BI generativo: Hablando con tus datos

(Parte 2 de la serie: La evolución de la inteligencia ERP: De los datos a los agentes)

En la Parte 1, definimos la taxonomía.
Establecimos que GenAI es el "Asistente" que comprende el contexto. Pero antes de que este asistente pueda empezar a realizar tareas (como la futura IA con agentes), primero debe dominar una habilidad más sencilla, pero revolucionaria: responder preguntas sobre tus datos.

Para construir la base necesaria para los agentes autónomos del futuro, primero debemos arreglar una interfaz defectuosa: la experiencia del usuario con los datos.

La interfaz estándar para los datos de ERP es el panel de control. Si bien las herramientas de BI modernas son potentes, a menudo crean una brecha entre el creador (quien elabora el informe) y el usuario (quien lo lee). Si un CEO pregunta: "¿Por qué ha bajado el margen en Italia?", el panel de control muestra la cifra. Para encontrar la causa raíz, el usuario suele tener que filtrar, profundizar en los datos o, si el desglose específico no está predefinido, pedirle a un analista que cree una nueva vista.

La inteligencia empresarial generativa (GenBI) cierra esta brecha. Cambia el paradigma, pasando de configurar informes a interactuar con datos en tiempo real.

Limitaciones de la inteligencia empresarial estática

La inteligencia empresarial tradicional se basa en un de "respuesta construida" :

1. El analista anticipa preguntas de negocio (por ejemplo, "Ventas por región").
2. Crean un informe o una tabla dinámica.
3. El usuario lo consume.

La limitación: Si bien los usuarios avanzados pueden modificar estos informes, los usuarios empresariales a menudo carecen del tiempo o la confianza técnica para hacerlo. Cuando tienen una pregunta que no está cubierta por los filtros existentes —«Muéstrame las ventas por región, pero excluye los artículos descontinuados del tercer trimestre»— el proceso se interrumpe. Dependen del diseño del informe.

La revolución del “texto a SQL”

GenBI permite a cualquier usuario consultar datos mediante lenguaje natural, sustituyendo la necesidad de arrastrar y soltar elementos por una barra de chat. Esto se basa en una arquitectura de IA específica conocida como Text-to-SQL.

Al utilizar una interfaz GenBI (como Wren AI o las funciones de consulta en lenguaje natural de Infor OS), el flujo de trabajo cambia:

1. El mensaje: El usuario pregunta: "Muéstrame las órdenes de compra abiertas del proveedor 'SteelCorp' con un retraso superior a 5 días".
2. La traducción (LLM): El modelo de lenguaje grande analiza la solicitud.
3. La capa semántica (la clave): La IA hace referencia a una "capa semántica" (un glosario empresarial que relaciona términos con tablas de la base de datos). Entiende que "proveedor" se refiere a tccom100 y "retrasado" significa comparar la fecha de recepción prevista con la fecha actual.
4. La ejecución: Genera una consulta SQL precisa, la ejecuta en el Data Lake y devuelve el resultado en tiempo real.

Por qué es importante la «capa semántica»: Sin una capa semántica (como Data Fabric en Infor OS), GenBI no puede funcionar de forma fiable. Si la IA desconoce cómo define el ERP «margen bruto» o «entrega a tiempo», generará consultas incorrectas. La eficacia de la tecnología depende de la calidad de las definiciones de datos subyacentes.

De “Búsqueda” a “Navegación”

El objetivo de GenBI en un contexto ERP es acortar el tiempo para obtener información valiosa. Considere la diferencia en el flujo de trabajo diario:

El método estándar: Ves un KPI en rojo. Navegas al menú. Abres la sesión de Pedidos de venta. Filtras por fecha. Filtras por estado. Encuentras el pedido. Finalmente, lo abres.

El método GenBI:

• Pregunta: “Muéstrame los 5 pedidos críticos bloqueados por la verificación de crédito”.
• Vista: El sistema devuelve instantáneamente la lista precisa de ID de pedidos.
• Navegación: Copia el ID (o haz clic en el enlace directo) y accede directamente a la sesión específica para desbloquearla.

El cambio: Aún no has automatizado la acción, pero has eliminado por completo el tiempo de investigación necesario para encontrar lo que requiere atención.

Mira: Descubre cómo funcionan en la práctica las interfaces de texto a SQL:

El auge de las herramientas de conversión de texto a SQL

Este cambio no se está produciendo en un solo ecosistema. Estamos viendo un aumento exponencial de herramientas dedicadas a resolver el problema de "Chatear con una base de datos".

Aquí presentamos a algunos de los actores clave que están transformando este sector:

• Wren AI: Un motor semántico de código abierto que se centra en la precisión. Destaca por utilizar un "Lenguaje de Definición de Modelos" (MDL) para crear esa capa semántica crucial que mencionamos, lo que garantiza que la IA comprenda la lógica de negocio, no solo los nombres de las tablas.
• Vanna AI: Una biblioteca de código abierto basada en Python que permite a los desarrolladores entrenar un modelo específicamente con su esquema de base de datos (usando RAG). Es muy flexible para crear herramientas internas personalizadas.
• Text2SQL.ai / Dataherald: Plataformas especializadas, a menudo centradas en contextos de almacenamiento de datos, que ofrecen enfoques "API-first" para integrar consultas en lenguaje natural en paneles de control existentes.

La diferencia: Mientras que herramientas como Vanna son bibliotecas para que los desarrolladores creen soluciones personalizadas, plataformas como Wren AI buscan ser interfaces GenBI completas listas para los usuarios empresariales. En el entorno de Infor, estas capacidades se están integrando directamente en la plataforma del sistema operativo, pero la lógica subyacente sigue siendo la misma.

La prueba de realidad

Si bien la tecnología existe, implementar GenBI en un ERP de fabricación complejo es más difícil que en un CRM simple.

• Complejidad: Infor LN tiene miles de tablas. La IA necesita una enorme memoria contextual para comprender estas relaciones.
• Confianza: Si la IA informa que "el valor del inventario es de 5 millones de dólares" y el Finance dice "5,2 millones de dólares", la confianza del usuario se esfuma inmediatamente.

GenBI es el campo de entrenamiento para el futuro. Antes de entregar las claves a la IA agente (que se analiza en la Parte 3), debemos confiar en que el sistema interprete los datos. Si no puede responder una pregunta correctamente, sin duda no se puede confiar en que ejecute una tarea de forma autónoma.

A continuación: analizaremos la "ilusión del agente", explorando por qué la exageración en torno a los agentes totalmente autónomos suele chocar con la rígida realidad de las transacciones ERP, lo que requiere una estrategia seria de "intervención humana".

Escrito por Andrea Guaccio 

22 de diciembre de 2025