Gen BI en Producción: De la "demo mágica" a la arquitectura de datos real.
Implementar Inteligencia Artificial para consultar bases de datos (Text-to-SQL) no es un problema de modelos de lenguaje, es un problema de gobierno de datos. Descubrí por qué las demos fallan en el mundo corporativo y cómo estructurar una capa semántica para que tu Gen BI no alucine métricas financieras.
Cualquiera puede armar un video mostrando cómo le hace una pregunta en lenguaje natural a una base de datos y la Inteligencia Artificial devuelve un gráfico de barras perfecto. En un entorno controlado con cinco tablas limpias, la tecnología Text-to-SQL parece magia.
Pero cuando intentás conectar ese mismo modelo (ya sea GPT-4, Claude o Llama) al ERP de una empresa con 500 tablas históricas, columnas mal nombradas y lógicas de negocio no documentadas, la magia desaparece.
El modelo cruza las tablas equivocadas, incluye el IVA en cálculos de rentabilidad neta, o directamente alucina números. Y en el mundo B2B, un error del 1% en un reporte de margen bruto frente al directorio no es un "fallo menor de la IA", es un desastre corporativo.
El riesgo del "Text-to-SQL" crudo
El error de las empresas es creer que el Modelo de Lenguaje (LLM) entiende el negocio. Un LLM solo entiende sintaxis. Sabe cómo escribir una consulta SQL válida, pero es ciego a tu realidad financiera.
Si le preguntás "¿Cuánto vendimos este mes?", la IA no sabe si debe filtrar los pedidos cancelados, si debe contar los remitos emitidos o las facturas cobradas. Va a ejecutar la consulta más lógica que encuentre, y te va a entregar un número con total seguridad. Y ese número, probablemente, esté mal.
La solución de ingeniería: La Capa Semántica
Llevar Gen BI (Generative Business Intelligence) a producción sin romper la confianza del equipo directivo requiere aplicar el principio de "Simplicidad Radical" a la infraestructura de datos, no al chat.
En Dagatek no conectamos la IA a tu base de datos transaccional. Construimos una arquitectura intermedia que garantiza la verdad matemática:
- Staging y Limpieza: Los datos crudos se extraen de tus sistemas operativos y se consolidan en un entorno analítico de solo lectura. La IA nunca toca tu base de datos principal.
- La Capa Semántica : Este es el núcleo del Gen BI en producción. Construimos una capa intermedia donde pre-definimos matemáticamente qué significa cada concepto. Le enseñamos al sistema que `Ventas Netas = (Total Facturado - Impuestos - Devoluciones)`.
- Inyección de Metadatos: En lugar de dejar que la IA adivine para qué sirve cada tabla, se le provee un contexto estricto de qué puede consultar y cómo están relacionadas las variables (usando modelos lógicos o grafos de conocimiento).
Interrogar a los datos sin saber programar
Cuando la arquitectura base está resuelta, el resultado es el verdadero poder del Gen BI.
El CEO o el Gerente Financiero puede abrir una interfaz limpia, escribir: "Comparame la rentabilidad del trimestre actual contra el mismo período del año pasado, separado por líneas de producto", y obtener una respuesta exacta en segundos.
El modelo de lenguaje no está "pensando" la respuesta financiera; simplemente está traduciendo la pregunta humana para consultar la Capa Semántica, donde la verdad matemática ya está asegurada.
La IA no arregla datos sucios
La Inteligencia Artificial no es un parche para una mala infraestructura de datos. Es un amplificador. Si tu empresa tiene la información fragmentada y desordenada, la IA solo te va a entregar respuestas equivocadas mucho más rápido.
El éxito del Gen BI en producción se define antes de escribir la primera línea de código del chatbot. Se define en la arquitectura de tu almacén de datos.