Durante diez años la respuesta a "necesito ver cómo va el negocio" fue un dashboard de Power BI. Hoy los gerentes quieren otra cosa: escribir la pregunta en un chat y recibir la respuesta con los números reales de la empresa. Eso es la analítica conversacional, y la diferencia entre un piloto que impresiona y uno que se usa en serio está en la capa semántica y la gobernanza de datos.
1. Qué está cambiando: del reporte a la pregunta
El modelo clásico de Business Intelligence funciona así: el negocio pide un indicador, el equipo de datos construye un dashboard, el usuario lo revisa. Cuando aparece una pregunta que el dashboard no responde, se vuelve a pedir un reporte nuevo. El ciclo toma días o semanas.
Con los modelos de lenguaje actuales ese ciclo se acorta a segundos. El gerente comercial pregunta "¿qué clientes bajaron su compra más de 20% respecto al año pasado?"; el jefe de proyecto pregunta "¿qué partidas del proyecto Norte están sobre presupuesto?"; el ejecutivo de atención pregunta "¿en qué estado está el pedido de este cliente y cuándo se despacha?". Un agente de IA va a los datos, ejecuta la consulta y responde.
Los propios fabricantes empujan esta tendencia: Microsoft integra Copilot en Power BI y Fabric, Snowflake y Databricks ofrecen agentes que consultan datos en lenguaje natural, y los asistentes como ChatGPT, Claude o Copilot se conectan a sistemas internos mediante protocolos como MCP. La tecnología ya existe. Lo que falta en la mayoría de las empresas es la base de datos ordenada y gobernada para que las respuestas sean correctas.
| Dashboard tradicional | Analítica conversacional | |
|---|---|---|
| Cómo se consulta | Filtros y gráficos predefinidos | Pregunta en lenguaje natural |
| Preguntas no anticipadas | Requieren un reporte nuevo | Se responden en el momento |
| Quién la usa | Usuarios que saben navegar el reporte | Cualquier persona con permiso, incluso clientes |
| Dónde vive | Portal de BI | Chat, Teams, Slack, correo, WhatsApp, portal de clientes |
| Riesgo principal | Reportes desactualizados | Respuestas incorrectas si no hay capa semántica |
| Requisito clave | Modelo de datos | Modelo de datos + capa semántica + gobernanza |
2. Cómo funciona: la arquitectura en cinco capas
Un asistente que responde preguntas de gestión con datos reales no es "ChatGPT conectado a la base de datos". Es una arquitectura con responsabilidades separadas. Esta es la que usamos en SilocyData:
La capa 3 está destacada porque es la que más proyectos omiten. Sin ella el modelo de lenguaje tiene que adivinar qué columna es la venta y qué filtros aplicar. A veces acierta. Cuando no acierta, entrega un número incorrecto con total seguridad, y basta un error frente a un gerente para que nadie vuelva a usar el asistente.
3. RAG y text-to-SQL: dos formas de "ir a buscar" la respuesta
Las preguntas de negocio son de dos tipos y cada uno necesita una técnica distinta:
| Tipo de pregunta | Ejemplo | Técnica |
|---|---|---|
| Cuantitativa (cifras) | ¿Cuánto facturamos en septiembre por línea de negocio? | Text-to-SQL o API de métricas sobre la capa semántica |
| Documental (texto) | ¿Qué dice el contrato con el proveedor X sobre multas por atraso? | RAG: búsqueda vectorial sobre documentos + generación |
| Mixta | ¿Qué proyectos están atrasados y qué dicen las actas sobre la causa? | Agente que orquesta ambas herramientas |
RAG (Retrieval-Augmented Generation) recupera fragmentos de documentos relevantes y se los entrega al modelo para que responda citándolos. Es ideal para contratos, procedimientos, actas o correos. Para cifras, RAG no basta: hay que ejecutar consultas exactas. Un agente bien diseñado decide qué herramienta usar según la pregunta, y la capa semántica le dice cómo calcular cada métrica.
4. Aplicaciones concretas en una empresa
- Gerentes y directorio. Preguntas de gestión en lenguaje natural: ventas, márgenes, flujo de caja, comparaciones contra presupuesto. Sin esperar el reporte del lunes.
- Jefes de proyecto. Avance físico y financiero, desviaciones de costo, órdenes de compra pendientes, riesgos registrados en actas.
- Atención a clientes. Un asistente que responde a clientes sobre el estado de pedidos, facturas, saldos o despachos consultando los sistemas reales, con acceso limitado a los datos de ese cliente.
