Pregunta a tus datos en lenguaje natural: empieza por tu herramienta de BI o tu plataforma de datos, y cuándo construir la tuya

Un asistente de «pregunta a tus datos» permite a tu personal escribir una pregunta como «¿Cuál fue el margen bruto por región el trimestre pasado?» y recibir un número o un gráfico. En la mayoría de estos productos, un modelo de lenguaje, el tipo de IA que hay detrás de ChatGPT, convierte la pregunta en una consulta a la base de datos, y es la base de datos la que hace las cuentas. Es posible que tu herramienta de business intelligence (BI) o tu plataforma de datos ya ofrezca uno, así que prueba eso primero y construye el tuyo solo para los casos que esas herramientas no cubran. En cualquier opción, la mayor parte del trabajo consiste en ponerse de acuerdo sobre qué significan tus métricas.

¿Cómo se convierte una pregunta en lenguaje natural en un número?

El asistente lee tu pregunta y escribe una consulta en el lenguaje que entiende tu herramienta de datos. Las bases de datos usan SQL, y Power BI usa uno llamado DAX. La base de datos o la herramienta de BI ejecuta esa consulta y devuelve el resultado, que el asistente muestra como un número o un gráfico. Tableau Agent en Pulse funciona de otra manera. Usa comprobaciones estadísticas sobre métricas que ya has definido y describe lo que encuentra.

Databricks dice que su producto Genie usa los nombres y las descripciones de tus tablas «para convertir preguntas en lenguaje natural en una consulta SQL equivalente». El total será correcto para la consulta que se ejecutó, porque una base de datos hizo la suma, pero esa consulta puede no ser la que querías.

¿Puede el asistente darnos un número equivocado que parezca correcto?

Si una consulta falla, normalmente aparece un error y alguien puede investigarlo. Una consulta que se ejecuta pero cuenta lo que no debe produce un gráfico limpio con una cifra equivocada, y nada en la pantalla lo indica. Unos ingresos que aún incluyen las devoluciones parecen una cifra de ingresos como cualquier otra. Lo mismo pasa con una cifra por trimestre natural cuando tu empresa informa por año fiscal.

Los proveedores lo advierten en su propia documentación. La página de Microsoft sobre el uso responsable de Copilot dice: «Las respuestas de Copilot pueden incluir contenido inexacto o de baja calidad, así que revisa los resultados antes de usarlos en tu trabajo». Tableau dice que la IA generativa «puede tender a crear resultados que suenan plausibles pero contienen información incorrecta o irrelevante».

Microsoft también dice que, si una pregunta no guarda relación con el modelo semántico, que describe tus datos a Copilot, este «responde a partir del conocimiento general del modelo de lenguaje de gran tamaño (LLM)». Así que una respuesta puede no venir de tus datos en absoluto. Su guía añade que «el comportamiento de la IA no es determinista», lo que significa que la misma pregunta puede devolver una respuesta distinta.

¿Por qué hay que acordar primero las definiciones de las métricas?

Una tabla de una base de datos contiene nombres de columnas y valores. No sabe si tu empresa cuenta los ingresos antes o después de las devoluciones, y ese conocimiento suele estar en una hoja de cálculo de finanzas o en la cabeza de alguien. Un modelo semántico es el lugar donde se escriben esos significados para el software, por ejemplo qué tablas se unen y cómo se calcula cada métrica.

«Las soluciones de IA genéricas suelen tener dificultades con la conversión de texto a SQL cuando solo disponen del esquema de la base de datos, porque los esquemas carecen de conocimiento esencial, como las definiciones de los procesos de negocio y el tratamiento de las métricas», dice la documentación de Snowflake. Microsoft advierte a los responsables de los modelos semánticos de que «Sin preparación, Copilot puede interpretar mal los datos y devolver resultados genéricos o inexactos».

También puedes fijar a mano la lógica exacta de las preguntas más habituales. Power BI las llama respuestas verificadas y Snowflake las llama consultas verificadas. Databricks tiene activos de confianza, que describe como «Consultas de ejemplo parametrizadas y funciones SQL cuya lógica exacta ha verificado el autor de un agente». Aun así, Microsoft dice que sus funciones de preparación «no pueden garantizar un resultado concreto cada vez».

Si ventas y finanzas tienen cada una su cifra de ingresos, ningún software puede zanjarlo. Alguien con autoridad tiene que decidir qué definición gana y dejarla por escrito antes de cualquier demo.

