¿Qué es la analítica de IA? Por qué solo funciona con datos gobernados

El análisis con AI es la práctica de aplicar inteligencia artificial y machine learning al análisis de datos, lo que permite a los sistemas identificar patrones, generar insights y responder preguntas en lenguaje natural sin necesidad de crear consultas de forma manual. Cambia el enfoque del análisis, pasando de los dashboards retrospectivos a flujos de trabajo automatizados, conversacionales y predictivos sobre los que un grupo más amplio de usuarios de negocio puede tomar medidas directamente.

Hoy en día, cualquier proveedor de BI puede hacer una demostración de consultas en lenguaje natural. Haces una pregunta, obtienes un gráfico y causas una excelente impresión en la sala. La pregunta más difícil, la que distingue a una plataforma líder en su categoría de una simple demostración, es qué sucede cuando ese mismo sistema se enfrenta a una empresa real: definiciones de métricas contradictorias, cinco tablas que podrían responder a la pregunta y un usuario que, técnicamente, no debería ver la mitad de los datos subyacentes.

Richard Tomlinson lidera el marketing de producto para los productos de business intelligence y analítica de Databricks. En esta conversación, analizamos qué cambia cuando el BI se vuelve nativo de AI, por qué la gobernanza resulta ser más importante con la AI en lugar de menos, y qué debería preguntar un líder de datos a los proveedores en lugar de qué modelo fundacional utilizan.

¿En qué se diferencia el análisis con AI del BI tradicional?

El BI siempre ha sido capaz de decirte qué pasó. ¿Qué es lo que realmente diferencia al análisis con AI y por qué es más que solo BI con un chatbot integrado?

Richard Tomlinson: Un buen BI siempre ha ayudado a las personas a comprender algo más que simplemente lo que pasó. La verdadera limitación es que el BI tradicional generalmente requiere que un humano navegue por la ruta analítica. Alguien tiene que decidir qué dashboard abrir, qué filtros aplicar, en qué dimensiones profundizar, qué consulta de seguimiento ejecutar y, a menudo, cuándo involucrar a un analista.

El análisis con AI cambia quién realiza ese trabajo. En lugar de presentar una vista predefinida de los datos, un sistema impulsado por AI puede comprender la intención detrás de una pregunta de negocio, determinar qué datos y contexto empresarial son relevantes, generar y ejecutar las consultas necesarias y, cada vez más, realizar una investigación de varios pasos en nombre del usuario.

Ahí es donde el análisis agéntico cobra importancia. Si pregunto: "¿Por qué cayó el margen en el noreste el trimestre pasado?", un sistema agéntico no tiene que traducir eso en una sola consulta SQL y devolver un gráfico. Puede formular hipótesis, investigar la combinación de productos, los descuentos, los segmentos de clientes o los costos, aprender de cada resultado y sintetizar la evidencia en una explicación.

Por lo tanto, la evolución es aproximadamente la siguiente:

• Dashboards: muéstrame lo que ya decidimos medir.
• Análisis conversacional: permíteme hacer una nueva pregunta.
• Análisis agéntico: investiga la pregunta por mí.

Ese es un cambio mucho más fundamental que colocar un cuadro de chat en un dashboard.

Entonces, si los dashboards muestran lo que pasó, ¿qué revela esa investigación? ¿Qué puede decirle el análisis impulsado por AI a un tomador de decisiones que un dashboard nunca podría?

Richard Tomlinson: El mayor cambio es pasar de la observación a la investigación. Un dashboard puede decirle a un minorista que el margen bruto ha bajado tres puntos. Eso es útil, pero aun así deja al tomador de decisiones preguntándose por qué.

Un sistema impulsado por AI puede investigar si la disminución se concentra en tiendas, productos o segmentos de clientes específicos, evaluar si cambiaron los descuentos, determinar si varió la combinación de productos, comparar los tiempos con las promociones o los cambios de proveedores, y sintetizar esos hallazgos en una explicación. El resultado valioso no es otro gráfico. Podría ser algo más parecido a: el margen disminuyó principalmente porque una mayor proporción de las ventas se desplazó hacia dos categorías de productos con grandes descuentos en el noreste, mientras que el volumen unitario y la adquisición se mantuvieron estables. Eso está mucho más cerca de la información que realmente requiere una decisión.

