Desbloquear la semántica para la IA: cómo Mercedes-Benz Korea creó un “Talk to Data” confiable a escala

“Talk to Data” se está convirtiendo rápidamente en una capacidad importante en diversos sectores, y ofrecerla con calidad empresarial requiere una base semántica sólida. La fiabilidad de las respuestas es mayor cuando la AI puede basarse en una lógica de negocio claramente gobernada, en lugar de inferirla a partir de esquemas complejos, lógica de KPI específica de informes o cuadros de mando desconectados. Las definiciones de KPI consistentes, la lógica de negocio alineada y las combinaciones y agregaciones bien definidas son lo que ofrece a los ejecutivos las respuestas explicables que necesitan.

Mercedes-Benz Korea y Databricks abordaron esto juntos. En lugar de tratar “Talk to Data” como un proyecto de chatbot, Mercedes-Benz Korea amplió su base analítica existente con una capa semántica gobernada para AI empresarial. Para habilitar una semántica que pueda impulsar tanto BI como AI, Mercedes-Benz Korea puso la lógica de KPI a disposición en Unity Catalog Business Semantics además de Power BI. Basándose en Metric Views, Genie y Agent Bricks en la Databricks Data Intelligence Platform, Mercedes-Benz Korea realizó un piloto de una arquitectura unificada para datos, semántica y AI agéntica. El aprendizaje obtenido del piloto de Corea puede servir de referencia para otros mercados de Mercedes-Benz.

La visión de Mercedes-Benz Korea en “Talk to Data”: semántica unificada para BI y AI

Mercedes-Benz es líder del mercado en el segmento de automóviles de lujo de gama alta, y opera una red de ventas global en la que la toma de decisiones basada en datos y específica de cada mercado es una prioridad constante. El análisis de autoservicio de “Talk to Data” es una de las capacidades que se están explorando para respaldar aún más esta prioridad.

Mercedes-Benz Korea cuenta con una base de datos madura. Con el tiempo, Mercedes-Benz Korea estableció datos de informes de capa oro, un catálogo maestro de KPI y definiciones compartidas en el Lakehouse y Unity Catalog en Databricks. Esta base sirve como la única fuente de verdad para informes de BI, automatización y otros productos de datos, y abarca más de 500 KPI en dominios comerciales como ventas, producto, marketing, servicio al cliente y finanzas. Dada esta base, Mercedes-Benz Korea fue seleccionada para realizar el piloto del enfoque “Talk to Data”.

Al mismo tiempo, una parte significativa de la semántica de negocio en Mercedes-Benz Korea estaba definida en Power BI. Como parte de la preparación para los casos de uso de AI, estas definiciones se complementaron con una capa semántica abierta y lista para AI en el Lakehouse.

La visión más amplia de Mercedes-Benz Korea para “Talk to Data” era establecer una base semántica unificada, gobernada y lista para AI para la toma de decisiones empresariales que pudiera respaldar informes, análisis de autoservicio y experiencias de AI sobre un conjunto consistente de definiciones de negocio. En línea con esta visión, Mercedes-Benz Korea no abordó “Talk to Data” como una migración para dejar Power BI, sino que persiguió tres objetivos clave:

• Contexto consistente para AI: La lógica de negocio y los KPI ya estaban definidos en dos capas: en el lenguaje DAX de Power BI para informes, y en tablas curadas de plata y oro en el Lakehouse que estaban listas para ser consumidas por AI. El siguiente paso es trasladar el contexto semántico de los informes de BI a Unity Catalog para enriquecer los productos de datos existentes en el Lakehouse. Esto permite que Genie y otros agentes de AI accedan a todas las definiciones de KPI en un solo lugar, de modo que la misma pregunta, por ejemplo, “¿Cuáles son nuestras ventas minoristas totales MTD por clase de vehículo?”, produzca respuestas consistentes en todas las experiencias de AI.
• Arquitectura que evoluciona hacia la AI agéntica: Mercedes-Benz Korea cuenta con una pila de BI madura que combina Databricks para ingeniería y almacenamiento de datos con Power BI para modelado semántico e informes. El siguiente paso en esta evolución es ampliarla con una capa semántica unificada y lista para AI basada en la lógica de negocio de los informes de BI, de modo que las herramientas de BI descendentes y los agentes de AI puedan operar con los mismos KPI gobernados.
• De usuarios de informes a agentes basados en perfiles: El gobierno para los usuarios finales a nivel de tabla e informe ya estaba implementado como parte de la infraestructura de datos existente. El siguiente paso es ampliar ese gobierno con un control de acceso basado en perfiles en Unity Catalog y reglas de orquestación para agentes de perfiles, de modo que roles como el CFO o el VP de ventas puedan tener una experiencia de agente adaptada a sus dominios sin cambiar la semántica de negocio subyacente.