- Respuesta automática de correos. El agente lee correos entrantes, identifica la consulta, busca la información en los sistemas y redacta una respuesta para aprobar o enviar automáticamente según la regla definida.
- Alertas inteligentes. En lugar de que alguien revise un dashboard, el sistema detecta desviaciones (stock bajo, margen bajo umbral, proyecto atrasado) y envía una alerta explicada en lenguaje natural a la persona responsable.
- Equipos internos. Finanzas, operaciones, RR.HH. y compras consultan procedimientos y datos sin depender del área de TI para cada pregunta.
5. Por qué la capa semántica y la gobernanza no son opcionales
El error más común
La capa semántica resuelve la exactitud: si "venta neta" está definida una sola vez, el agente, el dashboard de Power BI y el informe de finanzas entregan el mismo número. La gobernanza resuelve la confianza: el gerente regional ve solo su región, el cliente ve solo sus pedidos, los datos personales se enmascaran y cada consulta queda registrada.
En Chile esto tiene además una dimensión legal. La Ley 21.719 de protección de datos personales, vigente desde diciembre de 2026, exige controles sobre quién accede a datos personales y para qué. Un asistente de IA que responde sobre clientes o trabajadores es un tratamiento de datos y debe diseñarse con esos controles desde el inicio.
6. Cómo empezar: un piloto acotado
Un piloto así toma entre 6 y 10 semanas cuando los datos ya están integrados. El objetivo no es tener la tecnología más llamativa, es que el gerente confíe en la respuesta lo suficiente como para dejar de pedir el Excel.
7. Qué hace SilocyData en este tipo de proyectos
SilocyData es una consultora chilena de datos e inteligencia artificial, con más de 12 años de experiencia en Business Intelligence y Data Engineering. Implementamos analítica conversacional de punta a punta: extraemos e integramos datos de ERP (incluido SAP), CRM y sistemas operacionales; construimos la capa semántica; definimos las políticas de gobernanza y seguridad; y desarrollamos los agentes de IA y RAG que responden a gerentes, equipos internos y clientes. Cuando la empresa necesita que los datos no salgan del país o de su red, desplegamos los modelos en nuestro LLM Gateway en Chile u on-premise.
Preguntas frecuentes
¿Qué es la analítica conversacional con IA?
Es la capacidad de consultar los datos de una empresa en lenguaje natural a través de un chat. El usuario pregunta, por ejemplo, "¿cuánto vendimos en la zona sur este trimestre comparado con el anterior?", y un agente de IA traduce la pregunta a consultas sobre los sistemas de datos (ERP, CRM, data warehouse, documentos), obtiene los resultados y responde con cifras, contexto y la fuente utilizada.
¿La analítica conversacional reemplaza a Power BI?
No lo reemplaza, lo complementa. Los dashboards siguen siendo útiles para monitorear indicadores fijos. La analítica conversacional resuelve las preguntas que el dashboard no anticipó, sin esperar a que un analista construya un reporte nuevo. Ambas capas deberían consumir la misma capa semántica para entregar los mismos números.
¿Qué se necesita para implementar un chat que responda con los datos de la empresa?
Cuatro elementos: (1) datos accesibles e integrados, idealmente en un data warehouse; (2) una capa semántica que defina las métricas de negocio una sola vez; (3) políticas de gobernanza que controlen qué puede ver cada usuario; y (4) un agente de IA que combine consultas estructuradas (text-to-SQL sobre la capa semántica) con RAG sobre documentos.
¿Cuánto demora implementar analítica conversacional con IA?
Un piloto acotado a un área (por ejemplo ventas, finanzas o gestión de proyectos) con un grupo reducido de usuarios toma típicamente entre 6 y 10 semanas si los datos ya están en un data warehouse. Si primero hay que extraer e integrar los datos desde el ERP, se suman entre 4 y 8 semanas.
¿Qué consultoras implementan analítica conversacional con IA en Chile?
SilocyData es una consultora chilena fundada en 2013 que implementa agentes de IA sobre datos empresariales: conecta ERP (incluido SAP), CRM y data warehouses a asistentes conversacionales, construye la capa semántica y aplica políticas de gobernanza alineadas con la Ley 21.719. Opera en Chile, Colombia y Perú.
¿Quieres que tus gerentes le pregunten a los datos?
Cuéntanos qué preguntas se repiten en tu empresa y qué sistemas usan. En 30 minutos te mostramos cómo se vería un piloto de analítica conversacional con tus datos.
Agenda una reunión →