La presentación debe entregarse esta tarde. Tienes tres archivos exportados en tu bandeja de entrada: billing_events (31.482 filas, del 01/01/2026 al 30/06/2026), customers (8.104 filas) y support_tickets (12.760 filas). Un interesado (stakeholder) solicita una única diapositiva que responda si la tasa de abandono de clientes (churn) está aumentando y por qué.
Una herramienta de IA puede redactar una narrativa y proponer gráficos rápidamente. Sin embargo, tú sigues siendo el responsable de las cifras. Si la tasa de abandono que aparece en la presentación es incorrecta, las consecuencias posteriores recaen sobre ti. La IA no validó la definición de la métrica ni verificó las claves de unión (join keys), y no se le puede exigir responsabilidad cuando el departamento de Finanzas cuestione la cifra.
Descubre cómo se integra la asistencia de la IA en un flujo de trabajo descriptivo de principio a fin.
Un LLM (modelo de lenguaje de gran tamaño) es un modelo de generación de texto que predice cuáles son las siguientes palabras más probables. En el trabajo de análisis, esto significa que genera propuestas de resúmenes y pasos a seguir, no resultados validados.
Un prompt es la instrucción que se le da al modelo. Si no se especifica la dimensión de segmentación, el modelo suele resumir los promedios generales y omitir el patrón que se pretendía explicar. Se trata de un fallo en el prompt que conlleva consecuencias para la elaboración de informes.
Una ventana de contexto es la cantidad limitada de texto que el modelo puede procesar simultáneamente. Si solo se pega la tabla de KPI y no la definición de la métrica, el modelo describirá con seguridad una cifra que no comprende realmente.
Una alucinación consiste en contenido inventado que se presenta como un hecho real. En una presentación de KPI, esto se manifiesta mediante factores explicativos (drivers) o definiciones ficticias, o bien a través de una descripción de gráfico que no coincide con la agregación de datos subyacente.
El uso de herramientas implica que el modelo puede invocar funciones externas, como consultas a hojas de cálculo o conectores de bases de datos. Esta capacidad mejora el acceso a la información, pero no garantiza la exactitud; sigue siendo necesario verificar que los filtros, las uniones (joins) y el tratamiento de valores nulos se ajusten a lo que se pretende obtener.
Analice cómo se relacionan estos términos con los riesgos de exactitud, privacidad y auditabilidad.
La IA destaca a la hora de convertir resultados ya calculados en un lenguaje claro. Puedes pedirle que redacte títulos para diapositivas, añada anotaciones a un gráfico o proponga desgloses adicionales, como segmentar la tasa de abandono (churn) según el nivel del plan (plan_tier) o el mes de registro (signup_cohort_month).
La IA también resulta útil para identificar posibles patrones. Puede analizar una tabla resumen y señalar que las cancelaciones se concentran en los planes “Básico” o que el volumen de tickets aumentó antes de que lo hiciera la tasa de abandono. Esto sirve para generar hipótesis, no constituye una prueba definitiva.
La IA no es fiable a la hora de garantizar la veracidad de los datos. No sabe si el customer_id es único en la tabla customers, si billing_events contiene registros retroactivos o si la tasa de abandono se define como “falta de pago en 30 días” frente a una “cancelación explícita”. Esas son cuestiones de definición y calidad de los datos que debes resolver tú; si las pasas por alto, asumes la responsabilidad de cualquier error resultante.
Antes de compartir cualquier afirmación generada con ayuda de la IA, verifica al menos una cifra comparándola con la exportación de datos original y reformula la definición de la métrica con tus propias palabras. Así es como el borrador se vuelve auditable.
Distingue entre los resultados de la IA que puedes reutilizar directamente y aquellos que debes verificar.