Conectar un agente de IA a Power BI: informes bajo demanda

Conectar la IA con Power BI consiste en poner un agente entre tus informes y las personas que los consumen: alguien pregunta «¿por qué cayó el margen de la línea B el mes pasado?» en lenguaje natural, el agente consulta el modelo semántico de Power BI, devuelve la cifra con su desglose y adjunta el gráfico. Nadie abre el informe, nadie filtra, nadie espera a que el analista tenga un hueco.

Lo interesante no es el chat. Es lo que ocurre alrededor: alertas que se disparan cuando una métrica se sale de su rango habitual, informes que se generan y se distribuyen solos cada lunes con el comentario ya escrito, y un histórico de preguntas que te dice —por primera vez con datos— qué necesita de verdad tu organización y qué informes no abre nadie. Nosotros operamos así nuestros propios cuadros de mando: la capa de BI la mira un agente, y las personas solo reciben lo que ha cambiado.

¿Qué hace exactamente un agente conectado a Power BI?

Hace tres cosas: responde preguntas contra el modelo de datos, vigila métricas y distribuye resultados. No sustituye a Power BI —el modelo semántico, las medidas DAX y el gobierno del dato siguen siendo la base—, sino que elimina la fricción entre ese modelo y la persona que necesita una respuesta.

El flujo típico es este: el agente recibe la pregunta, la traduce a una consulta contra el modelo semántico (no contra tablas sueltas), obtiene el resultado, lo contrasta con el periodo anterior y redacta la respuesta con el número, la variación y las dos o tres dimensiones que más explican el cambio. Si la pregunta no se puede responder con el modelo actual, lo dice en vez de aproximar.

Esa distinción es la clave técnica del proyecto: el agente consulta el modelo semántico, no la base de datos en bruto. Las medidas ya están definidas, los filtros de seguridad a nivel de fila se aplican igual que para un usuario humano, y «margen» significa exactamente lo que la dirección financiera decidió que significa. Un agente que consulta directamente el data warehouse se inventa su propia definición de margen, y ahí empieza el desastre.

¿Cómo se evita que el agente invente cifras?

Con tres controles que se implementan desde el primer día. Primero, el agente no genera números: ejecuta una consulta y transcribe el resultado. Todo lo que aparece en la respuesta tiene que proceder de una consulta ejecutada, y esa consulta queda registrada.

Segundo, cada respuesta lleva su procedencia: qué medida se usó, qué filtros se aplicaron, sobre qué periodo. Cuando el director comercial pregunta «¿de dónde sale ese 12%?», la respuesta está en la propia respuesta. Sin trazabilidad, el primer dato discutido tumba el proyecto entero.

Tercero, el agente tiene permiso para decir «no lo sé». Es la pieza que más se descuida y la que más confianza construye: preguntas que el modelo no puede responder —porque el dato no está, porque la granularidad no llega, porque el periodo no está cargado— devuelven un «esto no está en el modelo, necesitarías X» en lugar de una estimación plausible. Un agente que nunca dice que no es un agente en el que no se puede confiar.

El mismo principio se aplica en cualquier integración con un sistema de gestión: es lo que explicamos al conectar un agente de IA a Dynamics 365 Business Central, donde el ERP es la fuente de verdad y el agente solo lee y escribe a través de sus APIs, nunca «por debajo».

Más allá de preguntar: alertas y distribución automática

La parte que más ahorra no es el chat, es lo que ocurre sin que nadie pregunte. Dos patrones cubren la mayoría de los casos en una pyme.

Alertas con contexto. En vez de la alerta clásica de Power BI («la métrica ha superado el umbral»), el agente detecta la desviación, investiga las dimensiones que la explican y envía un mensaje utilizable: «Las ventas de la delegación Norte están un 18% por debajo del mismo mes del año pasado; el 70% de la caída viene de dos clientes que no han hecho pedido en septiembre.» Eso llega por email, Teams o Slack, y ya trae el siguiente paso sugerido.

Distribución automática con comentario. Cada lunes, el agente compila el informe de la semana, redacta un resumen de 5-8 líneas con lo que ha cambiado respecto a la semana anterior, y lo envía a cada responsable con el corte que le corresponde. El comercial recibe su cartera, el director de operaciones el suyo, el gerente el consolidado. La misma tarea que hoy hace una persona los lunes por la mañana durante dos horas.

El efecto secundario más valioso llega a los tres meses: el registro de preguntas. Sabrás qué se pregunta de verdad, con qué palabras y con qué frecuencia. En todos los despliegues que hemos hecho, ese registro ha provocado un rediseño del modelo de datos —informes que nadie abría, métricas que todo el mundo pedía y no existían—. Es un subproducto gratuito de auditoría de tu propio BI.

Copilot de Power BI, agente a medida o nada: ¿qué encaja?

Las tres opciones son legítimas y la respuesta depende de cuánto se aparte tu caso del estándar. Esta es la comparación honesta:

Regla práctica: si tu necesidad es «que la gente pregunte sin abrir el informe» y tu modelo está limpio, empieza por Copilot. Si la necesidad es «que alguien vigile los números, escriba el comentario y lo reparta», ahí hace falta un agente, porque el trabajo está fuera de Power BI.

