“El enriquecimiento semántico (Semantic Enrichment) es el proceso por el que los datos adquieren significado: dejan de ser registros y se convierten en conocimiento interpretable. Es la operación que cierra la distancia entre lo que los datos dicen y lo que el negocio quiere decir —añadiendo el contexto, la precisión y el significado que separan una respuesta correcta de una respuesta meramente plausible. En la práctica, significa que cada tabla y cada columna del modelo de datos se expone con la descripción precisa de su contenido, su uso y su lugar en la lógica de negocio. Sin ese enriquecimiento, la IA lee. Con él, comprende“.
Una visión de contexto a vista de pájaro
El fracaso de la mayoría de los proyectos de IA en entornos empresariales no obedece a insuficiencias en los modelos de cómputo ni a la escasez de datos. Más bien responde a un problema previo y más fundamental: la ausencia de una capa de significado que traduzca los datos crudos al lenguaje preciso del negocio. Sin ella, el sistema más sofisticado del mercado no puede saber qué entiende la organización por «reveneu», por «usuario activo» o por «margen de contribución». Puede parecer una obviedad, pero no lo es.
En este post analizaremos por qué la capa semántica —la infraestructura que codifica ese significado de forma gobernada, versionada y accesible en tiempo de ejecución— ha dejado de ser una elección arquitectónica para convertirse en un requisito estratégico de primer orden. De hecho, Gartner la ha equiparado, en términos de relevancia institucional, a la ciberseguridad. Lejos de ser un eufemismo, Gartner razona con criterio estratégico esta afirmación.
En línea con este desafío, Sisense ha puesto a disposición del mercado una de las implementaciones más coherentes y operativas para activar el enriquecimiento semántico. Se trata de Sisense Intelligence —Semantic Enrichment, Perspectives y MCP Server—, que conforma una arquitectura operativa y gobernada que responde directamente a estos retos tal y como veremos más adelante.
Pero antes de entrar en materia, veamos algunas evidencias que reflejan el estado del arte a día de hoy.
Las organizaciones que establezcan unos fundamentos semánticos sólidos en sus infraestructuras de datos, acumularán hacia 2028 una ventaja competitiva que no admite réplica rápida. Les proporcionará una ventaja competitiva sólida y sostenible.
La ilusión de progreso: la brecha inversión y retorno
Pocas transformaciones tecnológicas han concentrado tanta atención directiva en tan poco tiempo como la irrupción de la Inteligencia Artificial Generativa (GAI) en el tejido empresarial. Los consejos de administración han incorporado el tema a sus agendas con una urgencia que rara vez se aplica a cuestiones puramente tecnológicas. Y con razón: las implicaciones potenciales —en productividad, en ventaja competitiva, en la naturaleza misma del trabajo cognitivo— justifican la seriedad con que se abordan.
Y, sin embargo, los resultados cuentan una historia muy diferente.
En 2025, la inversión empresarial global en iniciativas de IA superó los 684.000 millones de dólares. Investigaciones recogidas por Pertama Partners estiman que más del ochenta por ciento de esas inversiones no produjeron el retorno esperado.
80%
Pertama Partners, 2025
95%
MIT Project Nanda, 2025
4x
Gartner, Abril 2026
La explicación convencional atribuye estos resultados a la complejidad de la implementación, a la resistencia cultural o a la inmadurez de los modelos. Pero en base a nuestra experiencia, ninguna de estas lecturas es incorrecta; todas son, sin embargo, superficiales. Ocultan una barrera más crítica que antecede a cualquier decisión sobre arquitectura o gestión del cambio: el problema del “significado”.
Los modelos de lenguaje de última generación (LLM) son, en sentido técnico, instrumentos extraordinarios. Pueden sintetizar corpus vastos, razonar sobre estructuras complejas y comunicar con una fluidez que frecuentemente supera la de sus interlocutores humanos.
Pero una cosa es clara: lo que no pueden hacer —con independencia del número de parámetros o de la sofisticación de su arquitectura o de la madurez del modelo— es saber qué significa «reveneu» en tu empresa. Ni «usuario activo». Ni «retención». Ni «margen de contribución» … Ilustrativo, claro, por simplificarlo.
Y, como afirma nuestro CEO, la razón es bastante evidente.
