Un vocabulario, dos audiencias: por qué su IA y sus paneles deben compartir una capa semántica

El number tiene tres significados diferentes.

Pregunte a tres equipos de la misma empresa por "miembros activos este trimestre" y, a menudo, obtendrá tres números. El marketing cuenta a cualquiera que haya abierto un correo electrónico. El equipo de fidelización cuenta miembros con una compra. Finanzas cuenta a los miembros que canjearon valor. Ninguno de ellos miente. Trabajan a partir de diferentes definiciones, codificados en diferentes SQL y viven en diferentes herramientas. La palabra es compartida; el significado no lo es.

Este era un problema tolerable cuando los humanos eran los únicos usuarios de esos números. Un analista experimentado sabe que debe preguntar a qué definición se refiere, y una nota al pie en una diapositiva aclara el resto. Pero en el momento en que se le presentan los mismos datos a un agente de IA, la nota al pie desaparece y la ambigüedad se convierte en un inconveniente. Un agente desconoce que el término "activo" es controvertido. Elegirá una definición —o peor aún, la inventará— y presentará el resultado con la misma seguridad con la que presenta todo lo demás.

Las herramientas son verbos; la capa semántica es vocabulario

Cuando le das herramientas a un agente, le estás dando verbos: consultar, resumir, comparar, pronosticar. El protocolo de contexto del modelo de Anthropic formaliza esto: una herramienta es una capacidad escrita y nombrada que el modelo puede invocar. Ese encuadre es correcto y útil. Pero un verbo sin un vocabulario compartido detrás es una licencia para improvisar. "Dime ingresos" solo es seguro si "ingresos" se resuelve en una definición certificada, la misma que un humano ve en un panel, calculada de la misma manera cada vez.

Este es el argumento central: la capa semántica de métricas certificadas es el vocabulario compartido que garantiza la coherencia de los verbos del agente. Las herramientas permiten que el agente actúe. La capa semántica define el significado permitido para esas acciones. Si se separan, se obtiene un agente capaz de ejecutar consultas, pero no confiable para interpretarlas. Si se unifican, el agente hereda, de forma gratuita, todas las definiciones que los analistas ya han acordado.

La disciplina que sigue es sencilla de enunciar y difícil de imitar: un solo vocabulario, dos públicos. Las personas la consumen a través de paneles de control y preguntas puntuales. Los agentes la consumen a través de herramientas y asistentes virtuales (MCP). Ambos acceden a la misma capa certificada, por lo que una consulta number significa lo mismo, ya sea que la realice una persona o un agente.

El modo de fallo cuando no hay una capa compartida

Salta la capa semántica y tres fracasos llegan juntos. Primero, la IA alucina con cifras, no porque el modelo esté roto, sino porque le pediste que razonara sobre tablas en bruto sin una definición canónica de nada, por lo que llena el vacío con una suposición plausible. En segundo lugar, las definiciones de KPI varían: cada equipo, herramienta y cuaderno vuelve a implementar el "abatimiento" o "AOV" de manera ligeramente diferente, y la divergencia se agrava silenciosamente. En tercer lugar, los "análisis de autoservicio" producen cifras contradictorias y la organización silenciosamente deja de confiar en todos ellos.

La investigación de Deloitte sobre el "Estado de la IA en la empresa" ha constatado sistemáticamente que la confianza y la gobernanza —y no la capacidad bruta del modelo— son los factores limitantes para que las empresas escalen la IA desde la fase piloto hasta la producción. Esto se relaciona directamente con el problema del análisis de datos. El obstáculo rara vez reside en si el modelo puede escribir SQL, sino en si alguien puede confiar lo suficiente en la respuesta como para actuar en consecuencia y si podrá explicar, posteriormente, el origen del valor number.

Definiciones certificadas y el historial de versiones correspondiente.

Una métrica certificada es una definición que un propietario ha revisado y aprobado como la única fuente de verdad. "Miembro activo" no es lo que calcule la consulta actual, sino un object con nombre y gobernado, con lógica explícita, un propietario y un estado. Cuando marketing, fidelización y finanzas discrepan, ya no discuten en SQL. Discuten una sola vez, abiertamente, sobre la definición. Luego se certifica y todos —tanto humanos como agentes— heredan la misma respuesta.

El control de versiones es lo que lo hace duradero. Las definiciones evolucionan: un calendario fiscal cambia, un segmento se refina, una fuente de datos se corrige. Sin control de versiones, una redefinición reescribe silenciosamente la historia y el número del tablero del último trimestre ya no se reproduce. Con él, cada métrica tiene su linaje, por lo que puede responder a la pregunta que los auditores y los directores financieros realmente hacen: no sólo "cuál es el número", sino "cuál era el número, bajo qué definición, en la fecha en que lo informamos".

Un único punto de entrada para consultas, con la limitación de usuarios aplicada fuera de él.

Las definiciones son tan fiables como la ruta que las ejecuta. En nuestra arquitectura, cada métrica, ya sea solicitada por un panel de control o una herramienta de agente, se resuelve a través de un único punto de entrada de consulta. No existe una segunda ruta menos rigurosa para la IA. El copiloto y el gráfico en pantalla ejecutan la misma lógica certificada, lo que explica mecánicamente por qué sus cifras no pueden divergir.

