Blog/Analytics/Qué son las analíticas agénticas: guía de flujos de trabajo analíticos con agentes de IA
13 nov 2026/19 min de lecturaAnalytics

Qué son las analíticas agénticas: guía de flujos de trabajo analíticos con agentes de IA

DEFINICIÓN DE ANALÍTICAS AGÉNTICAS: las analíticas agénticas son una forma de análisis basada en IA en la que agentes de software persiguen un objetivo analítico a través de múltiples fuentes de datos y operaciones, y adaptan el recorrido a medida que surgen nuevos datos, en lugar de seguir una secuencia fija de consultas.

 

Cuando planteas a un analista con experiencia una pregunta sobre el margen bruto, este aporta a la tarea mucho más que conocimientos de SQL. Sabe qué definición de margen bruto debe utilizarse, qué fuentes de datos son fiables y están actualizadas, dónde cambia la granularidad y qué uniones pueden distorsionar el resultado. Gran parte de este conocimiento solo reside en la mente del analista.

Un agente de IA al que se le encomienda ese análisis no dispone automáticamente de los mismos conocimientos, por lo que el contexto debe proporcionarse de forma explícita. Además, en un flujo de trabajo de analíticas agénticas, el agente recurre repetidamente a ese contexto a medida que avanza la investigación: para desglosar la pregunta, elegir entre distintas fuentes y herramientas, interpretar los resultados intermedios y decidir qué debe examinar a continuación. Esto plantea varias preguntas prácticas: ¿qué necesita el agente de la capa de datos? ¿Qué permisos se aplican cuando llama a una herramienta? ¿Cómo determinarán los equipos si el análisis resultante es sólido?

¿Qué son las analíticas agénticas?

Las analíticas agénticas utilizan agentes de IA para planificar y ejecutar flujos de trabajo de analíticas de varios pasos y elegir entre los datos y las herramientas disponibles a medida que los resultados intermedios orientan la investigación. Un ciclo analítico típico incluye varias etapas:

Resolver el contexto → planificar → llamar a una herramienta → inspeccionar el resultado → revisar el plan → validar → detenerse

La conversión de lenguaje natural a SQL puede encargarse de un paso de consulta, mientras que la búsqueda, la recuperación semántica, los procedimientos y las API ofrecen al agente otras formas de recopilar pruebas o actuar en función de lo que encuentre. La orquestación controla qué herramientas están disponibles, qué contexto se transmite en cada llamada y cómo influyen los resultados intermedios en los pasos posteriores.

Este control sobre los pasos siguientes es lo que diferencia las analíticas agénticas de otras formas de analíticas asistidas por IA. Las analíticas aumentadas utilizan la IA para ayudar en partes de un flujo de trabajo dirigido por una persona, como preparar datos, identificar patrones o generar explicaciones. En un flujo de trabajo agéntico, el propio agente asume una mayor parte de la coordinación.

El modelo agéntico traslada más decisiones analíticas al tiempo de ejecución. Es posible que el agente tenga que aclarar la terminología, seleccionar fuentes, determinar una ruta de consulta adecuada y decidir si un resultado intermedio justifica otro paso, lo que significa que la fiabilidad del resultado depende del contexto y las restricciones que rodean esas decisiones.

Descubre cómo Cortex Agents orquesta el análisis mediante SQL, la búsqueda y el razonamiento de IA en datos empresariales estructurados y no estructurados:

Cómo funciona el ciclo analítico

El flujo de trabajo de analíticas agénticas es iterativo. El agente debe interpretar la pregunta en función del contexto empresarial, elegir qué herramientas y datos utilizar, evaluar los resultados obtenidos y decidir si debe continuar, abrir una nueva rama, detenerse o actuar.

Interpretar la pregunta en función del contexto empresarial

Volvamos a la pregunta sobre el margen bruto. Antes de ejecutar SQL, el agente debe determinar a qué se refiere la pregunta. El margen bruto puede tener un cálculo aprobado con medidas definidas de ingresos y costes, reglas de agregación y relaciones dimensionales válidas. EMEA puede corresponder a una jerarquía organizativa en lugar de a un campo de región literal. El último trimestre puede requerir la lógica del calendario fiscal.

