{"id":6491,"date":"2026-08-25T08:35:00","date_gmt":"2026-08-25T06:35:00","guid":{"rendered":"http:\/\/blog-david.moreno-morales.com\/?p=6491"},"modified":"2026-08-23T23:37:14","modified_gmt":"2026-08-23T21:37:14","slug":"inteligencia-artificial-en-business-intelligence-como-ganar-velocidad-sin-perder-el-control-del-dato","status":"publish","type":"post","link":"https:\/\/blog-david.moreno-morales.com\/index.php\/2026\/08\/25\/inteligencia-artificial-en-business-intelligence-como-ganar-velocidad-sin-perder-el-control-del-dato\/","title":{"rendered":"Inteligencia artificial en Business Intelligence: c\u00f3mo ganar velocidad sin perder el control del dato"},"content":{"rendered":"\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

La inteligencia artificial est\u00e1 cambiando la forma en que interactuamos con Business Intelligence. Ya no se trata \u00fanicamente de abrir un dashboard, aplicar filtros y recorrer visualizaciones. Cada vez m\u00e1s herramientas permiten preguntar en lenguaje natural, generar res\u00famenes autom\u00e1ticos, explicar variaciones, proponer consultas o incluso crear partes de un informe.<\/p>

La promesa es atractiva: reducir la distancia entre una pregunta de negocio y una respuesta basada en datos.<\/p>

Pero tambi\u00e9n introduce un problema nuevo. Una respuesta generada por IA puede sonar convincente aunque utilice una m\u00e9trica incorrecta, interprete mal una relaci\u00f3n entre tablas o responda sobre informaci\u00f3n que el usuario no deber\u00eda consultar.<\/p>

Por eso, incorporar inteligencia artificial a BI no consiste simplemente en conectar un modelo generativo a una base de datos. El verdadero trabajo est\u00e1 en construir una capa intermedia de significado, permisos, trazabilidad y evaluaci\u00f3n que permita aprovechar la velocidad de la IA sin sacrificar la confianza en el dato.<\/p>

Microsoft lo se\u00f1ala expresamente en su documentaci\u00f3n de Power BI: si los datos, el modelo sem\u00e1ntico y los usuarios no est\u00e1n adecuadamente preparados, Copilot puede producir resultados de baja calidad, inexactos o incluso enga\u00f1osos.<\/p>

La capa sem\u00e1ntica se vuelve todav\u00eda m\u00e1s importante<\/h2>

Durante a\u00f1os, una buena arquitectura de BI ya necesitaba definir correctamente medidas, relaciones, jerarqu\u00edas y reglas de negocio.<\/p>

Con IA, esa necesidad aumenta.<\/p>

Pensemos en una pregunta aparentemente sencilla:<\/p>

\u201c\u00bfCu\u00e1l fue nuestro margen en Europa durante el \u00faltimo trimestre?\u201d<\/strong><\/p>

Para un usuario, la intenci\u00f3n puede parecer evidente. Para un sistema anal\u00edtico hay numerosas decisiones impl\u00edcitas:<\/p>

  • \u00bfQu\u00e9 medida representa exactamente el margen?<\/li>
  • \u00bfSi debe utilizar margen bruto, operativo o neto?<\/li>
  • \u00bfQu\u00e9 calendario fiscal corresponde a \u201c\u00faltimo trimestre\u201d?<\/li>
  • \u00bfQu\u00e9 pa\u00edses forman parte de Europa?<\/li>
  • \u00bfQu\u00e9 moneda debe emplearse?<\/li>
  • \u00bfQu\u00e9 filtros de seguridad deben aplicarse?<\/li><\/ul>

    Un modelo de lenguaje puede interpretar lenguaje. Eso no significa que conozca autom\u00e1ticamente las definiciones de negocio de una empresa.<\/p>

    Por eso la capa sem\u00e1ntica act\u00faa como contrato entre los datos t\u00e9cnicos y el lenguaje del negocio.<\/p>

    Microsoft recomienda preparar los modelos sem\u00e1nticos para Copilot utilizando nombres comprensibles, descripciones, buenas pr\u00e1cticas de modelado y eliminaci\u00f3n de ambig\u00fcedades. Incluso dispone de mecanismos para identificar modelos preparados o aprobados para su consumo mediante IA.<\/p>

