OpenAI comparte agente de datos de dos ingenieros usado por miles y replicable.

El acceso a grandes volúmenes de datos corporativos ha sido históricamente una tarea compleja, reservada a expertos con conocimientos técnicos avanzados. En el caso de organizaciones que manejan decenas de miles de conjuntos de datos, la simple localización de la tabla correcta puede consumir horas de trabajo. Esta barrera no solo frena la productividad, sino que limita la capacidad de generar insights valiosos de manera ágil.

Ante este desafío, algunas compañías están desarrollando soluciones internas basadas en inteligencia artificial para democratizar el análisis de datos. Un ejemplo destacado es un agente de datos creado por un equipo reducido de ingenieros en un plazo breve, con la mayoría de su código generado por sistemas de IA. Esta herramienta, ahora utilizada a diario por la mayor parte de la plantilla, permite consultas en lenguaje natural y entrega resultados como gráficos o informes en minutos, reduciendo drásticamente el tiempo dedicado a tareas repetitivas.

La escalabilidad del sistema es notable. La infraestructura de datos de la empresa abarca más de 600 petabytes distribuidos en aproximadamente 70,000 conjuntos de datos, atendiendo a miles de empleados con necesidades diversas. El agente se integra en entornos ya familiares para el usuario, como plataformas de mensajería, interfaces web y entornos de desarrollo, lo que facilita su adopción sin requerir formación específica. Según estimaciones internas, cada consulta puede ahorrar entre dos y cuatro horas de trabajo, pero el impacto real radica en posibilitar análisis que antes eran inviables para equipos no técnicos, como los departamentos de marketing, desarrollo de producto o crecimiento.

Los casos de aplicación son amplios. Los analistas financieros obtienen comparativas de ingresos por regiones y segmentos de clientes; los gerentes de producto evalúan la adopción de nuevas funcionalidades; y los ingenieros depuran problemas de rendimiento analizando componentes específicos. Lo que distingue a este sistema es su capacidad para cruzar datos de diferentes áreas de la empresa. Mientras que muchos agentes empresariales están limitados a un departamento, este opera de manera transversal, permitiendo consultas que combinan métricas comerciales, técnicas y de producto en una sola interacción.

Técnicamente, el mayor reto residía en identificar la tabla adecuada entre el vasto catálogo de datos. Para solventarlo, se utiliza un sistema de codificación automática que analiza el código de las canalizaciones de datos y extrae metadatos clave, como dependencias, granularidad y claves de unión. Este proceso, denominado enriquecimiento, se ejecuta diariamente y alimenta una base de datos vectorial que posteriormente consulta el agente. La arquitectura incluye múltiples capas de contexto, desde metadatos de esquema hasta conocimiento institucional documentado en plataformas colaborativas, pasando por una memoria que registra correcciones de iteraciones anteriores.

Uno de los problemas comportamentales más significativos es la tendencia de los modelos de lenguaje a mostraren exceso de confianza en sus selecciones. Para mitigarlo, se diseñó un prompt específico que obliga al agente a dedicar más tiempo a la fase de descubrimiento, comparando fuentes y validando la relevancia de las tablas antes de proceder con el análisis. Las evaluaciones internas revelaron además que la reducción del contexto, asegurando que sea preciso y curado, mejora los resultados frente a saturar al sistema con información indiscriminada.

En materia de seguridad, la estrategia se centra en guardias simples pero robustos. El agente funciona únicamente como capa de interfaz, heredando los permisos del usuario y restringiendo cualquier escritura a un esquema temporal y aislado. No opera en canales públicos y sus acciones están limitadas por controles de acceso estrictos. Para fomentar la confianza, el sistema muestra su razonamiento intermedio en tiempo real, permite interrumpir el proceso y evalúa automáticamente su propio desempeño al finalizar cada tarea.

A pesar del éxito interno, la empresa ha decidido no comercializar esta herramienta como producto. En su lugar, prefiere ofrecer los componentes tecnológicos —como APIs de respuestas y evaluación— para que otras organizaciones puedan construir soluciones adaptadas a sus necesidades. Esta filosofía se alinea con su iniciativa empresarial más amplia, que promueve la creación de agentes de IA a medida. La adopción interna de herramientas de codificación assistida ha crecido de forma exponente, usándose no solo para programación sino también para tareas como organizar ideas o preparar resúmenes.

El factor determinante para el éxito de estos agentes, según los responsables, no es la sofisticación de los modelos, sino la calidad de los datos subyacentes. La gobernanza de datos, la limpieza y la existencia de una fuente de verdad son prerequisites esenciales. Sin una infraestructura de datos ordenada, cualquier agente tenderá a generar resultados inconsistentes o erróneos.

El mensaje final es claro: las organizaciones que integren estos sistemas de forma temprana acelerarán significativamente su capacidad de extraer conocimiento de sus datos, mientras que quienes posterguen la adopción corren el riesgo de quedar rezagadas. La transformación no depende de nuevos modelos, sino de saber aprovechar los existentes sobre datos bien gestionados.