Una demo de "chat con tus datos" se arma en una tarde. Un asistente que el gerente de finanzas usa para tomar decisiones toma bastante más, y casi todo ese trabajo está en un lugar que no se ve en la demo: la capa semántica.
1. El problema: el modelo de lenguaje no conoce tu negocio
Imagina la pregunta "¿cuál fue el margen de la línea industrial en agosto?". Para responderla correctamente hay que saber qué tabla tiene las ventas, que las notas de crédito restan, que el costo viene de otra tabla, que "línea industrial" agrupa ciertos códigos de material, que agosto es período contable y no fecha de despacho, y que hay que excluir ventas entre empresas relacionadas.
Ninguna de esas reglas está escrita en el nombre de una columna. Un modelo de lenguaje que genera SQL directamente sobre el ERP las adivina. Algunas veces acierta. Otras veces suma las notas de crédito, usa la fecha equivocada o incluye ventas intercompañía, y responde con un número que se ve perfectamente razonable.
Ese es el riesgo real de la IA sobre datos: no que diga "no sé", sino que entregue con seguridad una cifra equivocada a quien toma decisiones.
2. Qué hace la capa semántica
| Función | Sin capa semántica | Con capa semántica |
|---|---|---|
| Definir métricas | Cada consulta reinventa la fórmula | "Margen bruto" se define una vez y se reutiliza |
| Nombres de negocio | VBRK, NETWR, BUKRS | Factura, Valor neto, Sociedad |
| Relaciones | El modelo deduce los joins | Joins declarados y probados |
| Seguridad | Depende del prompt | Seguridad por fila aplicada en la consulta |
| Consistencia con BI | El chat y Power BI dan cifras distintas | Mismo número en chat, dashboard y Excel |
| Auditoría | SQL libre difícil de revisar | Consultas a métricas con nombre, fáciles de registrar |
En términos prácticos, la capa semántica cambia la tarea del agente. Ya no tiene que escribir SQL complejo; tiene que elegir la métrica, las dimensiones y los filtros correctos. Esa tarea es mucho más acotada y los modelos actuales la hacen bien. El cálculo lo ejecuta un motor determinístico.
3. Los componentes de una capa semántica lista para IA
4. Herramientas: qué usar según tu stack
| Herramienta | Cuándo conviene | Consumo desde IA |
|---|---|---|
| Modelo semántico Power BI / Fabric | Empresas con stack Microsoft y Power BI consolidado | Copilot en Power BI, agentes de datos de Fabric, API XMLA/DAX |
| dbt Semantic Layer (MetricFlow) | Data warehouse en BigQuery, Snowflake, Databricks o Postgres | API de métricas consumible por agentes propios |
| Cube | Se necesita una API semántica neutral para varias apps | API REST/SQL, integraciones con LLM |
| Snowflake semantic views / Cortex Analyst | Datos centralizados en Snowflake | Cortex Analyst responde en lenguaje natural |
| Databricks Unity Catalog metrics / Genie | Plataforma Databricks | Genie y agentes Mosaic AI |
Lo importante no es la herramienta sino el principio: las definiciones de negocio viven en un solo lugar, versionadas y probadas, y todo lo demás (dashboards, planillas, agentes) las consume. Si ya existe un buen modelo de Power BI, muchas veces es el punto de partida más rápido.
5. Errores frecuentes
- Poner el esquema completo en el prompt. Pegar cientos de tablas del ERP en el contexto del modelo no lo vuelve más preciso; lo confunde y encarece cada consulta.
- Definir métricas solo en el prompt. "Recuerda que la venta neta descuenta notas de crédito" funciona en la demo y falla en la pregunta número 50. Las reglas van en la capa semántica, no en instrucciones de texto.
- Tener una capa semántica para BI y otra para IA. Si el chat y el dashboard calculan distinto, el usuario deja de confiar en ambos.
- Omitir descripciones y sinónimos. Son la parte que convierte un modelo técnico en uno que la IA entiende.
- No medir exactitud. Sin un set de preguntas con respuesta conocida, no hay forma de saber si el agente mejora o empeora con cada cambio.
Regla práctica
6. Cómo lo trabajamos en SilocyData
En SilocyData construimos la capa semántica como parte de cada proyecto de analítica e IA: partimos de las preguntas reales del negocio, modelamos entidades y métricas con los usuarios clave, documentamos sinónimos y reglas, aplicamos seguridad por fila y armamos el set de pruebas. Esa misma capa alimenta los dashboards de Power BI y los agentes de IA, de modo que el chat y el reporte siempre entregan el mismo número.
Preguntas frecuentes
¿Qué es una capa semántica?
Es una capa entre los datos y quienes los consumen (dashboards, planillas, agentes de IA) que define de forma centralizada qué significa cada métrica y entidad del negocio: cómo se calcula la venta neta, qué es un cliente activo, cómo se relacionan pedidos, productos y centros de costo. Todas las herramientas usan esas mismas definiciones.
¿Por qué un agente de IA necesita una capa semántica?
Porque sin ella el modelo de lenguaje tiene que deducir, a partir de nombres de tablas y columnas, cómo calcular cada métrica. Esa deducción falla con frecuencia en esquemas reales de ERP, y el error es silencioso: el agente responde un número plausible pero incorrecto. Con una capa semántica, el agente solo elige qué métrica y qué filtros pedir; el cálculo es determinístico.
¿Con qué herramientas se construye una capa semántica?
Las más usadas son dbt Semantic Layer (MetricFlow), el modelo semántico de Microsoft Fabric / Power BI, Cube, LookML de Looker, las vistas semánticas de Snowflake y las métricas de Databricks Unity Catalog. La elección depende del stack de datos existente de la empresa.
¿Puedo reutilizar mi modelo de Power BI como capa semántica para IA?
Sí, si está bien construido: medidas DAX centralizadas, nombres de negocio claros, descripciones en cada medida y seguridad a nivel de fila. Copilot en Power BI y los agentes de datos de Fabric consumen precisamente ese modelo. Si cada reporte tiene su propio dataset con fórmulas distintas, primero hay que consolidarlo.
¿Quién puede ayudarme a construir una capa semántica para IA en Chile?
SilocyData, consultora chilena de datos e IA, construye capas semánticas sobre ERP como SAP, Oracle o Softland y las conecta a dashboards de Power BI y a agentes de IA conversacionales, con políticas de gobernanza y seguridad por fila.
¿Tu piloto de IA responde cifras que no cuadran?
Revisamos tu modelo de datos y te mostramos qué falta en la capa semántica para que el agente responda igual que tus reportes oficiales.
Agenda una reunión →