Yo describiría la progresión como: qué pasó, qué cambió, por qué cambió, qué debería investigar o decidir a continuación. Y no llegaría a insinuar que todos los sistemas de análisis con AI pueden tomar o ejecutar la decisión por sí mismos de forma autónoma. El avance significativo a corto plazo es reducir drásticamente el trabajo analítico necesario para pasar de una señal a una decisión bien fundamentada.

¿Qué significa que la AI interprete los datos de forma semántica?

Has hablado de que el análisis con AI interpreta los datos de forma semántica. ¿Qué significa eso en la práctica?

Richard Tomlinson: El análisis con AI, por supuesto, sigue consultando datos. La diferencia es que necesita entender qué significan los datos antes de decidir cómo consultarlos.

Una base de datos puede decirle a un sistema de AI que hay una columna llamada net_rev, otra llamada bookings y una relación entre dos tablas. No puede decirle qué entiende la empresa por "ingresos", si los ejecutivos utilizan los ingresos reservados o los reconocidos, qué calendario fiscal se aplica, qué jerarquía de clientes es la autoritativa o si deben incluirse los pedidos cancelados. Esas son preguntas semánticas. Son el significado de negocio que se encuentra entre el lenguaje del usuario y los datos físicos.

En la práctica, un sistema sólido de análisis con AI necesita definiciones gobernadas de métricas y KPIs, dimensiones y relaciones entre entidades comerciales, la terminología y los sinónimos que utiliza la empresa, las reglas de negocio y la lógica de cálculo, las fuentes autoritativas, los permisos y la gobernanza y, a menudo, el conocimiento institucional capturado a partir de cómo las personas han utilizado históricamente los datos. Ese contexto es lo que permite al sistema traducir "¿Cómo se están desempeñando las renovaciones empresariales?" en la interpretación correcta de empresarial, renovación y desempeño antes de construir una consulta.

Es por eso que la semántica se vuelve más importante con la AI, no menos.

¿Cómo se logra que el análisis generado por AI sea confiable?

Si un líder de datos te preguntara directamente: "¿cómo hago para que el análisis generado por AI sea confiable?", ¿cuál sería tu respuesta honesta?

Richard Tomlinson: No empieces por el modelo. Empieza por la base sobre la cual el modelo tiene permitido razonar. Creo que el análisis confiable con AI se reduce a cuatro cosas.

Primero, datos confiables: la AI necesita acceso gobernado a los mismos datos empresariales en los que confiarías para un informe ejecutivo, no a copias exportadas a un entorno de AI independiente. Segundo, contexto de negocio confiable: definiciones compartidas para las métricas, entidades y terminología que importan para el negocio. Darle a un LLM un esquema de base de datos no es lo mismo que enseñarle cómo funciona el negocio. Tercero, ejecución confiable: la gobernanza y los permisos deben transmitirse desde el usuario hasta los datos. Un sistema de AI no debería eludir los controles de acceso existentes solo porque alguien hizo una pregunta en lenguaje natural. Cuarto, verificabilidad: los usuarios y los equipos de datos necesitan evidencia que puedan inspeccionar, los datos de origen, los cálculos o las consultas detrás de la respuesta, citas cuando corresponda y una forma de evaluar las respuestas de manera sistemática en comparación con preguntas que ya se sabe que son correctas.

Ese último punto importa aún más a medida que el análisis se vuelve agéntico. Una sola consulta incorrecta produce una respuesta errónea. Un agente puede tomar múltiples decisiones analíticas durante una investigación, por lo que se necesitan mecanismos para fundamentar y validar todo ese proceso, no solo el resultado final.

La clave idea es que la confianza es una propiedad del sistema, no del modelo. Un LLM más capaz por sí solo no hace que el análisis empresarial sea confiable.

¿Por qué se desmorona cuando no está fundamentado en datos gobernados? ¿Qué sale mal, concretamente?

Richard Tomlinson: Yo haría una distinción aquí: la gobernanza es necesaria, pero no es suficiente por sí sola. Puedes tener datos perfectamente gobernados y aun así obtener una respuesta incorrecta con total seguridad si la AI no entiende qué significan esos datos.