Una vez resueltos estos elementos, el agente los conecta con los datos físicos. Esto incluye seleccionar las tablas o vistas semánticas adecuadas, determinar la granularidad necesaria y seguir relaciones válidas entre hechos y dimensiones.

Planificar y llamar a las herramientas adecuadas

La selección de herramientas determina el desarrollo de la investigación. Una consulta semántica podría determinar dónde cambió el margen, mientras que una búsqueda en contratos o notas de ventas podría aportar contexto sobre el motivo. Si varias herramientas pueden responder a la misma pregunta secundaria, el planificador necesita metadatos suficientes para elegir entre ellas en función del alcance, la autoridad de la fuente y el resultado esperado. Las definiciones de las herramientas y las instrucciones de orquestación deben ser lo bastante específicas como para orientar la selección sin codificar de forma rígida todas las rutas analíticas.

Comprobar los resultados intermedios

Antes de que un resultado intermedio sirva de base para el paso siguiente, el flujo de trabajo necesita algún mecanismo que permita comprobar si es utilizable. La comprobación depende del tipo de resultado: una consulta generada podría evaluarse para verificar que la granularidad y las relaciones sean válidas, mientras que una métrica obtenida podría cotejarse con una referencia conocida o un intervalo esperado.

El agente también puede comparar el resultado con la pregunta a la que debía responder. Por ejemplo, si una consulta destinada a explicar una caída del margen solo devuelve el resultado de agregar los ingresos, el SQL es válido, pero las pruebas no bastan para el siguiente paso analítico. El planificador debería revisar la consulta en lugar de considerar que una ejecución correcta equivale a un análisis correcto.

Estas comprobaciones son especialmente importantes porque los errores intermedios se propagan. Una unión no admitida, una fuente obsoleta o una resolución incorrecta de entidades al principio de la ejecución pueden condicionar todas las consultas posteriores y dar lugar a una investigación coherente basada en una premisa errónea.

Decidir si continuar, detenerse o actuar

A continuación, el agente debe decidir si las pruebas son suficientes. Puede necesitar otra consulta, una herramienta diferente, una aclaración del usuario o una acción posterior aprobada.

Estas decisiones también afectan al comportamiento del workload. Una solicitud puede generar varias sentencias SQL, búsquedas y llamadas a herramientas, con reintentos o ramas paralelas a medida que avanza la investigación. Por tanto, los presupuestos de consulta, la simultaneidad, los tiempos de espera y las condiciones de parada también deben formar parte del modelo operativo.

Historia de cliente: Fireblocks

Fireblocks utiliza Cortex Agents con vistas semánticas para facilitar el acceso a las analíticas mediante lenguaje natural. Su agente interno permite a los equipos investigar directamente las métricas de productos y clientes, mientras que Fire Genie, orientado a sus clientes, ofrece analíticas personalizadas y amplía el acceso a datos gobernados tanto a empleados como a clientes.

Lee el caso de éxito completo >

Qué debe resolver la capa de datos antes de que el agente realice consultas

La precisión analítica depende de algo más que de la capacidad del modelo. En entornos empresariales, muchos errores se deben a que se obliga al modelo a inferir una lógica empresarial que podría haberse proporcionado de forma explícita.

Como mínimo, el contexto analítico debe incluir:

  • Definiciones empresariales y de métricas: Cálculos aprobados, filtros, lógica temporal y comportamiento de agregación
  • Relaciones entre entidades: Cómo se relacionan clientes, cuentas, productos, pedidos y otros objetos empresariales
  • Granularidad declarada: Qué representa una fila en cada objeto pertinente
  • Rutas de unión admitidas: Relaciones que el sistema debe utilizar al combinar datos
  • Sinónimos y asignaciones de entidades: Terminología alternativa y significados específicos del dominio
  • Adecuación de las fuentes: Actualización, propiedad, estado de obsolescencia, integridad y otras señales pertinentes para seleccionar las fuentes
  • Política y procedencia: Quién puede utilizar los datos y de dónde proceden

Proporcionar al agente una lógica empresarial explícita

Un esquema indica al agente dónde se encuentran los datos, pero no suele explicar cómo espera la empresa que se interpreten. Por ejemplo, el “estado del cliente” podría depender de varios campos, o el “margen bruto” podría ser válido solo para determinadas dimensiones o niveles de agregación.