«La Inteligencia Artificial —o nuestros intentos para obtener buenos resultados de la IA generativa y agéntica— no fracasa por falta de potencia computacional. Fracasa porque nadie le ha enseñado el lenguaje (particular) de nuestro negocio».
Luis M. Fernández Montañez
El problema del “significado” en contexto
Existe una distinción filosófica —que la ingeniería de sistemas ha tardado en incorporar a su vocabulario— entre el «dato» y el «significado».
Un «dato» es una representación formal de una realidad: la cifra que aparece en la columna «amount» de una tabla de transacciones. El «significado» es la interpretación que los equipos de la organización han construido sobre ese dato a lo largo del tiempo: qué incluye y qué excluye, cuándo se aplica un criterio u otro, quién tiene autoridad para redefinirlo.
Las organizaciones han acumulado décadas de ese conocimiento interpretativo en la memoria colectiva de sus analistas, en convenciones no escritas, en excepciones que se aplican sin documentarse. El analista que lleva ocho años en el equipo financiero sabe que el «reveneu» del informe mensual excluye las devoluciones del primer mes y aplica el criterio de reconocimiento por devengo. Lo sabe con la misma naturalidad con que es capaz de describir con los ojos cerrados la disposición de las mesas de su oficina. No lo ha aprendido de ningún manual: lo ha absorbido por ósmosis institucional.
Los sistemas de Inteligencia Artificial Agéntica eliminan al intermediario. Y, al eliminarlo, exponen la ausencia de lo que jamás fue necesario codificar formalmente porque siempre había un ser humano capaz de aplicarlo tácitamente.
En ausencia de definiciones gobernadas, el modelo no alucina en el sentido técnico del término: no inventa datos que no existen. Hace algo más difícil de detectar: elige, con plena coherencia interna, entre interpretaciones igualmente plausibles de los datos disponibles, sin poder saber cuál es la correcta para la organización. El resultado es una respuesta fluida, estructuralmente impecable y, sin embargo, equivocada.
La brecha entre ambas columnas no es un defecto técnico. Es una consecuencia inevitable de la arquitectura con la que la mayoría de las organizaciones han construido sus sistemas de datos: optimizada para el procesamiento eficiente, no para la transmisión del significado. Mientras el circuito incluyó analistas humanos en cada eslabón de la cadena, esa brecha permaneció invisible. La IA agéntica la hace estructuralmente inevitable.
Es en ese momento cuando el coste de la ambigüedad semántica deja de ser lineal.
El coste de la ambigüedad semántica a escala: el peaje semántico
A partir de la síntesis de diversas fuentes del sector, en Parapentex Studios hemos identificado un patrón recurrente al que denominamos «Peaje Semántico», conocido también en el mercado como «Reconciliation Tax»: el capital que las organizaciones dedican periódicamente a ponerse de acuerdo sobre qué ocurrió ayer: reuniones de alineación, correcciones de informes, fricciones organizativas y tiempo de analistas empleado en verificar cifras que deberían ser inequívocas.
En una empresa de tamaño medio, con múltiples herramientas de inteligencia de negocio y equipos con definiciones divergentes, este coste puede superar los cuatrocientos mil euros anuales. Cuando el mismo malentendido se propaga a la velocidad y escala de un agente de IA, el coste deja de ser operativo para convertirse en estratégico.
La visión de los analistas del mercado
Los analistas del mercado, que analizan la evolución de la industria tecnológica han convergido con una unanimidad, algo poco frecuente en este campo, en un diagnóstico que hace apenas dos años habría parecido desproporcionado: la capa semántica es infraestructura crítica.
El reencuadre estratégico
Durante una de las sesiones del Gartner Data & Analytics Summit 2026, Rita Sallam —Chief of Research, Data and Analytics de la firma— formuló una predicción que ha reenmarcado el debate en todas las organizaciones que la han escuchado con la atención que merece: «Para 2030, las capas semánticas universales serán tratadas como infraestructura crítica, al mismo nivel que las plataformas de datos y la ciberseguridad» (Gartner Data & Analytics Summit. Signature Series, Orlando, marzo de 2026).
Conviene detenerse en la precisión de esta analogía.