¿Qué obtenemos de la IA de nuestra herramienta de BI?

Copilot para Power BI trabaja sobre tus modelos semánticos existentes, de modo que reaprovechas el trabajo ya hecho. Microsoft indica que el panel junto a un informe está disponible con carácter general. El chat independiente a pantalla completa sigue en versión preliminar, y Microsoft dice que «se retirará» en una fase futura, cuando Microsoft Copilot, ahora en versión preliminar pública dentro de Power BI, pase a ser la experiencia principal. No hay fecha fijada, y Microsoft dice que «publicará la fecha definitiva de retirada».

Copilot para Power BI necesita «capacidad de Fabric de pago (F2 o superior) o Power BI Premium (P1 o superior)», un bloque de potencia de cálculo que paga tu empresa, de modo que una licencia Pro por persona no basta. El Copilot más reciente funciona con otras condiciones, ya que Microsoft dice: «No es necesario usar Copilot en Fabric ni tener acceso a una SKU F para usar Copilot en este escenario», así que pregunta cuál cubren tus licencias.

Tableau tiene dos asistentes para esto. Tableau Agent en Dashboards permite escribir una pregunta en un dashboard publicado, y Tableau dice que «consultará el origen de datos subyacente». Necesita la edición Tableau Cloud+ o el Tableau+ Bundle en Tableau Cloud, o Tableau Server+ a partir de la versión 2026.3 en Tableau Server, donde todavía está en beta. Tableau Agent en Pulse, descrito en las páginas de ayuda de Tableau como «una función de Tableau+» de Tableau Cloud, responde a partir de métricas que ya has definido. «No puede responder a preguntas sobre columnas que no se usan en las métricas ni sobre metadatos del origen de datos». Tableau dice que los insights de Pulse parten de «modelos estadísticos estandarizados y deterministas para detectar hechos sobre las métricas», y que las frases que lees se generan a partir de esos hechos.

El asistente solo ve lo que se ha preparado para los informes, así que no puede usar un campo que nadie añadió al modelo. Microsoft elige el modelo de lenguaje de Copilot. Para el personal que trabaja en otros idiomas, Microsoft dice que las funciones de Copilot «podrían no funcionar tan bien» como en inglés. Tableau Server es distinto, porque «depende de conectarse a tu propio proveedor de LLM y de usarlo».

¿Qué obtenemos del asistente de nuestra plataforma de datos?

Estos asistentes trabajan sobre las tablas que les conectas, así que pueden llegar a datos que nunca entraron en un informe. Esas tablas son el límite. Databricks dice que un Genie Agent «usa únicamente los orígenes de datos asociados de forma explícita», como máximo 50 tablas o vistas, y aconseja: «Procura usar cinco tablas o menos». Cortex Analyst de Snowflake responde a partir de «datos estructurados en Snowflake», aunque Snowflake ahora «recomienda pasar a Cortex Agents, que admite todas las capacidades de Cortex Analyst con mayor calidad de respuesta».

Databricks ofrece Genie, donde los equipos de datos configuran Genie Agents con «datos, métricas y reglas de negocio de confianza» y el personal hace preguntas a través de Genie One.

Alguien de tu lado tiene que redactar buenas descripciones de tus datos porque, en palabras de Databricks, «Las buenas descripciones de tablas y columnas en Unity Catalog son esenciales para la precisión de Genie». Databricks también dice: «Los datos del Genie Agent deben estar registrados en Unity Catalog», su lista central de tablas y permisos. Todo lo que esté fuera de la plataforma hay que trasladarlo o conectarlo primero.

Sobre el tratamiento de datos, Snowflake dice que Cortex Analyst «no entrena con los datos del cliente». También dice: «No puedes elegir un modelo directamente», porque cada solicitud va al modelo mejor clasificado que tu rol puede usar, de una lista que empieza con Anthropic Claude Sonnet 4.6 y termina con Mistral Large 2 y Llama 3.1 70b.

En estas opciones, el modelo de lenguaje lo ejecuta el proveedor o un socio que este nombra, y Databricks cita Azure OpenAI Service y OpenAI en Databricks para Genie Agents en modo Chat. Tableau Server es la excepción, ya que se conecta a tu propio proveedor de modelos. Si tus normas exigen servidores que controles tú, el artículo sobre un ChatGPT privado, enlazado abajo, explica lo que eso requiere.