    Google est\u00e1 siguiendo una filosof\u00eda similar. Su Conversational Analytics de Looker utiliza Gemini, pero las consultas est\u00e1n fundamentadas en la capa de modelado sem\u00e1ntico de Looker, precisamente para ofrecer anal\u00edtica conversacional dentro de un entorno gobernado.<\/p>

    El patr\u00f3n es importante: la IA no sustituye al modelo sem\u00e1ntico; aumenta el valor de tener uno bien construido<\/strong>.<\/p>

    Una respuesta r\u00e1pida no es necesariamente una respuesta fiable<\/h2>

    Uno de los riesgos de la IA generativa es que modifica la percepci\u00f3n del error.<\/p>

    Cuando un dashboard muestra un dato incorrecto, suele ser posible localizar el c\u00e1lculo, la consulta o el filtro que lo produjo.<\/p>

    Una respuesta en lenguaje natural resulta m\u00e1s persuasiva. Puede incluir contexto, explicaciones y conclusiones redactadas con enorme seguridad. Eso obliga a introducir una disciplina de evaluaci\u00f3n. No basta con comprobar que el sistema \u201cresponde\u201d.<\/p>

    Conviene medir al menos:<\/p>

    Exactitud de la m\u00e9trica. <\/strong>\u00bfLa respuesta coincide con el c\u00e1lculo oficial?<\/p>

    Interpretaci\u00f3n de filtros. <\/strong>\u00bfHa aplicado correctamente fechas, regiones, productos o segmentos?<\/p>

    Consistencia. <\/strong>\u00bfPreguntas equivalentes producen conclusiones compatibles?<\/p>

    Trazabilidad. <\/strong>\u00bfPodemos saber qu\u00e9 modelo, datos o medidas sustentaron la respuesta?<\/p>

    Seguridad. <\/strong>\u00bfEl usuario solo recibe informaci\u00f3n que tiene permiso para consultar?<\/p>

    Capacidad de abstenci\u00f3n. <\/strong>\u00bfEl sistema reconoce cu\u00e1ndo no dispone de suficiente informaci\u00f3n?<\/p>

    Google, por ejemplo, advierte expresamente que los productos de Gemini para Google Cloud pueden producir respuestas plausibles pero incorrectas y recomienda validar sus resultados antes de utilizarlos.<\/p>

    Esta recomendaci\u00f3n deber\u00eda formar parte del dise\u00f1o del sistema, no aparecer \u00fanicamente como una advertencia al usuario.<\/p>

    El gobierno del dato no desaparece cuando aparece la IA<\/h2>

    Existe una tentaci\u00f3n frecuente en proyectos de IA: tratar el modelo como una nueva interfaz universal capaz de saltarse parte de la complejidad tradicional del dato.<\/p>

    Es precisamente lo contrario.<\/p>

    Cuanto m\u00e1s sencilla es la interfaz, m\u00e1s importante resulta controlar lo que existe debajo.<\/p>

    La IA deber\u00eda heredar los mismos principios que ya aplicamos a un entorno de BI bien gobernado:<\/p>

    identidades gestionadas, control de acceso, seguridad a nivel de fila cuando corresponda, m\u00e9tricas certificadas, propietarios de datos, documentaci\u00f3n y trazabilidad.<\/p>

    Microsoft recomienda desplegar Copilot de forma gobernada, utilizando grupos de seguridad y preparando tanto los modelos como los usuarios.<\/p>

    En Tableau tambi\u00e9n existen diferencias importantes seg\u00fan la arquitectura elegida. Su documentaci\u00f3n indica que Tableau Agent puede conectarse a proveedores propios de LLM y que, en esos escenarios, el tratamiento de datos depende del proveedor y de los controles configurados por la organizaci\u00f3n.<\/p>

    Esto introduce una pregunta que deber\u00eda plantearse en cualquier proyecto:<\/p>

    \u00bfQu\u00e9 datos salen del sistema anal\u00edtico, a qu\u00e9 servicio llegan y bajo qu\u00e9 condiciones?<\/strong><\/p>

    No es una cuesti\u00f3n secundaria. Forma parte de la arquitectura.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

