Podcast - Analítica conversacional y agentes de IA: ¿el fin de los dashboards tradicionales?

Durante años, uno de los grandes objetivos de la analítica digital ha sido democratizar el acceso al dato. Los dashboards y las herramientas de visualización permitieron que cada vez más personas pudieran consultar información sin depender constantemente de un equipo técnico.

Pero, ¿hasta qué punto hemos conseguido realmente esa democratización?

En muchas compañías, responder a una pregunta aparentemente sencilla sigue implicando abrir un dashboard, aplicar filtros, cruzar dimensiones, cambiar rangos de fechas y navegar entre diferentes gráficos.

Y cuando, después de todo ese proceso, no queda claro de dónde viene un dato o qué significa exactamente, la última opción suele ser recurrir al analista. La llegada de los agentes de inteligencia artificial plantea un escenario diferente: pasar de una analítica basada en hacer clics a una analítica basada en conversar.

¿Y si pudiéramos hablar con nuestros datos?

Imaginemos a una persona responsable de marketing que llega un lunes por la mañana y detecta que las ventas de la semana anterior han caído. Hasta ahora, probablemente acudiría a su dashboard habitual para intentar descubrir qué ha ocurrido.

Podría analizar las ventas por país, dispositivo, canal o campaña hasta encontrar alguna pista. Y, si no consigue llegar a una conclusión, terminaría preguntando al equipo de analítica.

En un escenario de analítica conversacional, la interacción sería muy diferente. Bastaría con preguntar: “¿Por qué han caído las ventas esta semana?”

El agente podría analizar los datos y devolver una respuesta contextualizada: identificar dónde se concentra la caída, relacionarla con otros acontecimientos y proponer nuevas líneas de análisis.

La conversación podría continuar con preguntas como: “¿y qué campañas estaban funcionando en ese canal?” o “¿cómo se compara con el mismo periodo del mes anterior?” El dato deja de ser algo que el usuario tiene que ir a buscar y se convierte en algo con lo que puede conversar.

Esto no significa que los dashboards vayan a desaparecer. Seguirán siendo útiles para monitorizar indicadores y consultar de un vistazo la evolución de los principales KPI. Lo que cambia es que dejan de ser la única puerta de entrada a la información.

El verdadero reto está detrás del chatbot

A primera vista, poner una interfaz conversacional delante de los datos puede parecer suficiente. Sin embargo, existe un problema fundamental: los modelos de IA no conocen por defecto la lógica de negocio de una organización.

Una pregunta como “¿cuántos ingresos hemos tenido el último mes?” parece sencilla, pero puede tener diferentes interpretaciones. ¿Hablamos de pedidos realizados, de ingresos cobrados, de ingresos netos después de las devoluciones?

Una persona que trabaja dentro de la compañía conoce la definición que se utiliza internamente. Un modelo de IA, si no recibe ese contexto, puede elegir una interpretación diferente y generar una consulta técnicamente correcta que produzca un resultado conceptualmente equivocado. Y aquí aparece la importancia de la capa semántica.

Esta capa funciona como un diccionario común de la empresa: establece qué significa cada métrica y concepto de negocio y permite que todos los sistemas utilicen las mismas definiciones. Conceptos como “cliente activo”, “venta neta” o “usuario” dejan de depender de la interpretación de cada departamento.

Herramientas como Looker trabajan precisamente con esta filosofía, centralizando las definiciones y reglas de negocio para que las consultas se realicen sobre un contexto común y auditado.

Porque si cada departamento entiende algo diferente por “cliente activo”, la inteligencia artificial no va a solucionar el problema. Por eso, el reto de la analítica con agentes no está únicamente en incorporar un chatbot, está en construir la gobernanza que permite que ese agente entienda correctamente el negocio.

Un chatbot no es un agente analítico

También conviene distinguir entre una interfaz conversacional convencional y un verdadero agente especializado en analítica. Un chatbot puede mantener una conversación y generar respuestas a partir de su conocimiento previo, pero un agente analítico necesita algo más: capacidad de ejecución y acceso controlado a los datos reales de la organización.

Esto implica conectarse a las APIs de las herramientas de analítica, comprender la estructura de los datos, realizar consultas, generar visualizaciones y, sobre todo, respetar los permisos asociados a cada usuario.

Ya existen ejemplos de esta evolución. El Model Context Protocol (MCP), por ejemplo, permite conectar modelos con servicios y fuentes de datos mediante un estándar común. En el ámbito de la analítica ya existen implementaciones orientadas a herramientas como Google Analytics 4.

Por otro lado, plataformas como Looker están incorporando capacidades de analítica conversacional y agentes conectados con BigQuery, permitiendo mantener conversaciones de varios turnos sobre los datos sin perder el contexto ni saltarse los permisos establecidos.

