Narrativa automática para dashboards

El agente de IA lee los dashboards y el almacén de datos, detecta cambios significativos en las métricas y redacta un comentario textual en lenguaje de negocio. En lugar de "qué pasó con este gráfico", la dirección recibe directamente la explicación. Los analistas liberan el tiempo que antes dedicaban a comentarios de informes repetitivos y se concentran en el análisis profundo de causas.

Proceso de trabajo paso a paso:

1. El agente se conecta a la herramienta de BI (Looker, Tableau, Power BI) o directamente al almacén de datos (Snowflake, BigQuery, ClickHouse, Redshift)
2. Extrae los valores actuales de las métricas del período de reporte y los compara con los anteriores — semana contra semana, mes contra mes o respecto al plan
3. Identifica cambios significativos: crecimiento, caída, anomalías, desviaciones respecto al pronóstico, superación de umbrales predefinidos
4. Clasifica los cambios según la lógica de negocio: estacionalidad rutinaria, tendencia real, anomalía puntual o cambio estructural
5. Genera un borrador de narrative en ruso o inglés: qué ocurrió, qué tan significativo es, con qué métricas y segmentos está relacionado
6. Publica el resultado en el formato elegido: publicación en Slack, envío por email, página en Confluence o Notion, diapositiva de PowerPoint junto al gráfico

El executive reporting pasa de ser un proyecto semanal a uno de un día. Los analistas reciben un borrador listo que solo hay que revisar y ajustar, en lugar de escribir desde cero cada lunes.

Lo que la automatización NO hace

• No reemplaza el análisis profundo de causas — el agente de IA registra el hecho del cambio, pero la investigación de "por qué exactamente así" recae en el analista y requiere contexto de dominio
• No toma decisiones de gestión — el narrative proporciona descripción e hipótesis, mientras que las conclusiones y acciones corresponden a la dirección
• No funciona sin datos de calidad — si las métricas en el almacén se calculan con errores o el esquema no está documentado, el narrative repetirá y amplificará esos errores

Arquitectura técnica de la solución con custom-code: servicio Python o Node.js con acceso al almacén de datos y a la LLM-API. El agente de IA funciona por programación o trigger y convierte los cambios numéricos en texto en el lenguaje de negocio del equipo.

Implementación paso a paso:

1. Conexión a las fuentes de datos — conector SQL al almacén (Snowflake, BigQuery, Redshift, ClickHouse) o a la API de la herramienta BI (Looker, Tableau, Power BI)
2. Configuración de la capa semántica — lista de métricas clave con nombres de negocio comprensibles, unidades de medida, dirección "crecimiento bueno / malo" y umbrales admisibles
3. Detector de cambios — algoritmo que compara los valores actuales con el historial, tiene en cuenta la estacionalidad y la significancia estadística, y filtra el ruido
4. Generador de narrative — el LLM (modelo de IA o modelo equivalente) recibe como entrada una tabla de cambios y escribe el texto según la plantilla del prompt teniendo en cuenta el tono corporativo
5. Plantillas por formato — un prompt separado para el mensaje de Slack, uno separado para el envío por email, uno separado para la diapositiva de PowerPoint o la página de Confluence
6. Entrega — integración con el sistema CMS/content y la herramienta BI: publicación del narrative junto al dashboard o en el mensajero corporativo según programación

Componentes del sistema

Seguridad y compliance

El agente necesita acceso read-only al almacén y a las herramientas BI — no se requiere escritura ni modificación de esquemas. Los secretos y tokens se almacenan en un gestor como AWS Secrets Manager o Doppler, no en el código. Si en las métricas aparece PII, el filtrado y la agregación se realizan antes de enviar los datos al LLM. El audit-log registra qué números se enviaron al modelo y qué narrative resultó — esto ayuda a analizar errores, verificar la factología y responder a las solicitudes del servicio de compliance.

Enfoques alternativos

• Add-ons BI listos con comentarios de IA (Tableau Pulse, ThoughtSpot Sage) — inicio más sencillo, pero menos flexibilidad para el lenguaje interno de la empresa y la especificidad de los informes
• Soluciones no-code sobre motor de workflow + LLM API — la primera versión es más rápida, pero limitadas en el trabajo con un gran número de métricas y la lógica compleja del detector
• Custom-code puro en Python — personalización máxima para la especificidad de los informes e integraciones, pero requiere más tiempo de implementación

Posibles escollos

• Una semántica de métricas mal etiquetada provoca que el narrative confunda causas y consecuencias
• Falta de historial — si la empresa dispone de pocos datos de periodos anteriores, el detector no distinguirá un cambio normal de una anomalía
• Sin revisión de los borradores en las primeras semanas, los prompts no llegan a calibrarse con el tono real de la dirección

Qué se necesita para el lanzamiento:

• Una fuente de datos estructurada — un almacén con métricas actualizadas regularmente (Snowflake, BigQuery, ClickHouse, Redshift) o una herramienta de BI con API
• Una lista de métricas clave con definiciones de negocio — sin esto el narrative no podrá distinguir "los ingresos cayeron" de "los ingresos de un segmento volvieron a la normalidad"
• Acceso a la API de LLM — Anthropic, OpenAI o un modelo desplegado localmente con una longitud de contexto suficiente
• Canal de publicación — Slack, Confluence, plantilla de email o página de Notion, donde el agente deposita el narrative listo

Preparación del equipo

• Un ingeniero con experiencia en Python o Node.js y SQL — para construir los conectores, el detector de cambios y las integraciones con los canales de entrega
• Un analista o data-engineer — para definir la relevancia de las métricas, escribir las plantillas de prompt y calibrar el tono del narrative
• Un stakeholder del lado de la dirección — para validar los primeros narrative y ajustar el estilo y el nivel de detalle

Plazos

Para la complejidad week, la construcción toma 2-4 semanas. La primera semana se destina a la conexión de fuentes y el etiquetado de métricas clave. La segunda — al ensamblaje del narrative-pipeline y el detector de cambios. La tercera-cuarta — a las iteraciones con los informes piloto, la calibración de prompts y la configuración de la entrega en Slack, Confluence o Notion.