¿Cuál es la mejor manera de conectar los datos de tu negocio con la IA?

En Resumen

La IA generativa está transformando la inteligencia empresarial al permitir una toma de decisiones segura y basada en datos a gran escala, utilizando herramientas como RAG, IA agentica y plataformas de BI integradas para ofrecer insights accionables directamente a los usuarios mientras protege la información sensible.

La IA generativa está reescribiendo el manual para la estrategia empresarial basada en datos. Los procesos laboriosos se están automatizando y convirtiendo en conversaciones, facilitando una nueva era de “inteligencia de decisiones,” caracterizada por la simple y precisa exposición de insights poderosos justo cuando y donde se necesitan. Es un mundo donde la IA identifica instantáneamente las tendencias que los líderes ejecutivos necesitan para tomar decisiones rápidas y con confianza.

En los últimos dos años, hemos visto avances masivos en las capacidades de inteligencia empresarial de la IA, pero hay una advertencia. Antes de que las organizaciones puedan adoptar la inteligencia empresarial generativa, necesitan conectar los modelos de IA a sus datos empresariales altamente sensibles de una manera que no los deje expuestos.

La vectorización, RAG, MCP y las habilidades de agentes son algunos de los formatos y protocolos que ayudan a cerrar esa brecha, pero en este espacio emergente, ninguna solución ha emergido como estándar de la industria. Por supuesto, subir informes financieros confidenciales e información personal identificable a una plataforma de IA pública como ChatGPT es tan seguro como publicarlo directamente en Instagram.

El momento en que alguien alimenta una hoja de cálculo a estos servicios, no hay forma de saber si o cuándo podría filtrarse públicamente, explica Cheryl Jones, especialista en IA en NetCom Learning. “Uno de los principales riesgos de seguridad de ChatGPT es la potencial fuga inadvertida de datos,” escribe en una publicación de blog. “Los empleados podrían introducir información confidencial de la empresa, datos de clientes o algoritmos propietarios en ChatGPT, que luego podrían usarse en los datos de entrenamiento del modelo o exponerse en futuras salidas a otros usuarios.”

De RAG a Insights Ricos en BI

En lugar de preguntar directamente a ChatGPT, muchas organizaciones están invirtiendo en crear chatbots personalizados impulsados por LLMs propietarios conectados a bases de datos corporativas. Una forma de hacerlo es usar una técnica conocida como “generación aumentada por recuperación” o RAG, que dinamiza el conocimiento de los LLMs recuperando e incorporando datos externos en las respuestas de IA, mejorando su precisión y relevancia. Es una forma de “ajustar finamente” un modelo de IA sin cambiar realmente sus algoritmos o entrenamiento.

Los sistemas RAG recopilan datos de fuentes externas y los dividen en pequeños fragmentos manejables, extrayendo de embeddings numéricos almacenados en una base de datos vectorial, haciéndolos buscables para los LLMs. Esto permite que el LLM muestre fragmentos de datos relevantes para la consulta del usuario, antes de agregarlos a la solicitud original para que pueda generar una respuesta informada por los datos conectados.

“La base de cualquier implementación exitosa de un sistema RAG es una arquitectura modular que conecta los datos en bruto con un modelo de lenguaje a través de una recuperación inteligente,” explica Helen Zhuravel, directora de soluciones de producto en Binariks. “Esta estructura permite a los equipos mantener las respuestas precisas, actuales y fundamentadas en el conocimiento interno, sin volver a entrenar el modelo en cada actualización.”

Pero RAG no está exento de los problemas de seguridad asociados a alimentar datos directamente a chatbots de IA, y no es una solución completa. RAG por sí solo no permite que los LLMs entreguen inteligencia empresarial convencional, ya que los modelos todavía están diseñados para ofrecer sus insights en forma conversacional. RAG no tiene ninguno de los bloques tradicionales de plataformas de BI. Para generar informes y paneles interactivos completos, las organizaciones también necesitarán integrar lógica empresarial integral, un motor de visualización de datos y herramientas de gestión de datos con el LLM.

BI Generativa Lista para Usar en una Caja

Afortunadamente, las organizaciones también tienen la opción de comprar sistemas de BI generativa listos para usar, como Amazon Q en QuickSight, Sisense y Pyramid Analytics, que se parecen y funcionan más como plataformas de BI tradicionales. La diferencia es que están integrados de forma nativa con LLMs para mejorar la accesibilidad.

Con su arquitectura plug-and-play, Pyramid Analytics puede conectar LLMs de terceros directamente a fuentes de datos como Databricks, Snowflake y SAP. Esto elimina la necesidad de construir pipelines de datos adicionales o formatear los datos de una manera especial. Para proteger la información sensible, Pyramid evita enviar cualquier dato en crudo al LLM en absoluto.