    \n\t\t\t\t\t\t
    \n\t\t\t\t\t
    \n\t\t\t
    \n\t\t\t\t\t\t
    \n\t\t\t\t\t\t\t\t\t\t\t\t
    \n\t\t\t\t\t\t\t\t\t\t\"IA\t\t\t\t\t\t\t\t\t\t\t
    IA sin gobierno vs. IA gobernada<\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
    \n\t\t\t
    \n\t\t\t\t\t\t
    \n\t\t\t\t\t\t\t\t\t\t\t\t
    \n\t\t\t\t\t\t\t\t\t\t\"Las\t\t\t\t\t\t\t\t\t\t\t
    Las cinco capas para desplegar IA en BI con control<\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
    \n\t\t\t\t\t\t
    \n\t\t\t\t\t
    \n\t\t\t
    \n\t\t\t\t\t\t
    \n\t\t\t\t\t\t\t\t\t

    Una arquitectura pr\u00e1ctica para IA sobre BI<\/h2>

    Un enfoque razonable puede imaginarse en cuatro capas.<\/p>

    1. Fuentes de datos: <\/strong>ERP, CRM, bases SQL, lakehouse, APIs y dem\u00e1s sistemas operacionales.<\/li>
    2. Transformaci\u00f3n y modelo sem\u00e1ntico: <\/strong>Aqu\u00ed viven las reglas reales del negocio: calidad de datos, relaciones, dimensiones, medidas certificadas y definiciones.<\/li>
    3. Capa de IA: <\/strong>El modelo interpreta la intenci\u00f3n del usuario, genera consultas o explicaciones y convierte resultados estructurados en respuestas comprensibles.<\/li>
    4. Experiencia de usuario: <\/strong>Chat, copiloto integrado, dashboard conversacional o asistente dentro de una aplicaci\u00f3n.<\/li><\/ol>

      Pero alrededor de esas cuatro capas deben existir controles transversales: autenticaci\u00f3n, autorizaci\u00f3n, auditor\u00eda, observabilidad y evaluaci\u00f3n.<\/p>

      La arquitectura importante no es simplemente:<\/p>

      usuario \u2192 IA \u2192 datos<\/strong><\/p>

      sino:<\/p>

      usuario \u2192 IA \u2192 capa sem\u00e1ntica gobernada \u2192 datos autorizados<\/strong><\/p>

      con mecanismos que permitan revisar c\u00f3mo se obtuvo la respuesta.<\/p>

      Qu\u00e9 casos de uso conviene abordar primero<\/h2>

      No todos los usos de IA en BI presentan el mismo riesgo. Una implantaci\u00f3n gradual suele funcionar mejor.<\/p>

      Explicar m\u00e9tricas y visualizaciones<\/h3>

      Ejemplo:<\/p>

      \u201c\u00bfPor qu\u00e9 bajaron las ventas respecto al mes anterior?\u201d<\/p>

      La IA puede resumir variaciones y ayudar a explorar hip\u00f3tesis.<\/p>

      Generar o explicar consultas<\/h3>

      Para equipos t\u00e9cnicos, puede ayudar con SQL, DAX u otros lenguajes anal\u00edticos.<\/p>

      Microsoft ya incorpora Copilot en escenarios relacionados con desarrollo y explicaci\u00f3n de DAX y modelos sem\u00e1nticos.<\/p>

      Resumir informes<\/h3>

      Un ejecutivo puede recibir una s\u00edntesis de una p\u00e1gina de BI sin revisar cada visualizaci\u00f3n individualmente.<\/p>

      Power BI, por ejemplo, permite utilizar Copilot para resumir p\u00e1ginas y responder preguntas sobre los datos mostrados.<\/p>

      Anal\u00edtica conversacional<\/h3>

      El usuario pregunta directamente:<\/p>

      \u201c\u00bfQu\u00e9 clientes han reducido sus compras m\u00e1s de un 20 % este trimestre?\u201d<\/p>

      Este caso aporta enorme valor, pero tambi\u00e9n exige una capa sem\u00e1ntica especialmente s\u00f3lida.<\/p>

      Lo que no conviene automatizar demasiado pronto<\/h2>

      Hay una diferencia importante entre ayudar a analizar una decisi\u00f3n y tomarla autom\u00e1ticamente. Una respuesta generada por IA no deber\u00eda convertirse directamente en una acci\u00f3n cr\u00edtica solo porque parezca razonable.<\/p>

      En procesos sensibles conviene mantener revisi\u00f3n humana, especialmente cuando hay:<\/p>

      Impacto financiero significativo, decisiones sobre personas, cumplimiento normativo, informaci\u00f3n confidencial o acciones irreversibles.<\/p>

