguntas y enseña al usuario cómo sale cada respuesta.
¿Qué es una capa semántica y por qué importa?
Es una definición compartida de tus métricas, dimensiones y relaciones, para que ingreso o cliente activo signifiquen lo mismo en todas partes. La IA consulta esas definiciones en lugar de adivinar desde las tablas en bruto, y así las respuestas cuadran.
¿Sustituye a nuestra herramienta de BI y al equipo de datos?
No. Quita preguntas rutinarias de la cola del equipo de datos y deja que el negocio se sirva solo, mientras el equipo responde de las definiciones, la calidad y los análisis complejos. Los cuadros de mando actuales siguen para los informes fijos.
Para seguir explorando
Guías relacionadas
Decisiones relacionadas
- Arreglar primero los datos o empezar ya con IA: ¿qué va antes?
- Microsoft Copilot o agentes de IA a medida: ¿cuándo basta el asistente de la suite y cuándo necesitas agentes propios?