Un modelo semántico hace explícita esa lógica. Las métricas, las dimensiones, las reglas de cálculo, las relaciones y los sinónimos proporcionan al agente una representación gobernada de los conceptos empresariales incluidos en la pregunta, lo que reduce la cantidad de información que debe inferir al crear una consulta. Estas definiciones también deben poder reutilizarse más allá de una única interfaz analítica. Si la lógica empresarial se recrea por separado en un panel de control, un agente y una aplicación, la organización sigue teniendo varias versiones que gobernar. Un modelo semántico compartido proporciona a estas experiencias un conjunto común de definiciones y relaciones.

Una evaluación interna de Snowflake de 2024 reveló hasta qué punto el sistema analítico circundante afecta a la precisión. En una prueba de referencia de 150 preguntas diseñada en torno a tareas reales de inteligencia empresarial (BI), GPT-4o con un único prompt alcanzó un precisión del 51 %, mientras que Cortex Analyst, que utiliza un modelo semántico para proporcionar definiciones empresariales y contexto, superó el 90 %.

Sin embargo, las definiciones semánticas solo cubren una parte de la ruta analítica. Un agente puede identificar la medida correcta y aun así generar un resultado erróneo si elige una unión no válida o combina datos con granularidades incompatibles.

 

CONSEJO RÁPIDO: empieza por los conceptos de negocio que hoy obligan a los analistas a pedir más aclaraciones. Las métricas con definiciones en disputa, los términos con varios significados o las reglas de agregación especiales son buenos candidatos para un modelado semántico explícito.

La granularidad y las rutas de unión forman parte del contrato analítico

Supongamos que el sistema identifica correctamente los ingresos y después une un hecho en el nivel de pedido con una tabla de artículos de pedido sin tener en cuenta el cambio de granularidad. Los ingresos se duplican antes de la agregación, aunque el SQL se ejecute correctamente y la fórmula de la métrica no cambie.

Las uniones de abismo generan un problema relacionado cuando varias tablas de hechos se unen mediante dimensiones compartidas y las combinaciones multiplican los registros de forma inesperada. Las relaciones de varios a varios, las tablas puente y las medidas semiaditivas introducen otros casos en los que una unión aparentemente razonable produce un resultado analítico erróneo.

En los sistemas agénticos, la granularidad, la cardinalidad y las rutas de unión válidas deben representarse explícitamente. Si estas relaciones se dejan implícitas, las decisiones estructurales vuelven a depender de la inferencia en tiempo de ejecución, donde el modelo puede tomar las decisiones correctas o no.

Resolver las entidades ambiguas antes de realizar consultas

El lenguaje empresarial no siempre se corresponde de forma exacta con los objetos de datos. Por ejemplo, una solicitud sobre “clientes empresariales” podría referirse a una forma de segmentar cuentas en el CRM, un nivel de producto o una clasificación financiera.

El agente necesita suficientes metadatos de las entidades y contexto del dominio para seleccionar el objeto empresarial previsto antes de crear la consulta. Cuando haya varias interpretaciones plausibles, el flujo de trabajo debería conservar la ambigüedad y pedir una aclaración al usuario en lugar de limitarse a elegir una.

La selección de fuentes requiere algo más que detectabilidad

Un catálogo puede mostrar varios objetos que técnicamente contienen la información solicitada, pero eso no significa que todos sean igual de adecuados para el análisis.

Los analistas con experiencia suelen tener en cuenta aspectos contextuales como si una fuente está actualizada, si una transformación en fases anteriores ha cambiado recientemente, si una tabla está obsoleta o si la cobertura varía según la zona geográfica. A menos que esas características sean legibles por máquina, el agente ve un conjunto de objetos disponibles, pero carece del conocimiento institucional que ayuda al analista a elegir entre ellos.

La actualización, el linaje, la propiedad, los indicadores de calidad, el estado de certificación, los patrones de uso y los metadatos de obsolescencia contribuyen a determinar la idoneidad de una fuente.

