La IA puede analizar tus datos. Pero ¿puede sostener las decisiones de tu organización?

Cada vez me encuentro más situaciones parecidas en las empresas. Una persona exporta información del ERP, del CRM o de una hoja de cálculo, la carga en ChatGPT, Claude, Gemini o alguna herramienta similar y, en pocos minutos, obtiene un resumen, identifica patrones, crea gráficos y llega a algunas conclusiones. Y el resultado puede ser realmente bueno.

En concreto, esta semana, el CEO de una empresa, para trasladarme cómo le gustaría ver el dashboard de entrada, construyó uno con Claude que al final hemos desplegado en Power BI. Esto es lo que ha provocado la reflexión para escribir este post. Sí, ayudado por mis compis artificiales ya que la moraleja es que debemos complementar y mejorar lo que tenemos con la IA y no pensar en remplazar (vaya, un espóiler).

La IA generativa ha reducido enormemente la barrera de entrada al análisis. Permite que personas sin conocimientos de SQL, DAX, estadística o visualización exploren sus datos mediante preguntas formuladas en lenguaje natural. Esto no es una promesa de futuro. Ya está ocurriendo.

El problema comienza cuando confundimos la capacidad de analizar unos datos en un momento concreto con la existencia de un sistema de análisis preparado para sostener la toma de decisiones de una organización. Porque obtener una respuesta no es lo mismo que construir una capacidad analítica organizativa: recurrente, compartida, gobernada, trazable y segura.

Analizar un fichero no equivale a desplegar una plataforma de análisis

Un modelo de IA puede ayudarnos a responder preguntas como:

• ¿Qué productos han reducido más sus ventas?
• ¿Qué clientes presentan comportamientos atípicos?
• ¿Qué relación parece existir entre el precio y el volumen vendido?
• ¿Cómo podría representar gráficamente esta información?
• ¿Qué conclusiones iniciales se pueden extraer de estos datos?

Para una exploración puntual, la velocidad y la facilidad de uso son difíciles de superar.

Pero cuando ese análisis empieza a repetirse, compartirse o utilizarse para tomar decisiones relevantes, aparecen otras preguntas:

• ¿De dónde proceden exactamente los datos?
• ¿Están completos y actualizados?
• ¿Se ha utilizado el mismo criterio que el mes anterior?
• ¿Todo el mundo entiende igual conceptos como venta, margen o cliente activo?
• ¿Dos personas obtendrían el mismo resultado ante la misma pregunta?
• ¿Quién puede acceder a la información?
• ¿Queda registrado cómo se ha elaborado la conclusión?
• ¿Podemos reproducir el análisis dentro de seis meses?

Estas preguntas no cuestionan la capacidad analítica de la IA. Cuestionan si el proceso está suficientemente controlado para convertirse en una forma habitual de dirigir el negocio.

El riesgo no es únicamente que la IA se equivoque

Cuando se habla de inteligencia artificial, muchas veces el debate se centra en las alucinaciones o en la posibilidad de que el modelo genere una respuesta incorrecta. Ese riesgo existe, pero, en este contexto, no es el único ni necesariamente el más importante.

El problema más frecuente es que el análisis quede aislado en una conversación personal, construido sobre una exportación cuya procedencia no está suficientemente documentada y mediante instrucciones que no forman parte de ningún proceso corporativo. El resultado puede ser correcto y, aun así, no ser sostenible.

No existe una definición compartida del negocio

Dos personas pueden utilizar exportaciones diferentes, formular preguntas distintas o interpretar de manera diferente una misma métrica. Una puede calcular el margen sobre ventas netas. Otra, sobre ventas brutas. Una puede excluir devoluciones. Otra puede mantenerlas. Ambas pueden recibir una respuesta convincente. El problema no es que una herramienta calcule mal. El problema es que la organización no ha acordado previamente qué significa aquello que quiere medir.

El análisis no está sistematizado

Una conversación puede resolver una pregunta hoy, pero no necesariamente actualiza esa respuesta mañana. Alguien deberá volver a extraer los datos, cargarlos, explicar el contexto y formular de nuevo las preguntas. El conocimiento queda vinculado a una persona y a una conversación, en lugar de integrarse en un proceso recurrente.

La trazabilidad es limitada

En una plataforma analítica debería ser posible conocer:

• cuál es la fuente de un dato;
• qué transformaciones se han aplicado;
• cómo se calcula cada indicador;
• cuándo se actualizó;
• quién puede consultarlo;
• y qué versión de la lógica estaba vigente en cada momento.

Cuando el análisis se realiza de forma informal sobre ficheros exportados, esta trazabilidad suele perderse.

El dato puede abandonar el entorno controlado

Copiar información comercial, financiera, operativa o personal en servicios no aprobados por la organización puede introducir riesgos de seguridad, privacidad y cumplimiento. No significa que todos los servicios de IA sean inseguros. Muchos disponen de entornos empresariales, controles de privacidad y compromisos específicos sobre el uso de los datos.