En una publicación de blog, el CTO de Pyramid, Avi Perez, explica que las consultas de los usuarios se separan de los datos subyacentes, asegurando que nada salga del entorno controlado del cliente. “La plataforma solo pasa la solicitud en lenguaje natural y el contexto necesario para que el modelo de lenguaje genere la receta necesaria para responder a su pregunta,” señala.

Por ejemplo, si alguien hace una pregunta sobre ventas y costos en diferentes regiones, Pyramid solo pasará la consulta y la información limitada al LLM, como los metadatos, esquemas y modelos semánticos necesarios para el contexto. “Los datos reales en sí no se envían,” dice Perez. “El LLM usará sus capacidades interpretativas para devolvernos una respuesta adecuada, que luego el motor de Pyramid usará para crear, consultar, analizar y construir contenido.”

Otras plataformas de BI generativa manejan la conexión IA-base de datos de manera diferente. Amazon Q en QuickSight aborda las cuestiones de seguridad manteniendo todo aislado dentro de los entornos de AWS. Además, Amazon promete no usar las solicitudes y consultas de los clientes para entrenar los modelos subyacentes que alimentan Amazon Q, para evitar así fugas de datos.

Las plataformas de BI generativa hacen que la inteligencia empresarial sea accesible y fácil de navegar. Debido a que ofrecen interfaces conversacionales, los usuarios no técnicos pueden interactuar con ellas usando indicaciones en lenguaje natural para encontrar las respuestas que necesitan. También pueden usar IA para construir automáticamente paneles y visualizaciones que ayuden a los usuarios a explorar sus datos con mayor profundidad.

Los usuarios incluso pueden generar informes completos y resúmenes contextuales, transformando datos estáticos en historias explicables, facilitando la comprensión de tendencias y anomalías.

Insights Accionables con BI Agentica

Para hacer que la inteligencia empresarial sea más accionable, algunas organizaciones han optado por aplicar pipelines RAG con tecnologías de “IA agentica” fundamentales como Agent Skills y el Protocolo de Contexto del Modelo (MCP). El objetivo es transformar la BI de una herramienta pasiva de informes a un sistema autónomo que entienda insights clave e incluso ejecute tareas basadas en lo que descubre.

Agent Skills se refiere a una biblioteca de capacidades modulares desarrolladas por Anthropic que permiten a los agentes de IA realizar acciones específicas, como crear archivos PDF, llamar a una API concreta o realizar cálculos estadísticos complejos. Estas habilidades pueden ser activadas por los agentes cuando sea necesario, permitiéndoles realizar trabajos en nombre de los humanos.

Mientras tanto, MCP es un estándar abierto y universal que conecta LLMs con fuentes de datos externas y herramientas de software. Permite que los agentes de IA accedan a sistemas y herramientas en vivo de manera segura y estructurada, sin necesidad de construir conectores personalizados.

Estas tecnologías tienen sinergias que encajan en el alcance de la inteligencia empresarial, combinándose para crear un nuevo tipo de flujo de trabajo de BI agentica. Si un usuario pregunta “¿Por qué bajaron las ventas en el Sur?”, el agente usará MCP para obtener el contexto específico necesario para responder esa pregunta, como el rol y permisos del usuario, informes previos a los que ha accedido y datos en vivo del CRM de la empresa.

Luego, el agente usará RAG para recuperar datos relevantes, como planes de marketing regionales, transcripciones de reuniones, etc., para identificar las razones de la caída en ventas. Después de encontrar la respuesta, el agente empleará Agent Skills para tomar acciones, como generar un informe resumen, notificar al equipo de ventas responsable y actualizar la previsión presupuestaria en el ERP.

El CMO de Cisco, Aruna Ravichandran, está muy optimista respecto a la BI agentica y su potencial para hacer que la “inteligencia conectada” sea algo común en el lugar de trabajo. “En esta nueva era, la colaboración sucede sin fricciones,” predice. “Los trabajadores digitales anticipan necesidades, coordinan tareas en segundo plano y resuelven problemas antes de que surjan.”

A pesar del optimismo, RAG, MCP y Agent Skills siguen en fase experimental, y muchos son escépticos respecto a su adopción a largo plazo. No existe un marco estándar para construir flujos de trabajo de BI agentica, y por ahora, al menos, probablemente seguirán siendo exclusivos de organizaciones grandes con recursos y talento para dedicar a estos proyectos.

Todos Tienen Decisiones Mejoradas por IA

El acceso a datos de LLM es, en cierto sentido, un obstáculo de última milla en el camino hacia la verdadera inteligencia de decisiones, donde insights poderosos pueden ser identificados por cualquiera en el momento en que se necesitan. Una vez superado, la toma de decisiones ya no estará limitada a equipos de analistas o a la alta dirección, sino que se integrará en la estructura de las operaciones diarias del negocio.

Cada vez más empleados participan en la resolución estratégica de problemas, lo que tiene implicaciones profundas. Las organizaciones que integran con éxito sus propios datos con análisis impulsados por IA están transformando la información corporativa de un activo aislado en el lenguaje de la acción decisiva que todos los empleados hablan.