La ciberseguridad no se convirtió en una prioridad del comité de dirección porque los consejos de administración desarrollaran una súbita fascinación por la criptografía: se convirtió en prioridad porque un fallo de seguridad dejó de ser un incidente operativo para transformarse en un riesgo reputacional, de responsabilidad legal y de continuidad del negocio. Gartner está señalando que la semántica de los datos recorrerá el mismo itinerario, y por razones análogas: un fallo semántico no produce un cuadro de mando incorrecto; en un entorno con agentes autónomos, produce una decisión incorrecta ejecutada con plena autoridad del sistema.
Las proyecciones cuantitativas de Gartner añaden “urgencia” a ese diagnóstico: las organizaciones que prioricen la semántica en su preparación para la IA podrían incrementar la precisión de sus modelos hasta en un 80% y reducir costes operativos hasta en un 60% de cara a 2027 (Gartner, Rethink Semantic Layers to Support the Future of Analytics and AI, abril de 2025).
La prescripción institucional que acompaña a ese pronóstico es igualmente directa: «los líderes de Data & Analytics deben presupuestar capacidades semánticas como una base no negociable» (Gartner, Top Trends in D&A for 2026: Making Composite Semantic Layers Interoperable, febrero de 2026).
Semántica y contexto: dos caras de la misma infraestructura
Más allá de la predicción sobre el concepto de infraestructura crítica, Gartner ha articulado una distinción conceptual que permite a las organizaciones tomar decisiones arquitectónicas precisas. De hecho, Arun Chandrasekaran —Distinguished VP & Analyst Artificial Intelligence (AI)— formuló el problema con bastante claridad: los agentes de IA «están atascados con un contexto parcial a menos que se diseñe la imagen completa en el sistema».
De esa constatación emerge una distinción que Gartner considera un fundamento:
Según Gartner, el diagnóstico cuantitativo sobre el estado actual de la industria es igualmente claro y sin eufemismos: cuatro (4) de cada cinco (5) organizaciones han incrementado su inversión en IA en 2026, pero solo una (1) de cada cinco (5) muestra retornos medibles. La brecha tiene un origen preciso: el contexto de negocio permanece fragmentado entre documentación dispersa, conocimiento tácito y herramientas desconectadas entre sí. (cf. Gartner, D&A Summit 2026. Unwind Data, Key Takeaways on Context & AI, mayo de 2026).
La causa no reside en la debilidad de los modelos. Reside en que los agentes de IA, privados de contexto semántico gobernado, no producen errores evidentes —errores que activarían un mecanismo de revisión— sino respuestas fluidas y estructuralmente plausibles que son, sin embargo, incorrectas de manera sistemática.
Esa es la variante más peligrosa del error: la que no activa la duda.
La respuesta de Sisense
Como hemos visto sintéticamente, todos los analistas apunta hacia la necesidad de disponer de una arquitectura bien definida.
Lo que diferencia a Sisense en ese contexto no es la adopción reactiva de una tendencia, sino el hecho de haber construido, de forma coherente y nativa, los componentes que materializan esa arquitectura. Su implementación de la capa semántica no es un complemento: es la eje vertebral sobre la que opera toda la plataforma.
El modelo de datos como fuente de verdad semántica
La consecuencia para la IA
El diagnóstico es claro y el mercado lo confirma: existe una arquitectura que da respuesta a este problema.
Lo que diferencia a Sisense en ese contexto no es la adopción reactiva de una tendencia de mercado que ha venido para quedarse, sino el hecho de haber construido, de forma coherente y nativa, los componentes que materializan esa arquitectura.
La implementación de la capa semántica en Sisense no es un complemento: es la columna vertebral sobre la que opera toda la plataforma.
Veamos a continuación sus principales elementos.
«Un agente que consulta datos a través del modelo semántico de Sisense no necesita inferir el significado de las columnas que lee: recibe una definición certificada. La diferencia entre ambos escenarios no es marginal: en el primero, el agente razona sobre datos; en el segundo, razona sobre conocimiento de negocio».
Josué Fernández Villegas
Semantic Enrichment: inteligencia aplicada al propio modelo
El enriquecimiento semántico de Sisense, incorporado a la plataforma en el segundo trimestre de 2025 como parte de Sisense Intelligence, aborda uno de los obstáculos más frecuentes en implementaciones reales: los modelos de datos bien construidos en su lógica rara vez están bien descritos en sus metadatos.