Pero la seguridad no depende solamente de la herramienta. Depende también de cómo se configura, qué modalidad se contrata, quién tiene acceso, qué información se carga y qué políticas ha establecido la organización.

Lo que aporta una plataforma de Business Analytics como Power BI & Fabric

Una plataforma basada en Power BI y, cuando el contexto lo requiere, Microsoft Fabric, aborda un problema diferente. No pretende únicamente responder una pregunta. Pretende conseguir que las respuestas relevantes para el negocio se construyan de forma consistente, se actualicen de manera recurrente y puedan ser utilizadas con confianza por toda la organización. Esto requiere mucho más que diseñar un dashboard. No hablamos de tecnología, hablamos de cómo dar respuesta a la necesidad de conociiento.

Una fuente de información controlada

Los datos no deberían depender de exportaciones manuales realizadas por cada usuario. Una plataforma analítica conecta con los sistemas de origen, aplica procesos de integración y transformación y establece una secuencia controlada desde el dato operativo hasta el indicador que se utiliza para decidir.

ERP, CRM, aplicaciones sectoriales, hojas de cálculo y otras fuentes pueden integrarse dentro de un flujo común.

Una definición compartida de las métricas

El valor de un modelo semántico no está solamente en organizar tablas y relaciones. Su principal aportación es traducir el dato técnico al lenguaje del negocio. Conceptos como facturación, margen, cartera, rotación, cobertura de stock o cliente activo se definen una vez, se validan con sus responsables y se reutilizan posteriormente en informes, cuadros de mando y análisis.

La denominada verdad única no aparece por instalar Power BI. Se construye mediante acuerdos, responsabilidades, reglas de negocio y modelos semánticos gobernados. Esto permite darle el contexto necesario tanto a la organización como a los agentes y modelos de IA.

Un análisis repetible

Cuando los datos se actualizan, los indicadores y las visualizaciones se recalculan siguiendo las mismas reglas. No es necesario reconstruir el análisis cada semana ni recordar qué filtros se utilizaron la última vez. Esto permite comparar periodos, analizar evoluciones y detectar desviaciones sabiendo que la metodología se ha mantenido estable.

Seguridad integrada

Power BI & Fabric permite establecer permisos sobre espacios de trabajo, aplicaciones, informes, modelos y datos. Mediante mecanismos como la seguridad a nivel de fila, diferentes usuarios pueden consultar el mismo informe y visualizar exclusivamente la información que les corresponde.

La seguridad deja de depender de quién recibió una copia de un fichero y se incorpora al diseño de la solución. Y lo que es más importante, viaja a los modelos cuando se utilizan para preguntar a los modelos en un análisis profundo cuyas preguntas aun no han sido establecidas en los informes.

Distribución y escalabilidad

Un análisis deja de estar encerrado en el ordenador o en el historial de conversaciones de una persona. Puede distribuirse de manera controlada, integrarse en los procesos habituales de la organización y llegar a distintas áreas sin multiplicar versiones del mismo informe. El análisis compartido genera un conocimiento exponencial.

Power BI & Fabric tampoco resuelve el problema por sí solo

Conviene evitar una conclusión sesgada, mi mundo tecnológico hasta hace poco ha sido Power BI & Fabric en el ámbito del análisis de datos, pero eso no puede nublarme la realidad: desplegar Power BI & Fabric no garantiza automáticamente una cultura de análisis sólida.

También es posible construir una situación desordenada dentro de Power BI:

• múltiples informes que calculan de forma diferente los mismos indicadores;
• modelos semánticos duplicados;
• hojas de cálculo utilizadas como fuentes no controladas;
• permisos excesivos;
• informes sin responsable;
• métricas cuyo significado nadie ha documentado;
• o cuadros de mando que se publican y dejan de mantenerse.

La tecnología es una parte de la solución. Para que una plataforma analítica sea sostenible también hacen falta gobierno, responsables del dato, criterios compartidos, control de calidad, documentación, formación y un proceso de evolución.

La diferencia es que una plataforma como Power BI & Fabric proporciona la arquitectura necesaria para implantar esos mecanismos. Una conversación aislada con un modelo de IA, por sí sola, no está diseñada para hacerlo, y en ese punto es donde entra en juego los Agentes de Datos de Fabric (ver post Fabric Data Agent: análisis de datos en lenguaje natural con Microsoft Fabric).

No se trata de elegir entre Power BI y la IA

Plantear el debate como una elección entre dashboards e inteligencia artificial sería quedarse en la superficie y dividir que parece que es la moda. Como la mayoría de cosas en la vida, las dos aproximaciones responden a necesidades diferentes, se complementan y potencian el crecimiento, es decir, 1+1>2.

Power BI aporta una base sistematizada:

• datos integrados;
• métricas compartidas;
• modelos semánticos;
• seguridad;
• actualización;
• trazabilidad;
• distribución;
• y una visión recurrente del negocio.