¿Cuándo compensa construir el nuestro?

Un desarrollo a medida es un software hecho para ti en torno a un modelo de lenguaje. Convierte las preguntas en consultas usando tus propias definiciones y devuelve las respuestas donde tú decidas. Construir compensa cuando se cumple al menos una de estas condiciones:

• Las respuestas van dentro de tu propio producto, para tus propios clientes
• Una pregunta necesita datos de sistemas a los que las herramientas de los proveedores no llegan, como un back office propio junto a un data warehouse
• Tus normas exigen que los datos y el modelo permanezcan en servidores que controlas
• Necesitas un comportamiento que la herramienta del proveedor elegido no ofrece, como rechazar cualquier pregunta que quede fuera de una lista de métricas aprobadas

Si tus datos ya están en una sola plataforma, puede convenir dar antes un paso más pequeño. Snowflake ofrece Cortex Analyst como API REST, una interfaz a la que pueden llamar otros programas, para usos como «interfaces de chat personalizadas», y a Cortex Agents, el producto que ahora recomienda, se puede llamar del mismo modo. Databricks dice que puedes «integrar Genie Agents en tu propio chatbot, agente o aplicación». Tú construyes las pantallas y la plataforma escribe las consultas.

Construir es difícil de justificar cuando las preguntas vienen de tu propio personal y el asistente de una plataforma supera tu prueba. Tampoco resuelve las definiciones poco claras. Si todavía no sabes decir cómo se calculan los ingresos, un desarrollo a medida también te dará números erróneos, y costará más. Después del lanzamiento, el mantenimiento es tuyo, y los artículos de abajo tratan de quién puede hacer ese trabajo y de por qué se estancan los pilotos de IA.

¿Puede el asistente mostrar a las personas datos que no tienen permitido ver?

La seguridad a nivel de fila (RLS) es lo que impide, por ejemplo, que un director regional vea otra región que no sea la suya. Debe aplicarse donde viven los datos, porque una línea en las instrucciones del asistente no puede impedir que una consulta lea una tabla. Cada opción lo resuelve de forma distinta:

• Power BI: «Copilot solo puede acceder a los datos a los que el usuario actual tiene permiso de acceso». Microsoft añade que «es fundamental que quienes consumen y quienes crean el contenido tengan solo el permiso de lectura sobre el modelo semántico subyacente cuando se deba aplicar RLS», porque la seguridad a nivel de fila puede no aplicarse a quienes tienen más acceso
• Tableau: para las métricas de Pulse, «los datos que ven los usuarios al consultar una métrica respetan la seguridad a nivel de fila aplicada al origen de datos», y Tableau dice que Tableau Agent en Dashboards funciona «respetando estrictamente todos tus permisos, controles de acceso y seguridad a nivel de fila de Tableau»
• Snowflake: las consultas generadas «respetan todos los controles de acceso establecidos», y las políticas de acceso por filas definidas en las tablas subyacentes «se propagan a las vistas semánticas y se aplican». Las políticas de acceso por filas requieren la edición Enterprise o superior, y quien puede consultar una vista semántica «no necesita acceso aparte a sus tablas subyacentes», de modo que los permisos sobre las tablas por sí solos no separan a las personas
• Databricks: «El acceso a los datos se evalúa siempre con los permisos de Unity Catalog de cada usuario final», y los filtros de filas de Unity Catalog «se aplican automáticamente por usuario»
• Desarrollo a medida: tu software tiene que pasar la identidad de cada persona hasta la base de datos; si no, cada pregunta se ejecuta con una cuenta compartida y las personas ven lo que esa cuenta pueda ver. La guía de Snowflake para productos que atienden a muchos clientes dice: «Snowflake no autentica a tus usuarios finales; lo hace el servidor de tu aplicación». Para una conexión de Power BI creada para agentes de IA, Microsoft advierte de que «Power BI no aplica RLS cuando se usa la autenticación de entidad de servicio», lo que significa iniciar sesión con una cuenta de software

Las reglas de acceso también pueden hacer que el asistente diga algo falso. Una de las guías para desarrolladores de Snowflake recoge el caso de un agente que informaba de que una región no tenía ingresos. Da como causa: «La política de acceso por filas ocultó esas filas, y el agente no distingue entre oculto y ausente». Haz que el asistente indique que sus resultados cubren solo lo que la persona puede ver, y prueba cada rol con un usuario que no debería ver esos datos.

