Copilot en Power BI, los agentes de datos de Microsoft Fabric, Copilot Studio y herramientas de lakehouse como Databricks Genie prometen lo mismo: haga una pregunta en lenguaje natural y obtenga una respuesta confiable. En la práctica, la calidad de esa respuesta depende mucho menos del modelo de IA que de los datos en los que se sustenta.

Cuando un agente da una cifra equivocada, la causa raíz casi siempre es conocida: nombres ambiguos, lógica duplicada, falta de contexto o una seguridad que reside donde el agente no puede verla. La buena noticia es que las soluciones también son conocidas para cualquier equipo de analítica sólido.

Lista de verificación de preparación

  1. Esquemas en estrella limpios. Hechos y dimensiones con una granularidad clara, relaciones de uno a varios y sin trampas ocultas de varios a varios. Los agentes razonan sobre la estructura; deles una sencilla.
  2. Nombres comprensibles para el negocio. “Ingresos netos” en lugar de “Amt_2”. Oculte las columnas técnicas y las tablas auxiliares que nadie debería consultar.
  3. Descripciones y sinónimos. Describa qué significa cada tabla, columna y medida, y agregue las palabras que la gente realmente usa: ventas, ingresos, pedidos.
  4. Una definición certificada por KPI. Si tres medidas pudieran responder de forma plausible a “¿cuáles fueron los ingresos del trimestre pasado?”, tarde o temprano el agente elegirá la equivocada. Consolide y certifique.
  5. Seguridad aplicada en los datos. Cuando las reglas de acceso residen junto con los datos, los agentes las heredan automáticamente. Si solo existen en reportes individuales, no las heredan.
  6. Vacíos conocidos, documentados. Deje claro —a los usuarios y en las instrucciones del agente— qué no cubren los datos, como los meses que aún no se han cerrado.

Mida antes de escalar

Antes de desplegar un agente, documente de 30 a 50 preguntas reales de las personas que lo usarán, junto con sus respuestas correctas. Ejecute ese conjunto después de cada cambio en el modelo o en las instrucciones del agente, y dé seguimiento a la precisión a lo largo del tiempo. Este conjunto de evaluación es la pieza más útil de un proyecto de analítica con IA: convierte un “parece que funciona” en un número.

Registre las preguntas que la gente realmente hace y las que fallan. Le indicarán qué sinónimos, medidas y descripciones conviene agregar después.

Empiece con un alcance acotado

Elija un dominio —ciclo de ingresos, desempeño de ventas o cadena de suministro—, una audiencia y un modelo bien gobernado. Demuestre la precisión ahí y luego amplíe. La confianza se pierde con agentes amplios y sin foco que abarcan decenas de modelos.

Conecte los agentes a las herramientas con criterio

Estándares como el Model Context Protocol (MCP) facilitan la conexión de los agentes con los sistemas empresariales: modelos semánticos, sistemas de tickets, documentos y flujos de trabajo. Trate cada conexión como cualquier otra integración. Otorgue el mínimo privilegio necesario, mantenga la supervisión humana en las acciones que modifiquen datos o envíen mensajes, y registre cada llamada.

Respete la privacidad desde el diseño

No incluya información personal ni de salud en los prompts a menos que sea realmente necesaria, mantenga los datos en las regiones que exigen sus obligaciones y asegúrese de que sus servicios de IA estén cubiertos por los mismos acuerdos y controles que el resto de su plataforma de datos.

En conclusión

Las organizaciones con datos bien modelados, bien documentados y bien protegidos obtendrán valor de los agentes de IA con rapidez. Las demás recibirán respuestas equivocadas, dichas con total seguridad. El trabajo para cerrar esa brecha no tiene nada de exótico y, de paso, mejora la analítica que usan las personas.