 

ERROR HABITUAL: dar por hecho que un dato es adecuado solo porque se puede encontrar. Un agente puede encontrar una tabla que contenga los campos correctos, pero que esté desactualizada, obsoleta o no sea apropiada para el análisis solicitado. Los metadatos de origen deben ayudarle a distinguir lo que está disponible de lo que es una fuente fiable.

¿Qué permisos se aplican cuando el agente ejecuta la consulta?

Un agente plantea una cuestión de autorización: ¿qué permisos se aplican cuando llama a una herramienta o ejecuta una consulta? En las sesiones interactivas, la identidad delegada del usuario final mantiene la ejecución de las consultas en consonancia con los permisos de la persona que formula la pregunta. De este modo, el control de acceso basado en roles, las políticas de acceso a filas y el enmascaramiento de columnas existentes siguen gobernando los datos subyacentes.

Los flujos de trabajo programados o desatendidos requieren un modelo de identidad diferente. Si no hay un usuario interactivo en quien delegar, el agente necesita una identidad de ejecución específica cuyo ámbito se limite a los datos y las herramientas necesarios para realizar su tarea. Una cuenta de servicio compartida con privilegios amplios aumenta el riesgo de cada llamada a una herramienta y obliga a incorporar lógica de autorización adicional en la capa de aplicación.

El contexto de autorización pertinente va más allá de la solicitud inicial al agente. Cada llamada a una herramienta y cada recurso subyacente del flujo de trabajo deben evaluarse con la identidad y los permisos previstos.

Para cada llamada a una herramienta, el modelo de autorización debe responder a estas preguntas:

  • ¿Qué identidad realiza la ejecución?
  • ¿Qué rol o derechos se aplican?
  • ¿A qué objetos subyacentes accede la herramienta?
  • ¿Siguen aplicándose las políticas de filas y columnas?
  • ¿La herramienta se ejecuta con los derechos del llamador o con los derechos elevados del propietario?
  • ¿Qué ocurre si uno de los recursos necesarios no está disponible?

El comportamiento de cierre en caso de fallo es especialmente importante para los flujos de trabajo analíticos. Si el agente no puede acceder a una herramienta o un conjunto de datos necesarios, debe fallar de forma visible en lugar de generar una respuesta basada únicamente en la información a la que haya podido acceder.

Las restricciones aplicadas en el prompt no pueden sustituir a los controles de acceso basados en la identidad, las políticas de acceso a filas, el enmascaramiento de columnas ni otros permisos que aplique la plataforma de datos. Una instrucción que indique al agente que no acceda a datos de remuneración está sujeta a la interpretación del modelo y puede eludirse mediante una inyección de prompts. Una autorización sólida limita la información que puede recuperar quien consiga manipular el modelo.

Como señala Mayank Upadhyay, Chief Security and Trust Officer de Snowflake: “El mayor error que pueden cometer las organizaciones es pensar que la seguridad de la IA consiste únicamente en proteger el modelo. El verdadero reto es gobernar todo aquello con lo que interactúa el modelo”. En el caso de los agentes analíticos, esto amplía la seguridad para abarcar la identidad, los permisos, el acceso a las herramientas y las acciones que el agente está autorizado a realizar.

Y, si el agente puede actuar, se necesitan medidas de protección adicionales. Los cambios con consecuencias importantes deberían requerir aprobación, y el registro de auditoría debería indicar qué se ejecutó, bajo la autoridad de quién y en qué recursos.

La reproducibilidad implica conservar la ruta analítica

Los flujos de trabajo agénticos complican el concepto habitual de reproducibilidad. Una misma pregunta no genera necesariamente un SQL idéntico ni sigue la misma secuencia de pasos en cada ejecución. Por ejemplo, un plan podría segmentar primero por zona geográfica, mientras que otro podría comenzar por el producto. Distintas sentencias SQL también pueden producir resultados equivalentes desde el punto de vista analítico.

Una prueba más adecuada consiste en comprobar que la ejecución pueda reconstruirse y que las ejecuciones equivalentes conduzcan al mismo significado gobernado y a un resultado coherente en aspectos sustanciales.

