Cómo construir un agente de IA que responda preguntas sobre los datos de tu empresa

Para construir un agente de datos, dale un trabajo analítico concreto, una forma controlada de consultar información y un mecanismo para mostrar la evidencia detrás de sus respuestas. Muchas veces podés empezar con el almacén de datos y las herramientas de modelado existentes.

En esta guía, el agente responde preguntas de ventas netas de mercadería por país. Puede consultar y explicar resultados. No cambia registros de origen ni envía mensajes a clientes.

Definí la tarea antes de conectar un modelo

Documentá preguntas admitidas, métricas, dimensiones, calendario de reporte y grupos de usuarios. Decidí qué hacer si faltan datos o la solicitud está fuera de alcance.

«Ventas del mes pasado por país» está dentro del alcance una vez resueltos métrica y fechas. «¿Qué campaña causó la caída?» requiere más evidencia y un método de análisis; la tabla de ventas no demuestra esa causa.

Empezá con una métrica semántica aprobada. Es más fácil probar un dominio pequeño que todo un almacén cuyas definiciones todavía se discuten.

Construí el recorrido de consulta

Usuario autenticado
  → aplicación y alcance de la tarea
  → agente que elige una operación sobre métricas
  → servicio que valida argumentos y aplica permisos
  → cálculo en el almacén de datos
  → resultado con referencias de evidencia
  → explicación para el usuario

El modelo solicita una operación; el servicio decide si está permitida. La identidad proviene de la autenticación, no de un identificador de cliente elegido por el modelo. Configurá credenciales y políticas acordes al alcance autorizado.

Una plataforma existente puede aportar parte del recorrido. La integración MCP de dbt ofrece acceso a contexto y métricas; el servidor MCP de Omni conecta herramientas externas de IA. Verificá operaciones y autorización de la integración elegida antes de habilitarla.

Devolvé algo más que un número

Esta respuesta ilustrativa de aplicación incluye datos útiles para explicar y revisar el resultado. No corresponde a la API de un proveedor:

{
  "metric": "net_merchandise_sales",
  "definition_version": "sales-v1",
  "period": {"start": "2026-08-01", "end_exclusive": "2026-09-01"},
  "currency": "USD",
  "data_as_of": "2026-09-08T10:00:00Z",
  "query_id": "example-query-001",
  "rows": [{"country": "Mercado de ejemplo", "amount": 140.0}]
}

La explicación debe conservar período, unidad y definición. Guardá detalles sensibles de consulta en registros operativos con permisos adecuados, no en una pantalla accesible a cualquier usuario.

Manejá explícitamente los datos incompletos

Si falla la carga diaria de pedidos, la tabla puede seguir siendo válida. Una consulta normal devuelve un valor bajo y el agente puede interpretar una caída que no ocurrió.

Agregá controles de actualización y completitud antes del análisis. Si falta información, identificá el período afectado y detené la comparación o marcala como parcial. Que la consulta termine correctamente no demuestra que llegaron todos los registros.

Distinguí también un tiempo de espera agotado de un resultado realmente vacío. Reintentá dentro del presupuesto definido y devolvé un estado no resuelto si la dependencia sigue caída.

Probá la interacción completa

Usá datos fijos con totales conocidos y preguntas representativas. Incluí distintas redacciones, fechas ambiguas, usuarios restringidos, dimensiones no admitidas, datos atrasados y fallas de consulta.

Evaluá por separado selección de métrica, números, permisos y sustento de la explicación. Repetí algunas preguntas para observar variación. Registrá una línea de base antes de cambiar el modelo o agregar herramientas.

Empezá con pocos usuarios y un responsable de respuestas cuestionadas. Revisá los registros con permisos apropiados, corregí el componente que falla y agregá cada caso resuelto a las pruebas.

El siguiente paso puede ser un agente de reportes con evidencia. Timewise Labs puede ayudarte a implementar el primer agente alrededor de una pregunta de negocio acotada.

Adaptado del artículo de Labs4Change.