Durante veinte años, la inteligencia de negocio siguió la misma línea de producción. Un ingeniero de datos construía el pipeline. Un analista modelaba las tablas. Un desarrollador de BI armaba el dashboard. El usuario de negocio lo miraba, tenía una pregunta de seguimiento y se ponía en la cola. El dashboard respondía bien la pregunta de ayer y la de hoy no la respondía en absoluto.
La analítica agéntica rompe esa línea. En lugar de un dashboard fijo al final de un pipeline, tenés un agente que puede cargar los datos, entender su significado, escribir la consulta, dibujar el gráfico y explicar el resultado, en el idioma de quien pregunta. Este artículo cubre qué cambia realmente, qué exige de la gobernanza y cómo lo implementa Quales Analytics.
Un agente de ETL, revisado por ingeniería de datos
Quién escribe la consulta
Analista
Usuario avanzado con una herramienta de arrastrar y soltar
El agente, a partir de lenguaje natural
Quién construye el gráfico
Desarrollador de BI
Usuario avanzado
El agente, a pedido
Pregunta de seguimiento
Ticket nuevo
Si el modelo lo permite
Volvés a preguntar
Tiempo hasta el primer gráfico
Semanas
Días
Minutos después de conectar una fuente
Riesgo principal
Lento
Métricas inconsistentes
Respuestas equivocadas con total seguridad
La última fila es la honesta. La analítica agéntica es más rápida y más accesible, e introduce un nuevo modo de fallo: un agente que escribe SQL plausible contra la columna equivocada y presenta el resultado sin inmutarse. Todo lo que sigue trata de capturar la ventaja mientras se controla ese riesgo.
El ETL tradicional empieza con un documento de mapeo. El ETL agéntico empieza con una cadena de conexión. El agente inspecciona la fuente, perfila tablas y columnas, propone un modelo analítico (hechos, dimensiones, claves) y lo carga en un almacén columnar. Un ingeniero de datos revisa el plan en lugar de escribirlo. El valor no está en que el mapeo desaparezca, sino en que la primera versión existe desde el día uno y el tiempo del experto se dedica a corregir, no a tipear.
Los usuarios de negocio hacen preguntas en lenguaje corriente; el agente las traduce a SQL, lo ejecuta y devuelve el resultado. La ingeniería interesante no está en la traducción, que los modelos ya hacen bien, sino en las barreras de protección: consultas de solo lectura, tablas en lista blanca, topes de filas y una capa semántica para que "ingresos netos" signifique lo mismo en cada respuesta.
Una vez que el agente puede consultar, puede visualizar. Pedile los ingresos por región como gráfico de barras y crea el gráfico en un dashboard compartido; pedile filtrar por trimestre y agrega el filtro; preguntale por qué una barra está baja y explica los números subyacentes. Los dashboards pasan a ser documentos vivos en lugar de entregables trimestrales.
La voz convierte al dashboard en un participante de la reunión. En una reunión de revisión, alguien pide "mostrame los diez clientes con mayor riesgo de abandono" y el gráfico aparece mientras la conversación continúa. Suena a truco de feria hasta que lo usás en una sala donde nadie quiere ser el que tipea.
La gobernanza se mueve del dashboard a la capa semántica. Cuando las personas construyen dashboards a mano, la gobernanza vive en la revisión de cada dashboard. Cuando un agente los construye a demanda, la gobernanza tiene que vivir aguas arriba: en las definiciones de métricas, dimensiones y reglas de negocio que se le dan al agente. Si tu organización nunca escribió qué significa "cliente activo", la analítica agéntica va a hacer visible esa brecha en una semana.
La capa semántica se convierte en el producto. Un modelo semántico bien mantenido (nombres de negocio, descripciones, relaciones, sinónimos, joins prohibidos) es la diferencia entre un agente que responde correctamente y uno que adivina. Los administradores, no los ingenieros, tienen que poder editarlo.
La confianza necesita verificación, no fe. Cada respuesta debería ser reproducible: mostrar el SQL, mostrar las filas, permitir que una persona la vuelva a ejecutar. Un text-to-SQL sin consulta visible es una caja negra que finanzas va a rechazar, y con razón.