Para ello, se necesita un rastro de ejecución con información suficiente para determinar:

  • Qué objetos y definiciones semánticos se resolvieron
  • Qué fuentes y rutas de unión se seleccionaron
  • A qué herramientas se llamó y en qué orden
  • Qué sentencias SQL u otras operaciones se ejecutaron
  • Qué identidad y permisos se aplicaron en cada paso
  • Qué resultados intermedios influyeron en decisiones posteriores
  • Por qué el planificador continuó, se bifurcó o se detuvo
  • Qué comprobaciones de validación se ejecutaron antes de devolver el resultado

Josh Klahr y Rajhans Samdani, de Snowflake, centralizan el objetivo en preservar “el rastro que hay detrás de una respuesta, incluidas las fuentes utilizadas, las transformaciones aplicadas, el linaje de las fuentes de datos y los motivos por los que se aceptaron o rechazaron fuentes alternativas”. Ese rastro ofrece a los equipos de datos un punto de partida cuando una respuesta resulta cuestionable.

Evaluar el fallo analítico, no solo la respuesta final

La evaluación de agentes debe distinguir entre distintas clases de fallos. Un resultado puede ser incorrecto porque el agente haya resuelto una métrica equivocada (seleccionado una interpretación errónea de una entidad), haya utilizado una ruta de unión no admitida, haya agregado datos con una granularidad incorrecta, haya seleccionado datos obsoletos o incompletos, haya perdido el acceso a una de las herramientas necesarias, haya dejado de probar una explicación alternativa, haya generado un SQL incorrecto desde el punto de vista sintáctico o semántico, o haya interpretado de forma errónea el resultado de una consulta correcta.

Agrupar todos esos resultados bajo el término “alucinación” dificulta el diagnóstico. Cada fallo se origina en una parte distinta del sistema analítico y requiere una medida correctiva diferente.

La evaluación debe realizarse en varias capas:

  • Resolución semántica: ¿La pregunta se asignó a las medidas, dimensiones, entidades y lógica temporal esperadas?
  • Corrección de la consulta: ¿El SQL generado conservó la granularidad, siguió relaciones admitidas y produjo el resultado esperado?
  • Selección de fuentes: ¿Los objetos elegidos eran fuentes autorizadas y estaban suficientemente actualizados para responder a la pregunta?
  • Autorización: ¿Cada llamada a una herramienta se ejecutó con la identidad y las políticas previstas?
  • Calidad del plan: ¿El flujo de trabajo siguió los pasos posteriores pertinentes, evitó una ramificación innecesaria y se detuvo cuando había pruebas suficientes?
  • Calidad del resultado: ¿La respuesta coincidía con un resultado de referencia o se encontraba dentro de una tolerancia aceptada?

La investigación sobre la evaluación de agentes respalda la necesidad de mirar más allá de la respuesta final. En el estudio de referencia Agent GPA de Snowflake AI Research, los evaluadores que valoraron el objetivo, el plan y las acciones de un agente detectaron el 95 % de los errores anotados por personas, frente al 55 % de un juez del LLM de referencia. También localizaron el 86 % de los errores en la parte concreta del rastro de ejecución en la que se produjo el fallo.

Crear el conjunto de evaluación a partir de trabajos analíticos conocidos

Los informes existentes, el SQL revisado por analistas y los cálculos certificados ofrecen puntos de partida útiles para el conjunto de evaluación. Las consultas verificadas o de referencia vinculan preguntas de negocio representativas con un SQL validado o con los resultados esperados. Proporcionan a los equipos casos de referencia para probar los cambios en el modelo, la capa semántica, el esquema o la lógica de orquestación.

El conjunto de pruebas también debería incluir los fallos con más probabilidades de superar una revisión superficial: multiplicación de filas en las uniones, valores de entidad ambiguos, formulaciones alternativas, datos restringidos, cambios en las fuentes y preguntas que requieran varias vistas semánticas.

La ejecución de estas evaluaciones pone de manifiesto las regresiones. Por ejemplo, una consulta que funcionaba antes de revisar un modelo semántico y que falla después proporciona una señal mucho más práctica que un descenso general de la satisfacción de los usuarios. Las pruebas de regresión vuelven a ejecutar casos validados después de las actualizaciones, muestran si el comportamiento ha cambiado y ofrecen a los equipos un punto de partida para rastrear la causa.