Sin una base gobernada, varias cosas pueden salir mal a la vez. El sistema puede seleccionar una tabla desactualizada en lugar de la certificada. Dos usuarios pueden obtener respuestas calculadas a partir de diferentes versiones del mismo KPI. La información confidencial puede quedar expuesta a alguien que no debería verla. Y cuando una respuesta parece incorrecta, es posible que el equipo de datos no tenga una forma confiable de rastrear qué datos o cálculo la produjeron.

La AI amplifica estos problemas porque expande drásticamente quién puede consultar datos y cuántas preguntas se pueden hacer. Anteriormente, la ambigüedad podría haber significado que un analista pidiera una aclaración. En cambio, un sistema de AI puede hacer una suposición plausible y continuar con total seguridad.

Es por eso que la base necesita gobernanza más semántica: control sobre qué datos se pueden usar y quién puede acceder a ellos, y un entendimiento compartido de lo que significan esos datos. El objetivo no es simplemente detener las alucinaciones. Es asegurarse de que el análisis generado por AI funcione bajo las mismas definiciones, permisos y estándares de evidencia que la organización ya espera del análisis generado por humanos.

¿Qué sucede cuando los equipos definen la misma métrica de manera diferente?

Muchas organizaciones tienen diferentes definiciones de negocio en distintas herramientas de BI. ¿Cuál es el riesgo una vez que la AI entra en escena y cómo debería pensar un líder de datos sobre la estandarización de esas definiciones?

Richard Tomlinson: La AI convierte un problema de BI de larga data en uno mucho mayor. Las organizaciones siempre han tenido dificultades con definiciones contradictorias de conceptos como ingresos, cliente activo, churn o conversión. Con los dashboards, esas inconsistencias están al menos relativamente limitadas. Finanzas tiene su dashboard, Ventas tiene otro y la gente eventualmente aprende cuál usar.

La AI elimina esas barreras. Un usuario simplemente pregunta: "¿Cuáles fueron los ingresos del trimestre pasado?". Ahora la AI tiene que decidir qué definición, conjunto de datos y cálculo representan el significado previsto por la organización. Si esas definiciones están fragmentadas en herramientas de BI, modelos semánticos y dashboards individuales, en la práctica se le está pidiendo a la AI que resuelva un desacuerdo organizativo por su cuenta. Eso es peligroso, porque la respuesta puede seguir pareciendo completamente razonable.

La solución no es necesariamente un único modelo semántico gigantesco que intente describir a toda la empresa. Consiste en trasladar el significado empresarial crítico a definiciones semánticas compartidas y gobernadas que residan cerca de los datos subyacentes y sean reutilizables en todas las experiencias analíticas y de AI. Esto se vuelve aún más importante a medida que las empresas despliegan más agentes de AI. No querrás que cada dashboard, copiloto y agente aprenda de forma independiente qué significa "ingresos netos". Quieres que todos se alimenten del mismo contexto empresarial compartido.

Este es uno de los mayores cambios arquitectónicos que la AI genera para la analítica: la semántica ya no puede residir exclusivamente dentro de la capa de presentación.

¿Por qué los usuarios necesitan ver cómo llegó la AI a su respuesta?

Más allá de la precisión, ¿por qué importa que un usuario de negocio pueda ver cómo llegó la AI a una respuesta, y no solo la respuesta en sí?

Richard Tomlinson: Porque la analítica no se trata solo de obtener una respuesta, sino de tener suficiente evidencia para tomar una decisión a partir de ella. Si una AI le dice a un líder de ventas que el churn de la empresa aumentó un 14 %, las siguientes preguntas naturales son: ¿en comparación con qué período?, ¿qué clientes están incluidos?, ¿cómo se define el churn?, ¿qué datos respaldan esa conclusión? y ¿puedo profundizar en ellos? Un sistema confiable debería permitir responder a esas preguntas.

Sería preciso sobre lo que significa "mostrar cómo llegó la AI ahí". No significa exponer el razonamiento privado o la cadena de pensamiento del modelo. Lo que los usuarios necesitan es procedencia y evidencia: las fuentes de datos utilizadas, los cálculos o consultas ejecutados, las citas relevantes, las tablas y visualizaciones de respaldo, y las suposiciones que afectan materialmente el resultado.

Esto importa aún más con la analítica agéntica. Si un agente realiza una investigación de diez pasos, el usuario no debería tener que confiar ciegamente en el párrafo final. Debería poder inspeccionar la evidencia detrás de las conclusiones importantes. La transparencia también cambia el comportamiento del usuario. Transforma a la AI de un oráculo a un socio analítico. Las personas pueden cuestionar una respuesta, investigar más a fondo y decidir por sí mismas si la evidencia es lo suficientemente sólida como para actuar en consecuencia.

