Del tablero al agente
Qué cambia cuando un agente de IA trabaja sobre tus datos, qué necesita tu modelo para responder bien y cómo empezar sin promesas mágicas.
Un tablero te dice qué pasó. Para entender por qué pasó, alguien todavía tiene que filtrar, cruzar tablas y armar un informe. La IA agéntica cambia esa parte del trabajo: un agente conectado a tu modelo de datos puede responder preguntas escritas como las harías tú, explicar de dónde sale la respuesta y preparar el siguiente paso.
Esta guía es la versión completa de nuestra pieza "Del tablero al agente". No vende una herramienta: explica qué cambia, qué tiene que estar ordenado antes y cómo probarlo con criterio.
Tablero, asistente y agente no son lo mismo
| Tablero | Asistente de preguntas | Agente | |
|---|---|---|---|
| Qué hace | Muestra indicadores ya definidos | Responde preguntas sobre los datos | Responde, explica y ejecuta tareas acotadas |
| Quién hace el análisis | Tú | Tú, con ayuda | El agente prepara; tú decides |
| Ejemplo | "Ventas por mes" | "¿Cuánto vendimos en octubre?" | "¿Por qué bajaron las ventas? Prepárame el resumen para el comité" |
Un agente no reemplaza al tablero: lo usa como punto de partida. El tablero sigue siendo la vista compartida; el agente acorta el camino entre ver un número y entenderlo.
Qué cambia en el día a día
Antes: ves la caída → alguien filtra → cruza tablas → arma un informe → la respuesta llega cuando la conversación ya avanzó.
Con un agente: ves la caída → preguntas → el agente consulta el modelo, explica qué encontró y muestra los datos que usó → tú verificas y decides.
Lo importante no es la velocidad sola: es que la pregunta la hace quien necesita la respuesta, en el momento en que la necesita.
Lo que no cambia: el modelo de datos manda
Un agente responde tan bien como el modelo sobre el que trabaja. Si tienes tres medidas distintas llamadas "ventas", nombres técnicos que nadie entiende o relaciones mal hechas, el agente se va a equivocar con mucha seguridad. Por eso el primer trabajo no es "poner IA": es ordenar el modelo.
Checklist: ¿tu modelo está listo para un agente?
- Esquema en estrella. Tablas de hechos (ventas, pedidos) separadas de dimensiones (clientes, productos, fechas).
- Nombres de negocio. "Ventas netas", no "SUM_VTA_2". Tablas, columnas y medidas con el nombre que usa tu equipo.
- Descripciones. Cada medida clave dice qué incluye y qué excluye (por ejemplo, si descuenta devoluciones).
- Una sola definición por indicador. Si hay dos formas de calcular margen, decide cuál es la oficial.
- Tabla de fechas marcada como tal y relaciones correctas con los hechos.
- Sinónimos. Si tu equipo dice "facturación" cuando habla de ventas, el modelo debe saberlo.
- Seguridad y permisos. El agente solo debe ver lo que la persona que pregunta puede ver.
- Preguntas de prueba con respuesta conocida. Antes de abrirlo al equipo, compara lo que responde el agente con lo que ya sabes que es correcto.
Si fallas en tres o más puntos, empieza por el modelo. Es el trabajo menos vistoso y el que más diferencia hace.
Un ejemplo con Power BI
Usamos Power BI como ejemplo porque es la herramienta con la que trabajamos a diario. Las funciones cambian rápido; revisa siempre la documentación oficial antes de decidir.
- Copilot en Power BI y "Prep data for AI" (en vista previa al momento de escribir esta guía): permite definir qué parte del modelo usa la IA, guardar respuestas verificadas asociadas a frases frecuentes y escribir instrucciones para la IA con el contexto del negocio. Microsoft advierte que las respuestas no son deterministas: la misma pregunta puede dar salidas distintas.
- Agentes de datos de Microsoft Fabric: responden preguntas en lenguaje natural sobre modelos semánticos y otras fuentes, generando la consulta por detrás y respetando los permisos de quien pregunta. Requieren capacidad de Fabric; revisa los requisitos de licencia de tu organización.
- Para quienes construyen modelos: Microsoft publicó un servidor MCP local (en vista previa) que permite a un agente inspeccionar el modelo, ejecutar DAX y proponer cambios. Microsoft lo documenta con GitHub Copilot en VS Code, pero es un servidor MCP estándar: también se conecta a otros clientes que aceptan servidores MCP locales, como Claude (la app de escritorio o Claude Code) o Gemini CLI. ChatGPT, en cambio, solo se conecta a servidores MCP remotos, así que no funciona directo con este servidor local. Haz una copia del modelo antes de empezar y revisa cada cambio antes de publicar.
- Para consultar modelos ya publicados: Microsoft tiene además un servidor MCP remoto (también en vista previa) que permite a un agente consultar un modelo semántico con los permisos de quien pregunta. Hoy lo documenta con GitHub Copilot en VS Code.
Cinco preguntas para probar a tu agente
Copia estas preguntas y adáptalas a tus datos. Sirven tanto para evaluar una herramienta como para validar tu propio modelo.
- 01
«¿Cuáles fueron las ventas netas del último mes cerrado frente al mes anterior? Indica qué medida usaste.»
- 02
«¿Qué producto, cliente o región explica la mayor parte de la variación?»
- 03
«Muéstrame la tabla con los datos que usaste para llegar a esa conclusión.»
- 04
«¿Qué preguntas no puedes responder con este modelo?»
- 05
«Prepara un resumen de cinco líneas para el comité. No incluyas cifras que no estén en el modelo.»
Si el agente no puede decirte qué medida usó o no puede mostrarte los datos, todavía no está listo para decisiones.
Riesgos y cómo cuidarlos
- Respuestas plausibles pero incorrectas. Pide siempre trazabilidad (qué medida, qué filtro) y valida con preguntas de respuesta conocida.
- Permisos de más. Empieza en solo lectura y con el mínimo acceso necesario.
- Datos sensibles. Revisa qué información puede ver el agente y dónde se procesa.
- Acciones sin control. Las primeras acciones deben ser reversibles: borradores de resúmenes, propuestas de alerta. Una persona aprueba antes de enviar.
Cómo empezar, en cuatro pasos
- Elige una pregunta frecuente del negocio, la que hoy te cuesta un informe cada mes.
- Ordena el modelo para esa pregunta usando el checklist del punto 04.
- Prueba con diez preguntas cuya respuesta ya conoces.
- Recién entonces agrega una acción (un resumen, un aviso), con aprobación humana.
Ejemplos ilustrativos. Esta guía no incluye cifras de clientes ni resultados prometidos.
Síguenos en Instagram y LinkedIn para más casos de BI con IA agéntica.