Los nombres de las columnas son definiciones técnicas o heredadas de sistemas Legacy. Las tablas se identifican con abreviaciones que solo comprenden quienes las crearon. Como resultado, un asistente de IA que no dispone de descripciones semánticas precisas estará perpetuamente tentado de inferir interpretaciones que pueden ser parcialmente correctas y, por ese mismo motivo, particularmente peligrosas.
Por tanto, el enriquecimiento semántico de Sisense analiza automáticamente el modelo de datos y genera descripciones de tablas y columnas empleando la propia Inteligencia Artificial de la plataforma. Esas descripciones no son documentación “pasiva” para consulta humana: son metadatos “activos” que el AI Assistant de Sisense consume en tiempo de ejecución para interpretar con precisión las preguntas formuladas en lenguaje natural.
En definitiva: Sisense está utilizando la Inteligencia Artificial para mejorar la efectividad de la Inteligencia Artificial.
Perspectivas: semántica adaptada sin fragmentación
Veamos en primer lugar la problemática y la casuísitica que encontramos en muchos casos.
Una de las tensiones más persistentes en organizaciones con cierto grado de madurez analítica es que distintas funciones de negocio operan legítimamente con definiciones ligeramente distintas de las mismas métricas. El equipo de producto mide al «Usuario activo» con una ventana de veintiocho días. El equipo comercial emplea treinta. La dirección general consolida ambas definiciones con una metodología propia para los informes al consejo.
La solución tradicional a esta tensión ha sido duplicar el modelo, una práctica que genera inconsistencias y multiplica el trabajo de mantenimiento: cada equipo mantiene su propia versión de la verdad, lo que multiplica el trabajo de mantenimiento y garantiza la divergencia progresiva.
Las Perspectivas de Sisense resuelven esta tensión de forma elegante: son sub-modelos que heredan la lógica y los datos del modelo central, incorporando únicamente las adaptaciones semánticas específicas que requiere cada audiencia, pero sin duplicar la lógica compartida.
Cuando el Asistente de Sisense opera sobre una Perspectiva concreta, responde con las definiciones precisas para ese contexto. La gobernanza no se fragmenta: se adapta.
Sisense Intelligence y el MCP Server: el cierre del ciclo semántico
La culminación de esta arquitectura es Sisense Intelligence, presentado en mayo de 2025: una suite unificada que integra el AI Assistant, el Managed LLM y el MCP Server.
El MCP Server —que implementa el Model Context Protocol, estándar de facto para la conexión de agentes de IA a fuentes de datos, transferido a la Linux Foundation en diciembre de 2025— garantiza que todas las respuestas del asistente provengan del modelo semántico gobernado y no de los datos crudos subyacentes.
¿Qué implicaciones tiene para la dirección? Cuando un directivo formula una pregunta al Assistant de Sisense, la respuesta no procede de una inferencia del modelo sobre los datos disponibles. Procede del mismo modelo semántico que alimenta los paneles ejecutivos, con las mismas definiciones, las mismas reglas de cálculo y los mismos controles de acceso.
En consecuencia, Sisense mantiene los controles de acceso en tiempo de ejecución; preserva la gobernanza empresarial con independencia del volumen de consultas y hace que el AI Assistant sea, en términos de consistencia, la misma fuente de verdad que el informe trimestral del director financiero.
«Esa consistencia es la que permite que un directivo tome una decisión basándose en la respuesta del asistente sin necesidad de verificarla».
Luis M. Fernández Montañez
Como se puede ver en la tabla siguiente, cada componente de la plataforma responde a los desafíos semánticos que Gartner ha identificado como determinantes.
Ahora se puede comprender mejor lo que indicábamos al inicio de este post: Sisense ha construido una de las implementaciones más coherentes y operativas disponibles hoy en el mercado. Sisense Intelligence y todos sus componentes —Semantic Enrichment, Perspectives y MCP Server—, conforman una arquitectura operativa y gobernada que responde directamente a estos desafíos.
OvalEdge y Sisense: la sinergia que cierra el ciclo
Las capacidades de Sisense descritas anteriormente, constituyen una arquitectura semántica sólida y operable. Existe, sin embargo, una dimensión de la gobernanza del dato que ningún motor de analytics —por muy bien diseñado que esté— puede abordar en solitario: la dimensión del catálogo (Data Catalog).