¿Cuánto cuesta un asistente de «pregunta a tus datos»?

En la mayoría de las opciones pagas por dos cosas. El cómputo es la potencia de cálculo que ejecuta la consulta sobre tus datos. El uso del modelo cubre convertir la pregunta en una consulta, y la mayoría de los proveedores lo facturan en tokens, los fragmentos de texto que lee y escribe un modelo de lenguaje. Cortex Analyst de Snowflake factura por mensaje cuando se llama a través de su propia API. Los precios siguientes están en dólares estadounidenses, según los precios publicados por los proveedores para las regiones de EE. UU.:

• Power BI: Copilot para Power BI consume la capacidad de Fabric o Premium que pagas, a 100 segundos de unidad de capacidad por 1000 tokens de entrada y 400 por 1000 tokens de salida. La lista pública de precios minoristas de Azure muestra 0,18 USD por unidad de capacidad y hora, pago por uso en East US, así que la solicitud de ejemplo de Microsoft, de 2000 tokens de entrada y 500 de salida, usa unos 2 céntimos de capacidad. Una capacidad F64 de 64 unidades, el tamaño del ejemplo de Microsoft, cuesta unos 276 USD al día a esa tarifa, y tus informes usan la misma capacidad. Microsoft dice: «Fabric factura por separado cualquier acción posterior que desencadene Copilot»
• Tableau: sus páginas de ayuda vinculan estas funciones de IA a la edición Tableau Cloud+ o al Tableau+ Bundle en Tableau Cloud, y a Tableau Server+ en Tableau Server, donde el uso del modelo «se factura directamente, según tu contrato específico con el proveedor de LLM». Pide un presupuesto a Tableau
• Snowflake: Cortex Analyst a través de su API figura a 67 Platform Credits por 1000 mensajes. Bajo demanda en AWS US East, un crédito cuesta 2,00 USD en la edición Standard y 3,00 USD en Enterprise, así que 1000 mensajes cuestan 134 USD o 201 USD. «Se aplican costes adicionales de warehouse cuando ejecutas el SQL generado por Cortex Analyst». Con Cortex Agents, la facturación pasa a tokens con tarifas por modelo
• Databricks: «El uso de Genie One y Genie Agents por parte de los usuarios es gratuito hasta el 31 de enero de 2027». Las cuentas de software (service principals) quedan excluidas y «su uso se factura», y «El cómputo usado para ejecutar las consultas que genera Genie, como un SQL warehouse, se factura aparte». Después de esa fecha, Databricks dice que los productos Genie se «facturan con un modelo de pago por uso», con una cantidad mensual gratuita para cada usuario, así que pregunta cuánto costará el uso con tu volumen
• Desarrollo a medida: pagas directamente al proveedor del modelo, además del cómputo de tu propia base de datos y de los ingenieros que construyen y operan el sistema. Anthropic lista Claude Sonnet 5.5 a 2 USD por millón de tokens de entrada y 10 USD por millón de tokens de salida, de modo que los mismos 2000 tokens de entrada y 500 de salida cuestan alrededor de 1 céntimo. Las solicitudes reales incluyen las descripciones de tus tablas y son mayores

Estas cifras no cubren lo mismo, así que suma el cómputo a cada una antes de compararlas. Microsoft aconseja empezar con un pequeño grupo piloto y dice: «Desplegar de forma amplia sin validar los patrones de consumo puede agotar rápidamente tu capacidad».

¿Cómo lo probamos con preguntas cuyas respuestas ya conocemos?

Prepara la prueba antes de elegir un producto. Toma unas decenas de preguntas reales de tu personal y anota la respuesta correcta de cada una a partir de un informe que tu equipo de finanzas haya validado. Pásalas por cada producto de tu lista corta y puntúa todas las respuestas. El conjunto debería incluir:

• Preguntas con una sola respuesta correcta, sacadas de informes validados, incluidas algunas que combinan dos temas, como el margen por producto y mes
• La misma pregunta con otras palabras, hecha por personas de distintos departamentos, para ver si tus definiciones se sostienen
• Preguntas que el asistente debería rechazar, como una sobre datos que no tiene, ya que una respuesta inventada es el fallo que más necesitas detectar
• La misma pregunta con los inicios de sesión de personas con distinto acceso, para comprobar la seguridad a nivel de fila

Un total correcto puede salir de una consulta equivocada por casualidad, así que puntúa la consulta además del número. Databricks tiene pruebas de referencia para «probar y puntuar de forma sistemática la precisión global de tu agente», y Snowflake dice que puedes ejecutar «tus consultas verificadas contra Cortex Analyst» y medir con qué precisión genera SQL. El artículo sobre cómo probar un asistente de IA, enlazado arriba, explica cómo fijar de antemano los criterios de aprobación.