      El marco AI RMF de NIST propone precisamente una gesti\u00f3n continua del riesgo basada en cuatro funciones: Govern, Map, Measure y Manage<\/strong>. Tambi\u00e9n destaca que los sistemas de IA deben evaluarse antes del despliegue y continuar monitoriz\u00e1ndose durante su funcionamiento.<\/p>

      Aplicado a BI, esto significa que la evaluaci\u00f3n no termina cuando el chatbot empieza a responder correctamente en una demo.<\/p>

      C\u00f3mo implantar IA en BI sin perder el control<\/h2>

      Una hoja de ruta pr\u00e1ctica puede reducirse a cinco pasos.<\/p>

      1. Selecciona casos de uso concretos<\/h3>

      No empieces con \u201cqueremos IA en BI\u201d.<\/p>

      Empieza con algo verificable: \u201cQueremos que los responsables comerciales puedan preguntar por ventas, margen y evoluci\u00f3n frente a presupuesto\u201d.<\/p>

      Eso permite delimitar datos, m\u00e9tricas y criterios de calidad.<\/p>

      2. Prepara la capa sem\u00e1ntica<\/h3>

      Revisa nombres, medidas, relaciones, descripciones y reglas de negocio.<\/p>

      Elimina duplicidades.<\/p>

      Si existen tres m\u00e9tricas diferentes llamadas \u201cventas\u201d, el problema no es la IA. El problema ya estaba en el modelo.<\/p>

      3. Aplica permisos antes del modelo<\/h3>

      La IA debe consultar \u00fanicamente aquello a lo que el usuario ya tiene derecho.<\/p>

      Nunca deber\u00eda utilizarse el modelo generativo como mecanismo principal de autorizaci\u00f3n.<\/p>

      4. Construye un conjunto de preguntas de evaluaci\u00f3n<\/h3>

      Recopila preguntas reales del negocio. Por ejemplo:<\/p>

      \u201c\u00bfCu\u00e1l fue la facturaci\u00f3n de julio?\u201d<\/p>

      \u201c\u00bfQu\u00e9 cinco clientes explican la ca\u00edda?\u201d<\/p>

      \u201c\u00bfC\u00f3mo cambi\u00f3 el margen respecto al mismo periodo del a\u00f1o pasado?\u201d<\/p>

      Despu\u00e9s compara sistem\u00e1ticamente las respuestas con resultados conocidos.<\/p>

      5. Monitoriza en producci\u00f3n<\/h3>

      Registra preguntas, errores, respuestas rechazadas, m\u00e9tricas consultadas y casos en los que el sistema no pudo responder.<\/p>

      La calidad debe tratarse como una m\u00e9trica operacional.<\/p>

      Qu\u00e9 medir para saber si el proyecto funciona<\/h2>

      Un proyecto de IA en BI no deber\u00eda medirse solo por adopci\u00f3n.<\/p>

      Tambi\u00e9n importa la confianza.<\/p>

      Algunas m\u00e9tricas \u00fatiles son:<\/p>

      • porcentaje de respuestas correctas sobre un benchmark validado;<\/li>
      • porcentaje de preguntas que requieren correcci\u00f3n humana;<\/li>
      • tasa de respuestas sin evidencia suficiente;<\/li>
      • tiempo medio hasta obtener una respuesta \u00fatil;<\/li>
      • n\u00famero de incidencias relacionadas con permisos;<\/li>
      • cobertura de m\u00e9tricas certificadas;<\/li>
      • satisfacci\u00f3n del usuario;<\/li>
      • porcentaje de consultas resueltas sin intervenci\u00f3n del equipo de datos.<\/li><\/ul>

        El objetivo no deber\u00eda ser simplemente responder m\u00e1s preguntas.<\/p>

        Deber\u00eda ser responder m\u00e1s preguntas correctamente, con menor fricci\u00f3n y sin romper las reglas de gobierno existentes.<\/p>

        La ventaja competitiva no ser\u00e1 solo tener IA<\/h2>

        Las capacidades generativas terminar\u00e1n estando presentes en pr\u00e1cticamente todas las plataformas anal\u00edticas relevantes.<\/p>

        La diferencia entre organizaciones no estar\u00e1 \u00fanicamente en qui\u00e9n activa primero un copiloto. Estar\u00e1 en qui\u00e9n dispone de mejores fundamentos.<\/p>

        Una empresa con m\u00e9tricas inconsistentes, permisos mal definidos y modelos sem\u00e1nticos confusos obtendr\u00e1 respuestas r\u00e1pidas sobre una base d\u00e9bil.<\/p>