La diferencia fundamental podría resumirse así: un chatbot conversa sobre información, un agente analítico trabaja con los datos.

De la pregunta al análisis

El potencial de este enfoque no está únicamente en poder formular preguntas en lenguaje natural, está en cambiar la propia dinámica de análisis.

Una interacción podría comenzar con una pregunta sencilla sobre la evolución de las ventas y continuar profundizando progresivamente en los datos. El usuario no necesita conocer SQL, saber cómo están estructuradas las tablas ni recordar qué filtros debe aplicar.

Lo mismo ocurre con un funnel de conversión. En lugar de abrir diferentes informes y comparar manualmente los periodos, el usuario podría preguntar cómo ha funcionado el funnel este mes respecto al anterior y continuar investigando dónde se está produciendo la pérdida de usuarios.

Para que esta experiencia sea realmente útil, debería reunir tres características: hablar el lenguaje del negocio, mantener el contexto de la conversación y ser capaz de proponer nuevas líneas de análisis.

La analítica deja así de limitarse a responder “qué ha ocurrido” y empieza a ayudar a explorar “por qué ha ocurrido” y “qué deberíamos analizar después”.

La confianza será el gran desafío

Hay, sin embargo, una condición imprescindible para que este escenario funcione: confiar en las respuestas. Una respuesta generada por IA puede sonar perfectamente convincente y ser completamente incorrecta. Y en analítica, una sola cifra incorrecta puede ser suficiente para que un usuario deje de confiar en todo el sistema.

Los errores pueden aparecer por diferentes motivos: una métrica puede estar mal definida, un rango temporal puede interpretarse incorrectamente o pueden mezclarse fuentes de información que utilizan conceptos diferentes.

También existe un riesgo especialmente delicado: los permisos. Un agente que no herede correctamente las políticas de seguridad podría proporcionar a un usuario información que no debería poder consultar.

Por eso, la confianza no puede basarse en asumir que el agente siempre tiene razón, es necesario establecer mecanismos de validación y auditoría continua.

Una posibilidad es disponer de un conjunto de preguntas críticas cuya respuesta ya conocemos y utilizarlas periódicamente para comprobar que el sistema continúa funcionando correctamente. A esto debe sumarse la supervisión humana y una gestión adecuada de permisos y definiciones.

El perfil de analista no desaparece: cambia su papel

La llegada de agentes de IA a la analítica también plantea una pregunta inevitable: ¿qué ocurrirá con los/as analistas? El escenario que plantea esta evolución no pasa necesariamente por su desaparición, sino por una transformación profunda de sus funciones.

Una parte importante del trabajo actual de los equipos de analistas está relacionada con tareas repetitivas: construir informes, modificar dashboards, exportar datos o responder periódicamente a las mismas preguntas.

Si los agentes pueden asumir parte de ese trabajo, el/la analista puede dedicar más tiempo a actividades donde realmente aporta valor: comprender el negocio, definir métricas, establecer relaciones entre datos y garantizar que la información utilizada por los sistemas de IA es correcta.

El perfil puede evolucionar hacia una especie de arquitecto/a de la información, responsable de construir y mantener el contexto que necesitan los agentes para trabajar correctamente. Eso incluye definir los diccionarios de datos, documentar las reglas de atribución, validar las métricas y auditar las respuestas generadas por los sistemas.

El valor del analista deja así de medirse únicamente por el número de dashboards que construye y pasa a estar relacionado con la calidad del conocimiento y del contexto que proporciona a las máquinas.

De la analítica de clics a la analítica conversacional

La analítica con agentes de IA todavía plantea importantes retos técnicos y de gobernanza, pero apunta hacia una evolución significativa en la forma de relacionarnos con los datos. Los dashboards seguirán teniendo su espacio.

Las herramientas tradicionales de analítica no desaparecen, sino que pueden convertirse en una pieza más dentro de una experiencia mucho más amplia.

El cambio fundamental está en la interfaz y, sobre todo, en la autonomía que puede adquirir el usuario. En lugar de tener que aprender a utilizar una herramienta para encontrar el dato, podrá formular directamente la pregunta que necesita resolver.

Pero para que esto funcione, no basta con añadir IA a las plataformas de analítica. Es necesario contar con definiciones de negocio comunes, datos de calidad, permisos bien gestionados, mecanismos de validación y profesionales capaces de gobernar todo ese ecosistema.

El escenario ideal no es una IA que sustituya al analista. Es uno en el que la IA se encarga de explorar, consultar y preparar información, mientras las personas pueden dedicar más tiempo a interpretar los resultados, plantear nuevas preguntas y tomar decisiones.