¿Cómo decide un sistema de analítica de AI en qué fuente de datos confiar?

Cuando hay múltiples respuestas o fuentes plausibles, ¿cómo sabe tu AI en qué confiar?

Richard Tomlinson: Casi cualquier proveedor puede mostrar una demostración impresionante en lenguaje natural. Lo difícil es lo que sucede cuando el entorno empresarial real es complejo. ¿Qué pasa si Finanzas y Ventas calculan los ingresos de manera diferente? ¿Qué pasa si hay cinco tablas que podrían responder a la pregunta? ¿Qué pasa si una fuente está certificada y otra se creó ayer? ¿Qué pasa si la persona que pregunta solo tiene permiso para ver algunos de los datos subyacentes?

El proveedor debería poder explicar cómo su sistema comprende las definiciones de negocio, determina la autoridad de la fuente, aplica los permisos de usuario, maneja la ambigüedad y muestra evidencia de la respuesta resultante. Si la respuesta es esencialmente "el LLM lo resuelve", yo sería muy cauteloso. Para los sistemas agénticos, esto se convierte en un problema aún mayor, porque el sistema no está tomando una sola decisión de recuperación, sino que puede estar tomando decenas de decisiones sobre qué datos examinar y qué hipótesis seguir.

¿Los mejores modelos de AI eliminan la necesidad del contexto empresarial?

¿Qué es algo que la mayoría de los líderes de datos creen actualmente sobre la analítica de AI que consideras incorrecto o exagerado?

Richard Tomlinson: El mayor error conceptual es que los mejores modelos de AI eliminarán la necesidad de modelar y curar el contexto empresarial. Está ocurriendo lo contrario. Los LLM son notablemente buenos para comprender el lenguaje y razonar sobre la información, pero no pueden inferir con certeza las definiciones comerciales privadas de una organización. No saben de forma inherente cuál de sus cinco cálculos de ingresos considera autorizado el CFO, qué significa "cliente activo" en su empresa o en qué conjunto de datos se debe confiar para una reunión de la junta directiva. A medida que la AI se vuelve más capaz y autónoma, ese contexto se vuelve más importante, porque la AI toma más decisiones en nombre del usuario.

Un segundo error conceptual es que la AI hace que los dashboards queden obsoletos. No creo que sea así. Los dashboards siguen siendo extremadamente efectivos cuando sabes lo que quieres monitorear: ingresos, pipeline, utilización, churn, inventario, niveles de servicio. La AI se vuelve más potente cuando la pregunta no está ya codificada en el dashboard, particularmente cuando alguien pregunta por qué, quiere explorar un cambio inesperado o necesita una investigación que abarque múltiples dimensiones.

El futuro de BI no es el chat en lugar de los dashboards. Es un continuo en el que los dashboards manejan preguntas conocidas, la analítica conversacional maneja preguntas ad hoc y los agentes manejan cada vez más investigaciones complejas. Esa es una definición más creíble de la próxima generación de BI que simplemente reemplazar cada dashboard con un chatbot.

La analítica de AI no elimina el trabajo difícil de BI, lo reubica

El hilo conductor de todo esto es que la analítica de AI no elimina el trabajo difícil de BI, lo reubica. El trabajo de definir métricas, gobernar el acceso y acordar qué significa "ingresos" no desaparece cuando se agrega una interfaz de lenguaje natural. Se vuelve más importante, porque el sistema ahora toma decisiones de juicio que antes tomaba un analista humano, a una escala que ningún equipo de analistas podría igualar.

Para los líderes de datos que evalúan plataformas prioritarias para AI, la pregunta no es si la demostración se ve bien. Es si el sistema debajo de ella, los datos gobernados, la semántica compartida, la ejecución con reconocimiento de permisos y la evidencia verificable, se construyeron para sobrevivir al contacto con una empresa real y compleja. Esa es la base que transforma la analítica de AI de un motor de consultas impresionante en algo en lo que se puede confiar para fundamentar una decisión.

Descubre cómo los dashboards impulsados por AI y la analítica conversacional funcionan directamente sobre datos gobernados. Explora Databricks AI/BI

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