        Una organizaci\u00f3n con datos gobernados, definiciones claras y modelos bien mantenidos podr\u00e1 convertir la IA en una interfaz mucho m\u00e1s potente para acceder a conocimiento fiable.<\/p>

        La IA puede reducir dr\u00e1sticamente la distancia entre una pregunta y una respuesta.<\/p>

        Pero la calidad de esa respuesta seguir\u00e1 dependiendo de la calidad del sistema de datos que existe detr\u00e1s<\/strong>.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

        \n\t\t\t\t\t\t
        \n\t\t\t\t\t
        \n\t\t\t
        \n\t\t\t\t\t\t
        \n\t\t\t\t\t

        REFERENCIAS\n<\/h4>\t\t\t\t<\/div>\n\t\t\t\t
        \n\t\t\t\t\t\t\t\t\t
        • Microsoft Learn \u2014 Uso de Copilot con modelos sem\u00e1nticos en Power BI (actualizado 20\/04\/2026): https:\/\/learn.microsoft.com\/es-es\/power-bi\/create-reports\/copilot-semantic-models<\/li>
        • Microsoft Learn \u2014 Tutorial Copilot en Power BI: preparar el modelo sem\u00e1ntico para IA (actualizado 23\/06\/2026): https:\/\/learn.microsoft.com\/es-es\/power-bi\/create-reports\/tutorial-copilot-power-bi-prepare-model<\/li>
        • Microsoft Learn \u2014 Copilot en Power BI: integraci\u00f3n y uso responsable (2026): https:\/\/learn.microsoft.com\/es-es\/power-bi\/create-reports\/copilot-integration<\/li>
        • Google Cloud Documentation \u2014 Conversational Analytics in Looker (actualizado 11\/08\/2026): https:\/\/docs.cloud.google.com\/gemini\/data-agents\/conversational-analytics\/looker<\/li>
        • Google Cloud Documentation \u2014 Conversational Analytics in Looker overview (2026): https:\/\/docs.cloud.google.com\/looker\/docs\/conversational-analytics-overview<\/li>
        • Tableau Help \u2014 IA en Tableau y la confianza (2026): https:\/\/help.tableau.com\/current\/tableau\/es-es\/tableau_gai_einstein_trust.htm<\/li>
        • NIST \u2014 Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (actualizado 08\/04\/2026): https:\/\/www.nist.gov\/publications\/artificial-intelligence-risk-management-framework-generative-artificial-intelligence<\/li>
        • NIST AIRC \u2014 AI RMF Core: Govern, Map, Measure, Manage (consultado 2026): https:\/\/airc.nist.gov\/airmf-resources\/airmf\/5-sec-core\/<\/li><\/ul>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"

          Uso de IA para consultas, explicaciones y generaci\u00f3n de informes manteniendo gobierno, trazabilidad y m\u00e9tricas fiables.<\/p>\n","protected":false},"author":1,"featured_media":6493,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[40],"tags":[57,58,60,61,49,52,59,48],"class_list":["post-6491","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-bi","tag-bi","tag-business-intelligence","tag-datos","tag-gobernanza","tag-ia","tag-inteligenciaartificial","tag-power-bi","tag-software"],"_links":{"self":[{"href":"https:\/\/blog-david.moreno-morales.com\/index.php\/wp-json\/wp\/v2\/posts\/6491","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog-david.moreno-morales.com\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog-david.moreno-morales.com\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog-david.moreno-morales.com\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/blog-david.moreno-morales.com\/index.php\/wp-json\/wp\/v2\/comments?post=6491"}],"version-history":[{"count":3,"href":"https:\/\/blog-david.moreno-morales.com\/index.php\/wp-json\/wp\/v2\/posts\/6491\/revisions"}],"predecessor-version":[{"id":6498,"href":"https:\/\/blog-david.moreno-morales.com\/index.php\/wp-json\/wp\/v2\/posts\/6491\/revisions\/6498"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blog-david.moreno-morales.com\/index.php\/wp-json\/wp\/v2\/media\/6493"}],"wp:attachment":[{"href":"https:\/\/blog-david.moreno-morales.com\/index.php\/wp-json\/wp\/v2\/media?parent=6491"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog-david.moreno-morales.com\/index.php\/wp-json\/wp\/v2\/categories?post=6491"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog-david.moreno-morales.com\/index.php\/wp-json\/wp\/v2\/tags?post=6491"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}