Analíticas agénticas en Snowflake

La arquitectura de analíticas agénticas de Snowflake distribuye estos requisitos entre las capas de semántica, ejecución, gobernanza y evaluación.

Las vistas semánticas representan métricas, dimensiones, relaciones y otra lógica de negocio como objetos gobernados de Snowflake que pueden reutilizarse en flujos de trabajo de SQL, BI e IA. Snowflake Horizon Context, dentro de Snowflake Horizon Catalog, añade un contexto técnico y de negocio más amplio, incluidos metadatos sobre definiciones, relaciones, procedencia y gobernanza.

Cortex Analyst se encarga de convertir el lenguaje natural en SQL sobre vistas semánticas, mientras que Cortex Agents planifica y orquesta herramientas para trabajar con datos estructurados y no estructurados. La ejecución sigue estando sujeta al modelo de privilegios de Snowflake. Los procedimientos personalizados conservan la semántica de los derechos del llamador o del propietario.

Las consultas verificadas y las evaluaciones de Cortex Analyst ofrecen casos de referencia para probar la precisión y detectar regresiones a medida que cambian los modelos, los esquemas o las definiciones semánticas. Para los usuarios de negocio, Snowflake CoWork proporciona una interfaz conversacional que permite analizar datos empresariales gobernados, profundizar en los hallazgos y crear resultados analíticos reutilizables.

Estas funciones permiten a los equipos mantener los principales puntos de control cerca de los datos gobernados: la resolución semántica, la autorización, la ejecución de consultas, la procedencia y la evaluación. El agente tiene flexibilidad para investigar una pregunta, mientras que las definiciones y las políticas siguen formando parte del sistema en el que opera.

Conforme aumenta la autonomía, la arquitectura debe sustentar una mayor parte de la confianza

A medida que los agentes analíticos asumen investigaciones más amplias y más acciones posteriores, seguirá aumentando el número de decisiones que toman de forma independiente. Un mayor número de llamadas a herramientas, selecciones de fuentes y bifurcaciones crea más oportunidades para que un error de contexto, permisos o ejecución se propague por el flujo de trabajo.

Para los responsables de datos, la mejor respuesta es incorporar toda la certeza posible en el sistema circundante: lógica de negocio explícita, relaciones gobernadas, controles de acceso aplicables y una evaluación vinculada al trabajo analítico real. Con esas restricciones, los equipos pueden dar a los agentes más margen para investigar y actuar sin perder visibilidad sobre cómo se llevó a cabo el trabajo.

 

CONCLUSIÓN CLAVE: la fiabilidad del análisis de un agente depende del sistema que lo rodea. Las definiciones de negocio explícitas, las relaciones de datos gobernadas, unos controles de acceso aplicables y la evaluación continua proporcionan a los agentes el contexto y los límites que necesitan para investigar con precisión cuestiones complejas.

Preguntas frecuentes sobre las analíticas agénticas

¿Sustituyen las analíticas agénticas a los paneles de control?

Los paneles de control siguen siendo útiles para la supervisión estandarizada, las métricas recurrentes y los flujos de trabajo en los que la ruta analítica está predefinida de forma intencionada. Las analíticas agénticas abordan preguntas cuya descomposición o cuyos pasos posteriores se determinan durante la ejecución. Ambos funcionan de forma más coherente cuando se basan en las mismas métricas gobernadas y relaciones analíticas.

¿Quién es responsable cuando el análisis de un agente es incorrecto?

La responsabilidad sigue recayendo en la organización que opera el sistema y en las personas responsables de las decisiones fundamentadas en sus resultados. En los usos con consecuencias importantes, los equipos deberían definir los requisitos de propiedad y revisión, además de conservar un historial de ejecución suficiente para reconstruir la resolución semántica, las fuentes de datos, las consultas y el contexto de autorización que sustentan el resultado.

Recursos relacionados

Comparte esta publicación

Subscribe to our blog newsletter

Get the best, coolest and latest delivered to your inbox each week