El aislamiento de inquilinos se aplica fuera de la consulta, no dentro de ella. El usuario nunca proporciona, ni puede influir en, qué datos de inquilino ve; La capa de ejecución aplica el alcance desde el contexto autenticado. Esto es crucial para los agentes, que componen entradas de maneras no programadas. Si el aislamiento residiera dentro de una consulta string que el modelo ayudó a ensamblar, una solicitud ingeniosa podría alterarlo. Dado que el alcance es externo a la consulta, ninguna solicitud —ya sea maliciosa o accidental— puede traspasar los límites de un inquilino. El resultado son respuestas reproducibles, aisladas de inquilinos y auditables por diseño.

Vistas de solo lectura basadas en permisos: seguridad que el modelo no puede eludir

El patrón más peligroso en la IA empresarial actualmente es integrar un chatbot directamente en tablas sin procesar. Funciona de maravilla en las demostraciones, pero falla precisamente donde no se puede permitir. Con acceso a la tabla, un agente puede combinar datos que nunca debieron combinarse, mostrar columnas que nunca debieron haber salido del sistema de origen y calcular una métrica de tres maneras aparentemente válidas que, sin embargo, son contradictorias. Se está confiando en que un sistema probabilístico respete límites que existen solo por convención.

La alternativa es imponer el límite en la base de datos, debajo del modelo. Exponemos la capa certificada a través de vistas de solo lectura basadas en subvenciones. Las credenciales de la IA pueden leer esas vistas seguras incluidas en la lista blanca y nada más: sin tablas sin formato, sin rutas de escritura, sin columnas fuera de la superficie certificada. El modelo nunca ve un límite que podría verse tentado a cruzar, porque el límite es una concesión de base de datos, no un párrafo de instrucciones en un mensaje del sistema. Este es precisamente el tipo de control técnico explícito que marcos como el NIST AI RMF 1.0 impulsan: gobernar y mapear el acceso real y los flujos de datos de su sistema de inteligencia artificial en lugar de confiar en el comportamiento del modelo.

Conectar a los agentes con esta interfaz es un problema de cableado, no de reconstrucción. La misma capa certificada que alimenta los paneles de control humanos está disponible para los agentes a través de las herramientas MCP y SoCode, de modo que el agente razona sobre métricas certificadas y nunca sobre tablas sin procesar. La IA no puede inventar una cifra, porque no produce cifras en absoluto; se las solicita a la capa, y esta devuelve la number certificada.

Por qué una capa compartida garantiza la seguridad de la creación de contenido sin código

El autoservicio suena como un riesgo de gobernanza: entregue a los usuarios empresariales un generador de métricas y seguramente crearán las mismas definiciones contradictorias por otros medios. Lo contrario es cierto, siempre que el constructor se asiente sobre la capa certificada. La creación de métricas estructuradas y sin código permite a los usuarios componer nuevas métricas a partir de las vistas seguras incluidas en la lista blanca (eligiendo dimensiones, filtros y agregaciones certificadas) sin escribir SQL sin formato y sin siquiera tocar una tabla base.

Dado que cada métrica definida se compone de elementos básicos ya gobernados, las propiedades de seguridad se heredan en lugar de ser objeto de nuevos debates. Una nueva métrica tiene alcance específico para cada usuario, es reproducible y auditable por la misma razón que las certificadas: se ejecuta a través del mismo punto de entrada, con las mismas vistas y bajo los mismos permisos. La gobernanza deja de ser un obstáculo que ralentiza el proceso y se convierte en una base que permite a más personas construir de forma segura. Esta es la única versión de autoservicio que se adapta sin fragmentar nuevamente las definiciones.

Lo que un CDO debería implementar

Si eres un CDO que está creando una capa de análisis de IA, resiste la tentación de empezar con el chatbot. El chatbot es el 20 % fácil y el más peligroso. Empieza por el vocabulario. Certifica tus métricas principales: defínelas, asigna responsables y gestiona sus versiones. Protégelas mediante un único punto de entrada de consulta que garantice el alcance del inquilino externamente. Expónlas mediante vistas de solo lectura basadas en permisos. Solo entonces conecta los agentes, mediante herramientas tipo MCP, a esa superficie controlada. Si se hace en ese orden, la IA será confiable desde el primer día porque no habrá nada que pueda generar confusión.

Este no es un ejercicio teórico. Las marcas que cierran el ciclo de retención con IA son aquellas cuyos agentes y paneles ya hablan el mismo idioma: McDonald's China, al trabajar con SocialHub.AI, aumentó la proporción de GMV de los miembros del 5 % al 85 %. Los resultados a esa escala solo son creíbles cuando los números debajo de ellos están certificados, son reproducibles y son los mismos para el ser humano que revisa el tablero y el agente que actúa en él.

La tesis se sostiene en una sola línea: las herramientas son los verbos, la capa semántica es el vocabulario, y se necesita un vocabulario para dos audiencias para que un número signifique lo mismo ya sea que lo pregunte una persona o un agente. Si está implementando una capa de análisis de IA y desea ver cómo se ven las métricas auditables, aisladas por inquilinos y certificadas que alimentan tanto un panel como un agente a partir de la misma fuente de verdad, reserve una demostración y guiaremos a su equipo a través de sus propias definiciones.