Seguir estos principios respalda el objetivo de que las futuras herramientas de AI y BI puedan consumir la misma lógica de negocio validada. Esto contribuye a la consistencia, la explicabilidad y la calidad de las respuestas requeridas para el uso empresarial.

Una arquitectura unificada para datos, semántica y AI

Para habilitar una semántica lista para AI, Mercedes-Benz Korea implementó “Talk to Data” con una arquitectura unificada en la Databricks Data Intelligence Platform, impulsando una AI confiable a escala.

La solución se basa en la colaboración de diferentes capacidades de Databricks:

1. Lakeflow y Lakehouse ingieren datos empresariales de varios sistemas de origen y los preparan para cargas de trabajo de BI y AI.
2. La semántica de negocio de Unity Catalog sirve como la única fuente de verdad para los KPI, traduciendo las medidas DAX de Power BI en vistas métricas: orígenes, combinaciones, medidas, dimensiones, comentarios y sinónimos coexisten junto con los datos, gobernados por los mismos permisos que las tablas subyacentes.
3. Los espacios de Genie permiten a los equipos de negocio “hablar” con sus datos. Los espacios de Genie se organizan por dominio de negocio, cada uno respaldado por un conjunto curado de vistas métricas. Como los KPI en las vistas métricas se definen directamente sobre los datos de la capa oro, Genie no necesita suposiciones ni combinaciones complejas para encontrar las respuestas correctas, lo que aumenta tanto la velocidad como la precisión de sus respuestas.
4. Agent Bricks compone agentes basados en perfiles sobre múltiples espacios de Genie, de modo que el CFO, el VP de ventas y el director de marketing obtienen una experiencia de "Talk to Data" adaptada a su rol.
5. Databricks Apps proporciona un front-end personalizado, conexiones a servicios externos y otras capacidades ampliadas para agentes compuestos, con memoria y estado almacenados en Lakebase.

Antes de este piloto, los datos de los informes se almacenaban en Hive metastore, y “Talk to Data” se exploraba con otras soluciones de AI basadas en una semántica centrada en informes en Power BI. En esa configuración, el contexto semántico para BI y AI estaba distribuido en múltiples componentes, lo que dificultaba que la capa de AI capturara la semántica de manera consistente entre usuarios y cargas de trabajo. El control de acceso basado en perfiles para los KPI tampoco estaba disponible todavía, y otras soluciones de AI requerían una guía más explícita y un ajuste de prompts más detallado que Genie, que opera directamente sobre la capa de KPI gobernada en Unity Catalog.

La adopción de esta arquitectura en Databricks proporciona la base para una experiencia de “Talk to Data” optimizada para los usuarios de negocio.

Aceleración del piloto: un transpilador automático de DAX a Metric View

Hacer que la lógica de negocio de Power BI DAX también estuviera disponible en las vistas métricas de Unity Catalog fue un paso clave para construir una capa semántica abierta. Con más de 500 KPI definidos en DAX en Mercedes-Benz Korea, se necesitaba un enfoque eficiente y estandarizado. Para respaldar esto, Databricks creó un transpilador automático de DAX a Metric View para el equipo de Mercedes-Benz Korea.

El transpilador se ejecuta como un pipeline que convierte las medidas DAX de Power BI en vistas métricas de Databricks listas para implementar. Este:

• Analiza los modelos semánticos de Power BI y extrae cada medida DAX.
• Crea un catálogo de metadatos, como tablas de hechos, tablas de dimensiones, relaciones de combinación, claves de combinación, etc., para cada medida extraída de los modelos semánticos de Power BI.
• Asigna las tablas de origen de cada medida a sus contrapartes en Unity Catalog.
• Genera borradores de definiciones de vistas métricas (origen, combinaciones, dimensiones, medidas), traduciendo la semántica de DAX en medidas de vistas métricas y en las sentencias SQL listas para ejecutar que crean las vistas métricas.
• Marca las medidas no automatizables, normalmente aquellas que involucran características complejas específicas de DAX como la manipulación del contexto de fila, para su revisión manual.
• Valida la sintaxis y la lógica de agregación antes de compilar las vistas de métricas.