¿Cuánto cuesta y en cuánto tiempo está funcionando?

Un primer alcance —preguntas en lenguaje natural sobre uno o dos modelos semánticos, más alertas y distribución semanal— se sitúa entre 8.000 y 25.000 € y tarda de 4 a 8 semanas hasta producción supervisada. Por debajo de ese rango lo que hay son configuraciones sobre herramientas existentes, que para muchos casos son el punto de entrada correcto.

A eso se añaden dos partidas recurrentes: el consumo de los modelos de lenguaje (para un uso interno típico, decenas a pocos cientos de euros al mes) y el mantenimiento del sistema, entre un 10% y un 20% anual del coste inicial. El desglose completo de esta segunda partida está en nuestra guía sobre el coste de mantenimiento de un agente de IA.

El factor que más mueve el precio no es la IA: es el estado de tu modelo de datos. Si las medidas están definidas, documentadas y nadie discute qué significa cada una, el proyecto es rápido. Si «ventas» significa tres cosas distintas según el departamento, la primera fase del proyecto es ordenar eso —y es dinero bien gastado, porque ese problema te está costando ya sin agentes.

Cómo se monta, paso a paso

1. Audita el modelo semántico. Qué medidas existen, cuáles se usan, cuáles están duplicadas y cuáles nadie sabe explicar. Sin esto no hay proyecto.
2. Elige 15-20 preguntas reales. Pídelas a los tres o cuatro perfiles que más consultan informes. Son tu especificación y tu batería de pruebas.
3. Conecta el agente al modelo, no a la base de datos, respetando la seguridad a nivel de fila que ya tengas configurada.
4. Valida contra las 20 preguntas comparando la respuesta del agente con la respuesta que da hoy el informe. Cualquier discrepancia se resuelve antes de abrir el sistema a nadie.
5. Abre a un grupo piloto de 5-10 personas durante dos o tres semanas y registra todo lo que preguntan.
6. Añade alertas y distribución con lo aprendido, y solo entonces amplía a toda la organización.

¿Qué NO conviene automatizar aquí?

La interpretación con consecuencias y la definición de las métricas. Un agente explica qué pasó y dónde; decidir qué significa para el negocio y qué se hace al respecto sigue siendo trabajo humano, y confundirlo destruye más valor del que crea.

• El cierre de cifras oficiales. Los números que salen a consejo, banco o auditoría se validan con el proceso contable, no con una consulta conversacional.
• La definición de KPIs. Qué mide la empresa y con qué fórmula es una decisión de dirección. El agente aplica; no propone métricas nuevas como si fueran verdad.
• Los datos sensibles sin control de acceso. Si el agente puede leer nóminas, salarios o márgenes por cliente, la seguridad a nivel de fila no es opcional: es el proyecto.
• El diagnóstico causal. El agente señala correlaciones y dimensiones; afirmar «cayó por la subida de precios» es una hipótesis que valida una persona.

Si quieres ver dónde encaja esta pieza dentro de un cuadro de mando de dirección más amplio, lo tratamos en nuestro artículo sobre los KPIs de una empresa AI-First. Y si prefieres plantearlo con un equipo que monta estas integraciones cada semana, así trabajamos desde nuestra consultoría de inteligencia artificial.

Preguntas frecuentes

¿Necesito Power BI Premium o una capacidad Fabric?

Depende de por dónde consulte el agente. Para acceder al modelo semántico mediante las APIs de servicio necesitas normalmente capacidad Premium o Fabric; con licencias Pro puras hay caminos alternativos, pero más limitados. Es lo primero que se revisa en la fase de diagnóstico, porque condiciona la arquitectura entera.

¿El agente puede escribir en Power BI o solo leer?

Lo habitual y recomendable es solo lectura sobre el modelo y escritura en los canales de salida: correo, Teams, un documento, un ticket. Modificar informes o medidas desde un agente es técnicamente posible y casi nunca buena idea, porque rompe el gobierno del dato que justifica tener Power BI.

¿Cuántas personas tienen que usarlo para que compense?

La cuenta rara vez la hace el número de usuarios, sino las horas de analista que se liberan. Si tu equipo de datos dedica más de 5-8 horas semanales a atender peticiones de informes ad hoc y a preparar envíos recurrentes, el proyecto se paga en menos de un año aunque solo lo use la dirección.

¿Funciona con otros sistemas además de Power BI?

Sí, y ahí está la mayor parte del valor: el mismo agente puede cruzar la cifra de Power BI con la ficha del cliente en el CRM y con el estado del pedido en el ERP para responder una sola pregunta. Cada integración añade coste, así que se empieza por una y se amplía con los resultados. Tenemos guías equivalentes para conectar un agente a SAP.

¿Cuánto tarda en dar resultados medibles?

El ahorro en peticiones ad hoc se nota la primera semana. Las métricas de negocio —decisiones tomadas antes, desviaciones detectadas a tiempo— necesitan un trimestre para leerse con seriedad. Por eso se mide la línea base antes de empezar: horas de analista en peticiones, días entre que una desviación ocurre y alguien la ve.