La cuestión no es solo qué significa una métrica dentro de la plataforma de analítica, sino dónde nació ese dato, qué transformaciones ha sufrido a lo largo de su recorrido desde el sistema de origen, quién certifica su calidad hoy y bajo qué políticas de acceso se distribuye en el conjunto de la organización. Ese es el territorio de OvalEdge.
Antes de avanzar, debemos tener en cuenta una distinción importante. Las implementaciones más robustas de semántica empresarial combinan herramientas de modelado semántico con un catálogo de datos gobernado, en lugar de delegar ambas responsabilidades en una única plataforma. Sisense resuelve el significado. OvalEdge resuelve otras cuestiones relevantes: de dónde viene el dato, en qué estado se encuentra y quién responde por él.
OvalEdge: gobernanza activa del Catálogo de Datos
OvalEdge —reconocida como Niche Player en el Gartner Magic Quadrant for Data and Analytics Governance Platforms de enero de 2025— es una plataforma de Data Governance que incluye capacidades para gestionar cualquier catálogo de datos empresarial, combinando tres capacidades que completan, desde el exterior de la plataforma de analítica, la arquitectura semántica que Sisense establece en su interior:
Descubrimiento y enriquecimiento de metadatos
OvalEdge rastrea automáticamente los activos de datos de la organización —tablas, columnas, informes, pipelines— y los enriquece con contexto semántico mediante agentes de IA (askEdgi) que clasifican, etiquetan y actualizan los metadatos en tiempo real, sin intervención manual sistemática.
Glosario de negocio gobernado
Cada término —«reveneu», «usuario activo», «retención»— dispone en OvalEdge de una definición única, certificada, con propietario declarado y flujos de aprobación formalizados: el contrato formal entre quienes producen los datos y los sistemas que los consumen, incluidos los agentes de IA.
Linaje de datos (end-to-end)
OvalEdge traza el recorrido completo de cada dato desde su sistema de origen, a través de cada transformación, hasta su aparición en un informe o en la respuesta de un agente. Esa trazabilidad convierte la semántica en un sistema auditable, no en una declaración de intenciones.
La integración: un conector nativo, una arquitectura coherente
La sinergia entre ambas plataformas no es conceptual: está completamente implementada. OvalEdge dispone de un conector nativo para Sisense que establece conectividad vía REST API, soportando tanto el rastreo (crawling) del modelo de datos como la construcción de linaje sobre los activos analíticos de la plataforma.
La asociación tiene una historia e intención declarada: Sisense y OvalEdge son partners oficiales con el objetivo explícito de que los usuarios identifiquen correctamente los datos que necesitan analizar, trazando su origen y gobernando su uso a lo largo de todo el ciclo analítico.
En términos arquitectónicos, la combinación produce una división de responsabilidades que es, al mismo tiempo, precisa y complementaria como veremos a continuación:
El resultado de esta combinación es una arquitectura que responde con rigor a las dos preguntas que Gartner identifica como fundamentales para la IA empresarial: «¿qué significa este dato?» y «¿puedo confiar en él ahora?». Sisense responde la primera. OvalEdge garantiza la segunda.
Una decisión que no puede delegarse
Construir una capa semántica no es, en su naturaleza profunda, un proyecto técnico. Es una decisión de gobierno corporativo sobre los activos de conocimiento de la organización. Requiere, por tanto, tomar posición sobre cuestiones que tal vez, hasta ahora, han permanecido implícitas porque jamás fue necesario explicitarlas: los analistas las resolvían en silencio y a diario.
La IA agéntica ha cambiado esa ecuación. Veamos a continuación cuatro aspectos que merecen una respuesta directa de la alta dirección antes de tomar cualquier decisión de escala:
¿Quién tiene autoridad en la organización para definir «reveneu»? ¿El equipo financiero? ¿El equipo de producto? ¿Y qué ocurre cuando sus interpretaciones divergen, como inevitablemente ocurre en cualquier empresa de cierta complejidad?
¿Cómo se versionan esas definiciones cuando las reglas de negocio cambian? ¿Quién aprueba los cambios y cómo se comunican a los sistemas que dependen de ellas? ¿Puede la organización demostrar, ante una auditoría interna o externa, qué definición estaba vigente en el momento en que se tomó una decisión concreta?