Cuando el pipeline finaliza, genera un informe de evaluación con estadísticas de conversión, brechas y estrategias de resolución para la conversión de medidas DAX no automatizables.

El resultado es un excelente punto de partida con vistas de métricas listas para usar para las medidas DAX automatizables, lo que ahorra cientos de horas de trabajo manual en la migración semántica. A partir de ahí, el equipo valida cada medida con el informe de Power BI correspondiente e itera con Genie Code, que perfecciona y optimiza las definiciones de las vistas de métricas a partir de entradas en lenguaje natural.

Tras el éxito inicial con este transpilador, Databricks integró estas capacidades en una nueva habilidad de Genie Code para la migración de Power BI, ahora en Private Preview y accesible directamente dentro de Genie Code sin herramientas adicionales, lo que respalda el despliegue continuo en Mercedes-Benz.

Creación de una semántica confiable y lista para la AI

La calidad de las respuestas es una prioridad absoluta para los usuarios de negocio de “Talk to Data” en Mercedes-Benz Korea. La incorporación de KPI como vistas de métricas en los espacios de Genie es un paso clave, pero por sí sola no garantiza respuestas confiables de la AI agéntica. Una vista de métrica solo está lista para la AI una vez que se validan las respuestas de Genie. El objetivo interno de Mercedes-Benz Korea es la alineación total de las respuestas de Genie con los informes de Power BI correspondientes: una coincidencia del 100% para cada KPI dentro del alcance.

Durante el piloto, Mercedes-Benz Korea y Databricks documentaron conjuntamente las mejores prácticas para curar, integrar y optimizar las vistas de métricas y los espacios de Genie, incluido el uso de metadatos de agentes y benchmarks. Estas prácticas respaldan una semántica empresarial lista para la AI y respuestas consistentes para los equipos de negocio que interactúan con los datos empresariales.

Siguiendo un proceso iterativo de cinco fases documentado durante el piloto, Mercedes-Benz Korea creó una semántica empresarial lista para la AI en la plataforma Databricks Data Intelligence Platform en la que los usuarios de negocio pueden confiar. Databricks también está desarrollando una solución de aplicación para automatizar este proceso, que Mercedes-Benz podría aprovechar para el despliegue posterior.

Fase 1: Preparación. Seleccione los KPI que desea incorporar y asocie cada uno con sus tablas de origen en Unity Catalog. Para las migraciones semánticas de Power BI, identifique las medidas DAX y los modelos semánticos relevantes. Esta fase establece el alcance y la fuente de verdad.

Fase 2: Creación de la capa semántica. Cree vistas de métricas de Unity Catalog con fuentes de datos, dimensiones, medidas, comentarios y metadatos de agentes. Valide cada KPI individualmente antes de agregar el siguiente. Para los KPI que abarcan varias tablas de hechos, cree primero una vista base y coloque la vista de métricas encima. Agregue siempre descripciones a nivel de vista de métrica, dimensión y medida; Genie razona sobre las tres.

Fase 3: Organización por dominio, no por informe. Estructure los espacios de Genie en torno a dominios de negocio (por ejemplo, "Marketing") y las vistas de métricas en torno a grupos de KPI dentro de subdominios (por ejemplo, "Métricas de conversión de marketing online"). Limite cada espacio de Genie a 30 elementos de Unity Catalog e incluya siempre una descripción del espacio para que un sistema multiagente pueda dirigir las preguntas correctamente.

Fase 4: Pruebas incrementales. Incorpore las medidas de forma incremental. Valide cada una con preguntas de muestra. Guarde las consultas verificadas como ejemplos de SQL. Luego, cree benchmarks: variaciones en la redacción de cada pregunta emparejadas con el SQL de referencia (ground-truth), que se utilizarán para medir sistemáticamente la precisión de las respuestas. Active la coincidencia de prompts para que Genie pueda mapear el lenguaje del usuario con los valores de datos reales.