Microsoft dice que, si haces la misma pregunta sobre un modelo semántico sin cambios «en una ventana móvil de 24 horas», Copilot responde desde su caché, una copia guardada de la respuesta anterior. Por eso no cuentes una repetición a la mañana siguiente. Vuelve a ejecutar todo el conjunto pasadas más de 24 horas, y de nuevo cada vez que el proveedor cambie un modelo o tú cambies una definición.

¿Cómo puede el personal comprobar de dónde viene una respuesta?

Nadie puede comprobar un número suelto, así que pide que cada respuesta indique la definición que usó y el periodo que abarca. Power BI ofrece una vista llamada «How Copilot arrived at this», y Genie responde con «la consulta generada y la tabla de resultados, si es posible». La página de Microsoft sobre su Copilot más reciente en versión preliminar también pide a las personas que «validen las decisiones importantes con los datos de origen». Fija como regla que cualquier número que vaya al consejo o a un cliente se compruebe antes con el informe de origen.

¿Qué debemos preguntar a un proveedor de BI o de plataformas de datos?

• ¿Cuáles de nuestras métricas responderá a partir de definiciones acordadas, y qué pasa con una pregunta que quede fuera de ellas?
• ¿Con los permisos de quién se ejecuta cada consulta, y cómo lo probamos con el inicio de sesión de una persona?
• ¿Qué proveedores de modelos procesan nuestras preguntas y datos, y en qué región?
• ¿Cuánto cuesta un mes de nuestro volumen real de preguntas, con el cómputo de las consultas y los mínimos incluidos?
• ¿Podemos ver la consulta que hay detrás de cada respuesta y conservar un registro de ellas?
• ¿Esta función está disponible con carácter general, y qué está previsto que la sustituya?
• ¿Con cuánta antelación nos avisan antes de que cambie el modelo, para poder repetir nuestras pruebas?

¿Qué deberíamos preguntar a una empresa que lo construiría?

• ¿Dónde vivirán las definiciones de las métricas, y pueden cambiarlas nuestros analistas sin un desarrollador?
• ¿Cómo llega la identidad de cada persona a la base de datos, y qué pasa cuando falta?
• ¿Qué modelo escribe las consultas, y qué datos salen de nuestros servidores?
• ¿Cómo probarán con preguntas cuyas respuestas ya conocemos, y quién de nuestro lado da el visto bueno?
• Cuando el asistente no está seguro, ¿lo dice o adivina?
• ¿Al final serán nuestros el código, las definiciones, los conjuntos de prueba y los registros?

¿Dónde encaja amBrain?

amBrain publica este blog. Sobre su propio producto, dice: «Nuestro propio producto, shyash.ai, funciona con agentes de IA que investigan, escriben, revisan y miden a partir de una memoria compartida de datos de la empresa. Una persona aprueba todo lo que sale».

Este artículo no es un caso de estudio y no describe trabajo para ningún cliente, y no afirma que amBrain haya construido un asistente de «pregunta a tus datos» para ningún cliente. La línea de arriba trata del propio producto de amBrain, y los ejemplos son generales.

Las empresas mencionadas aquí se citan a partir de sus páginas publicadas, todas abiertas el 9 de noviembre de 2026. El artículo no afirma ninguna relación entre amBrain y ninguna de ellas ni da precios ni plazos de amBrain.

amBrain desarrolla software desde 2019. Sobre cómo trabaja con sus clientes, dice: «Tres formatos: entrega completa, un equipo dedicado o ingenieros integrados en tu equipo». Sobre la propiedad, su frase es: «El cliente conserva la propiedad completa del producto y del código, salvo nuestros componentes reutilizables». Pide la lista de esos componentes, nombre por nombre, antes de firmar.

Si amBrain está en tu lista corta, hazle las mismas preguntas que a cualquier otra empresa.