La IA (especialmente en este entorno con Agentes de DAtos Fabric) aporta una nueva forma de interactuar con esa base:

• permite formular preguntas en lenguaje natural;
• facilita explorar causas;
• ayuda a resumir información;
• propone nuevas perspectivas;
• identifica patrones que quizá no estaban contemplados en un informe;
• y reduce la distancia entre el dato y el usuario de negocio.

El mayor valor aparece cuando ambas capacidades se combinan, algo que podemos desplegar con Power BI & Fabric, es decir, con modelos semánticos de Power BI y Agentes de Datos de Fabric.

Primero sistematizar; después, conversar

La IA puede convertirse en una capa de exploración sobre una plataforma analítica gobernada. En lugar de cargar manualmente un fichero y explicar en cada conversación qué significa cada columna, el usuario puede preguntar sobre un modelo semántico que ya contiene:

• métricas validadas;
• relaciones correctamente definidas;
• descripciones de negocio;
• jerarquías;
• permisos;
• dimensiones compartidas;
• e información actualizada.

La pregunta deja de formularse sobre un conjunto de datos improvisado y pasa a realizarse sobre una representación consensuada del negocio. Además, la seguridad y las reglas de acceso pueden mantenerse durante la interacción. Dos usuarios pueden preguntar lo mismo, pero cada uno recibirá únicamente la información que tiene autorización para consultar.

En este escenario, la IA no sustituye la plataforma analítica, la amplía. Power BI proporciona el terreno firme, la IA permite recorrerlo de una forma más flexible, natural y accesible.

Del cuadro de mando cerrado al análisis ampliado

Los dashboards tradicionales tienen una limitación evidente: normalmente responden a las preguntas que alguien anticipó durante su diseño. ¿Qué ocurre cuando el usuario quiere investigar una desviación que no estaba prevista? ¿O comparar dos segmentos que no aparecen juntos en ninguna página? ¿O conocer las causas posibles de una evolución?

Hasta ahora, estas preguntas solían terminar en una nueva petición al equipo de datos, una exportación a Excel o la creación de otro informe. La IA puede reducir esa dependencia. Un cuadro de mando puede seguir mostrando de manera estable los indicadores que la organización necesita revisar periódicamente. Al mismo tiempo, una capa conversacional puede permitir explorar preguntas adicionales sin abandonar el modelo de datos gobernado.

De esta manera se combinan dos formas de análisis:

• El análisis sistematizado, que garantiza que las preguntas recurrentes se respondan siempre con los mismos criterios.

• El análisis exploratorio, que permite investigar situaciones nuevas, formular hipótesis y profundizar en las causas.

No deben competir entre sí, una organización necesita ambos.

Una señal positiva que conviene interpretar correctamente

Cuando los profesionales de una empresa empiezan a cargar datos en herramientas de IA para analizarlos, no siempre debe interpretarse únicamente como un riesgo. También revela algo importante: existe interés por comprender mejor el negocio.

Hay preguntas que los informes actuales no están respondiendo. Hay usuarios que quieren mayor autonomía. Hay una demanda de análisis que quizá los sistemas existentes no están cubriendo. Prohibir esas herramientas sin ofrecer una alternativa difícilmente eliminará esa necesidad. La respuesta debería ser canalizarla. Es el momento de preguntarse:

• qué información necesita realmente cada área;
• qué indicadores deben definirse de forma corporativa;
• qué fuentes deben integrarse;
• qué modelos semánticos deben construirse;
• qué datos pueden utilizarse con IA;
• bajo qué condiciones;
• y cómo puede incorporarse una experiencia conversacional sin perder gobierno ni seguridad.

Conclusión

ChatGPT, Claude, Gemini y otras herramientas están demostrando que el análisis puede ser más accesible, rápido y natural. En concreto, para una adopción rápida los Agentes de Datos de Fabric permiten desplegar análisis conversacional de manera natural.

Su capacidad para explorar datos, generar visualizaciones y proponer interpretaciones tiene un valor incuestionable. Pero una organización no construye una cultura de análisis acumulando buenas conversaciones individuales. La construye cuando sus datos están integrados, las métricas son compartidas, los criterios son reproducibles, la seguridad está incorporada y las conclusiones pueden convertirse en procesos recurrentes.

Power BI & Fabric y las plataformas de Business Analytics no deberían concebirse como una alternativa defensiva frente a la inteligencia artificial. Son los cimientos que permiten utilizar la IA con mayor confianza. Porque la IA puede ayudarnos a formular nuevas preguntas y descubrir nuevas respuestas. Pero para tomar decisiones de manera consistente, toda la organización debe preguntar sobre la misma realidad.

TSBi a través de la plataforma Power BI & Fabric ha diseñado una metodología para desplegar análisis conversacional exploratorio con lenguaje natural a través de los modelos semánticos de Power BI y los Agentes de Datos de Fabric que permite una adopción rápida aportando un valor a las direcciones para el conocimiento del negocio autónomo, rápido y flexible. Mas información de la metodología