Fase 5: Validación y lanzamiento. Ejecute pruebas de regresión después de cada cambio; si un benchmark que antes se aprobaba ahora falla, la adición más reciente es la causa más probable. Una vez estable, láncelo a un pequeño grupo de usuarios de negocio para obtener comentarios del mundo real. Utilice la pestaña Monitor para realizar un seguimiento, revisar y abordar todos los comentarios de los usuarios en un solo lugar. Tanto los fallos de regresión como los comentarios de los usuarios se retroalimentan directamente en la Fase 4.

El resultado es una capa semántica donde las respuestas de la AI se alinean con el informe de BI correspondiente en cada KPI dentro del alcance, lo que respalda la confiabilidad que esperan los usuarios de negocio.

De un único espacio de Genie a un sistema multiagente con gobernanza integrada

Un único espacio de Genie puede responder preguntas sobre un solo dominio. Una experiencia real de “Talk to Data” para un mercado de Mercedes-Benz debe abarcar ventas, producto, marketing, servicio al cliente, finanzas y más, al tiempo que adapta lo que ve cada perfil en función de su rol y permisos.

Ahí es donde entra en juego Agent Bricks. La arquitectura que implementó Mercedes-Benz Korea:

• Un agente supervisor principal dirige cada pregunta a un agente de perfil con instrucciones específicas para su rol.
• El agente de perfil (por ejemplo, “CFO”, "Gerente de Ventas", "Analista de Marketing") consolida la información de los espacios de Genie adecuados en los dominios relevantes, seleccionando el alcance correcto de las vistas de métricas para responder a la pregunta.
• Las políticas de gobernanza de Unity Catalog aplican el acceso a nivel de fila y columna, de modo que un gerente regional solo ve los datos que su rol le permite, incluso cuando realiza preguntas en lenguaje natural.
• Los agentes se exponen a través de Databricks Apps con un front-end personalizado y capacidades extendidas como visualización personalizada, memoria de agentes y bases de datos transaccionales en Lakebase. La aplicación también permite integrar los agentes compuestos con las herramientas y servicios que los usuarios de negocio ya utilizan, de modo que “Talk to Data” viva dentro de su flujo de trabajo diario en lugar de ser un destino separado.

Dado que las vistas de métricas residen en Unity Catalog, son abiertas y reutilizables en todos los espacios de Genie, agentes y aplicaciones. Cada respuesta está totalmente gobernada, es auditable y se realiza un seguimiento de su linaje hasta los datos de origen. Este patrón multiagente puede servir como referencia para llevar “Talk to Data” a otros mercados de Mercedes-Benz.

Escalar el piloto: un playbook repetible para mercados globales

Corea aún se encuentra al comienzo de este camino y los resultados iniciales son alentadores. El piloto actual demuestra que cuando “Talk to Data” se basa en una semántica gobernada, los usuarios de negocio pueden recibir respuestas que se alinean con las definiciones de KPI establecidas y la lógica de informes existente. Basándose en estos resultados, Mercedes-Benz Korea ha documentado un playbook que otros mercados pueden reutilizar:

1. Incorpore los datos de mercado de los sistemas de origen tanto globales como locales en Unity Catalog.
2. Cree Lakeflow Spark Declarative Pipelines para curar los datos de informes de la capa gold.
3. Establezca la calidad de los datos y la documentación de los KPI en la capa gold.
4. Ejecute el transpilador de DAX a vista de métrica para generar los primeros borradores de los modelos semánticos.
5. Valide las vistas de métricas con el catálogo maestro de KPI de Mercedes-Benz.
6. Cree, pruebe y optimice los espacios de Genie utilizando el proceso de cinco fases anterior.
7. Implemente agentes de perfil con Agent Bricks sobre Genie y Unity Catalog.
8. Integre agentes personalizados en Databricks Apps o herramientas de terceros, donde sea que el usuario ya trabaje.

Los mercados que decidan adoptar el playbook pueden reutilizar la arquitectura y centrarse en lo que les resulta local: sus datos, sus KPI y sus agentes de AI. Junto con Databricks, Mercedes-Benz Korea está documentando los aprendizajes del piloto de “Talk to Data” que pueden servir como referencia para otros mercados de Mercedes-Benz.

Primeros pasos

• Asista a la sesión de Mercedes-Benz Korea + Databricks en el Data + AI Summit 2026, donde analizaremos en profundidad la arquitectura y el playbook para una semántica lista para la AI.
• Explore Unity Catalog Business Semantics, Metric Views, Genie y Agent Bricks para comenzar a crear una AI agéntica confiable sobre una semántica unificada.

(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original