El costo pasa a ser por pregunta. Una llamada al modelo por pregunta es barata individualmente y se acumula. La caché de resultados de consultas, modelos más baratos para preguntas rutinarias y límites por usuario o por workspace mantienen la economía en orden.
El control de acceso tiene que llegar hasta la consulta. El agente no debe responder preguntas que el usuario no podría responder con acceso directo a la base de datos. Los roles, el alcance a nivel de fila y la auditoría aplican al agente exactamente igual que a una persona.
Quales Analytics es nuestra implementación de este modelo, construida para organizaciones que quieren analítica agéntica en su propia infraestructura.
Conectá una fuente desde la interfaz. Snowflake, PostgreSQL, MySQL, CSV y Excel están soportados como fuentes. No hace falta ningún documento de mapeo para empezar.
ETL agéntico hacia ClickHouse. Un agente de ETL descubre y perfila la fuente, planifica un modelo analítico y lo carga en ClickHouse, un almacén columnar pensado para las consultas de agregación que generan los dashboards. La carga usa dlt por debajo; el plan es visible y editable.
Una capa semántica gobernada. Las definiciones no están escritas en el código. Cuando la fuente es Snowflake, la vista semántica se extrae en vivo en cada ejecución del ETL; para otras fuentes, el modelo semántico puede cargarse a través de una API. Encima de eso, un prompt de contexto de negocio editable por administradores desde el panel de control le da al agente el vocabulario, las reglas y las salvedades de tu negocio.
Chat text-to-SQL con barreras de protección. Los usuarios hacen preguntas en un panel de chat junto al dashboard. Las herramientas del agente listan tablas, leen esquemas, consultan la capa semántica, ejecutan SQL y crean gráficos. Cada consulta pasa por un guardián de SQL que solo permite sentencias SELECT de solo lectura contra tablas autorizadas, con un tope de filas. El SQL generado es visible, así que las respuestas son verificables.
Dashboards generativos. Los gráficos se renderizan con ECharts y viven en dashboards compartidos con filtros por dashboard, tarjetas de KPI, compartición e historial. Pedí un gráfico, un filtro o una explicación y el dashboard se actualiza en el lugar.
Asistente de voz. Un modo de voz en tiempo real conecta el navegador directamente con el modelo de habla mediante WebRTC y opera las mismas herramientas, de modo que un pedido hablado crea o filtra gráficos en el dashboard compartido.
Modelos en tus términos. Los agentes corren sobre modelos de Anthropic mediante una clave de API o un token de gateway; en despliegues en AWS usan perfiles de inferencia de Amazon Bedrock en regiones de la UE, con el rol de la instancia proveyendo las credenciales, así que no se guarda ninguna clave de API.
Identidad y roles. Inicio de sesión con Microsoft Entra ID, separación de roles entre usuario y administrador y, cuando se despliega como parte de la suite Quales, autorización aplicada por Quales AuthOne (leer dashboards y cambiar la configuración son permisos distintos). Los secretos de conexión se cifran en reposo.
Un servidor MCP para el resto de la suite. Quales Analytics expone el almacén a través de un servidor MCP, así que los agentes de Quales Aura pueden consultar los mismos datos gobernados desde una conversación. Un agente de conocimiento puede tomar una cifra de ventas del almacén y ponerla en un informe sin que una copia de los datos salga de la plataforma.
Tu marca. El theming multimarca lo cambian los administradores sin tocar código, algo que importa para los grupos que operan varias unidades de negocio sobre un mismo despliegue.
La analítica agéntica no es la compra de una herramienta; es un cambio en el lugar donde la organización guarda su verdad. Quales Group trabaja con los equipos de datos en las partes que el software no puede hacer solo: escribir el modelo semántico, decidir qué fuentes exponer primero, definir las barreras de protección y los roles, y correr el primer piloto junto a los dashboards existentes para que la confianza se gane con preguntas reales.
Si tus analistas pasan más tiempo respondiendo preguntas de seguimiento que analizando, esa cola es lo primero que un agente debería asumir. Podemos mostrarte cómo se ve con tus propios datos, en tu propia infraestructura.
Quales Group·