¿Quién responde cuando un agente de IA toma una decisión basada en una definición desactualizada o incorrecta? ¿El equipo de datos? ¿El equipo de negocio que no certificó la métrica? ¿El proveedor de la plataforma?
¿Cómo sabe la organización, en este preciso momento, si los agentes de IA que ya tienes desplegados operan con definiciones correctas y vigentes? ¿El modelo de gobernanza está diseñado para escalar con el número de agentes actuales, o cada nuevo caso de uso requiere redefinir las reglas desde cero?
El diagnóstico o el punto de partida para aprovechar la ventaja competitiva
Antes de cualquier iniciativa de implementación, cinco preguntas permiten establecer con honestidad el punto de partida real en el que está la organización:
¿Existe una definición única, documentada, aprobada y versionada de «reveneu» que todos los equipos y sistemas de la organización utilizan de manera consistente?
La organización debería tener publicado un documento formal, versionado y accesible, que recoge la definición aprobada con su propietario y fecha de última revisión.
¿Si un agente de IA nuevo —sin configuración específica más allá del acceso a los datos— recibiera la pregunta «¿cuáles fueron nuestros ingresos del último trimestre?», devolvería el mismo número que su equipo financiero presentaría al consejo de administración?
Debería poder realizarse periódicamente un test documentado que compare la respuesta del asistente con el informe financiero oficial, con resultado idéntico.
¿Puede la organización trazar cualquier respuesta generada por un agente de IA hasta la definición de negocio, la transformación de datos y el propietario que la certificó?
Se debería contar con un registro de linaje que muestre, para cualquier cifra generada, la tabla de origen, la transformación aplicada y el responsable que certificó la métrica.
¿Tienen las métricas críticas de negocio propietarios declarados, con un proceso formal —y operativo— para revisar y actualizar sus definiciones cuando las reglas cambian?
Debería existir un inventario de métricas críticas con propietario asignado, fecha de última revisión y registro de cambios histórico.
¿Está la definición de «usuario activo» que emplea el equipo de producto alineada con la que utiliza el equipo comercial para reportar con el informe Monthly Recurring Revenue que se distribuye al comité de dirección?
Debería existir un glosario de negocio compartido, con la definición acordada entre ambos equipos y la fecha en que fue ratificada.
Si alguna de estas preguntas no admite una respuesta inequívocamente afirmativa, la organización presenta un déficit semántico que ningún modelo más sofisticado, ningún proveedor adicional y ningún incremento en el presupuesto de infraestructura de cómputo resolverá. El problema no reside en el procesamiento: reside en el significado.
Y por tanto, los efectos de la sangría provocada por costes ocultos asociados a esta ambigüedad semántica será inevitable si no se toman medidas correctoras de forma urgente.
Conclusiones
Hay momentos en la historia de las infraestructuras tecnológicas en que el mercado pasa, con relativa celeridad, del debate teórico a la ejecución. Para la capa semántica, ese momento es el presente, no tenemos ninguna duda.
Gartner la ha situado al mismo nivel de relevancia que la ciberseguridad en el horizonte de 2030. Y en el mercado vemos que organizaciones pioneras la están construyendo activamente. Y Sisense ha entregado en 2025 una arquitectura que hace posible avanzar sobre bases sólidas sin partir de cero.
No es una promesa, es una realidad.
«La inteligencia empresarial necesita una infraestructura de significado sobre la que operar con rigor y fiabilidad. Sin una base sólida, la IA Agéntica operará sobre arenas movedizas».
Josué Fernández Villegas
Y tal y como hemos analizado en el informe Agentic AI + Data Analytics: automatización decisional, ejecución inteligente, la inteligencia empresarial dejará de ser un conjunto de herramientas y proyectos aislados para transformarse en un sistema operativo donde datos, analítica, IA y agentes inteligentes fluirán de manera coordinada y gobernada, permitiendo a la alta dirección tomar decisiones estratégicas con confianza, velocidad y trazabilidad.
¿Quieres saber cómo tu organización puede utilizar Sisense y OvalEdge para mejorar tu estrategia, dotar de significado a tus datos mediante el enriquecimiento semántico y la gobernanza activa?
¡Hablemos!
Parapentex Studios, June 2026