“Sisense viene impulsando la transformación de la industria de Data & Analytics con una visión clara: que la analítica embebida, IA, semántica y gobernanza formen parte de una misma arquitectura. Su enfoque AI-first consolida esa estrategia, integrando además agentes y herramientas de IA mediante MCP para llevar insights y experiencias conversacionales directamente al producto y a los entornos donde trabajan los usuarios, manteniendo contexto, consistencia y control”.
Sisense AI-first Analytics Platform en contexto
Durante años, una de las principales funciones de los equipos de Business Intelligence ha sido proporcionar dashboards e informes que permitieran a los usuarios encontrar respuestas a sus preguntas de negocio.
Aunque muchas organizaciones continúan trabajando bajo este patrón e incorporando progresivamente nuevas capacidades de IA, hoy los usuarios esperan algo diferente: formular preguntas en lenguaje natural, recibir explicaciones, comprender qué ha cambiado y, cada vez más, hacerlo sin abandonar las herramientas donde trabajan.
Esa interacción ya no ocurre únicamente dentro de una plataforma de BI. También sucede dentro del propio producto o aplicación, a través de asistentes de IA o desde herramientas como ChatGPT, Claude o Cursor.
En este contexto, una plataforma AI-first no consiste simplemente en añadir un chatbot sobre una arquitectura de BI existente. Implica que datos, semántica, gobernanza, analítica e IA estén diseñados para funcionar de forma integrada desde el principio y, desde la perspectiva del cliente, que buena parte de estas capacidades estén disponibles out-of-the-box.
Ese es el enfoque que Sisense viene consolidando: convertir la analítica en una capa de inteligencia capaz de integrarse en el producto y extenderse hacia nuevas experiencias de IA sin perder contexto, consistencia ni control.
La propuesta se articula alrededor de cuatro pilares:
Espacio para explorar
Analítica interactiva, self-service y capacidades conversacionales para que los usuarios formulen preguntas, exploren datos y descubran insights directamente dentro del producto, sin depender de equipos técnicos para cada nueva consulta o informe que se necesite.
IA adaptada al producto
Capacidades de white-labeling, personalización de la experiencia y extensibilidad mediante componentes, SDKs, APIs y plugins, para integrar la analítica y la IA de forma nativa en la interfaz del usuario (UI), los workflows y la arquitectura del producto.
Analítica contextualizada y gobernada
Una capa semántica gobernada, enriquecida con contexto de negocio y controles de acceso, que mantiene definiciones consistentes y proporciona a la IA una base fiable para interpretar los datos.
Conexión con agentes mediante MCP
Los datos y métricas gobernados pueden llegar también a herramientas de IA como Claude, ChatGPT o Cursor, respetando los permisos y reglas de acceso de cada usuario.
En la práctica, estos cuatro pilares representan cuatro pilares que convierten la analítica en una capacidad nativa, gobernada y extensible del producto.
Facilitando a los usuarios un espacio para explorar
Cada pregunta que un usuario no puede responder por sí mismo puede terminar convirtiéndose en una nueva petición al equipo de datos o desarrollo. Sisense busca reducir esa dependencia mediante experiencias de analítica interactiva y de autoservicio, que permiten explorar información, analizar métricas y obtener respuestas directamente dentro del producto, sin que el usuario tenga que abandonar su contexto de trabajo.
El motor de buena parte de esta experiencia es Sisense Intelligence, el conjunto de capacidades de IA de la plataforma. Sisense Assistant permite interactuar con los datos mediante lenguaje natural y transformar preguntas en consultas, insights y visualizaciones sin necesidad de utilizar SQL.
A ello se suma Sisense Intelligence Search, que permite describir en lenguaje natural lo que se está buscando y localizar widgets ya existentes en los dashboards accesibles para el usuario. Los resultados se ordenan por relevancia y respetan los permisos existentes, evitando que la búsqueda se convierta en una nueva capa de acceso independiente. La consecuencia es importante: el usuario no siempre necesita saber dónde está la respuesta ni cómo está estructurado el dato. Puede expresar qué necesita y dejar que la plataforma le ayude a encontrarlo.
Y la experiencia no tiene por qué terminar en la búsqueda. Narrativas, explicaciones, forecasting y otras capacidades de IA permiten interpretar los resultados y ayudar a comprender qué está ocurriendo.
La analítica empieza así a evolucionar desde un modelo centrado en consultar información hacia otro orientado a comprender y actuar.
Adaptando la IA a tu producto
Una experiencia analítica embebida debe sentirse como una parte natural o nativa del producto. Si el usuario percibe que ha abandonado la aplicación para utilizar otra herramienta, gran parte del valor de la analítica embebida desaparece. Sisense permite aplicar tu propia marca y diseño corporativo (white-labeling), para que puedas personalizar la experiencia y ampliar sus capacidades mediante componentes, plugins y herramientas para desarrolladores.
En ese caso, los equipos pueden empezar utilizando componentes preconstruidos y enfoques low-code o desarrollar experiencias completamente personalizadas mediante Compose SDK en frameworks como React, Angular o Vue.
Además, las APIs permiten integrar capacidades analíticas y de IA directamente en los flujos de trabajo y componentes propios de cada aplicación.
Todas estas capacidades proporcionan a los equipos de producto distintos niveles de control sobre la experiencia:
- Mantener tu propia identidad visual.
- Decidir dónde y cómo aparece la analítica.
- Adaptar la interacción a cada perfil de usuario.
- Construir componentes específicos y personalizados.
- Extender funcionalidades mediante plugins.
- Incorporar IA sin reconstruir todo el stack analítico.
La lógica es sencilla: la analítica y la IA se adaptan al producto, no el producto a la plataforma analítica.
Manteniendo la analítica contextualizada y gobernada
El principal reto de aplicar la IA a los datos no es simplemente generar una respuesta. Es garantizar que esa respuesta tenga el significado correcto. ¿Por qué es tan relevante?
Un modelo que accede a datos sin suficiente contexto puede interpretar de forma diferente conceptos como “ingresos”, “cliente activo” o “margen”. Cuanto más se extiende el acceso mediante la IA, más importante resulta disponer de una base semántica común.
Sisense aborda este problema mediante cuatro elementos:
Capa semántica centralizada
Establece una definición común de métricas, relaciones, jerarquías y lógica de negocio. Su función es garantizar que conceptos como revenue, margen o cliente activo mantengan el mismo significado independientemente de si se consultan desde un dashboard, mediante Assistant o desde otra experiencia conectada a Sisense.
Enriquecimiento semántico
Añade descripciones y contexto a tablas, campos y otros objetos del modelo para facilitar su comprensión. Este enriquecimiento ayuda tanto a los usuarios como a Sisense Intelligence a interpretar mejor la naturaleza y el propósito de los datos, reduciendo ambigüedades y mejorando la calidad de las respuestas generadas por la IA.
AI Context
Incorpora instrucciones específicas, escritas en lenguaje natural, sobre cómo debe interpretar o utilizar la IA determinados datos u objetos analíticos. Permite trasladar conocimiento de negocio que el esquema no puede expresar por sí solo; por ejemplo qué métrica utilizar para revenue, cómo interpretar un periodo fiscal o qué terminología debe priorizarse en una determinada organización.
Gobernanza
Aplica las reglas que determinan qué información puede consultar cada usuario y bajo qué condiciones. Autenticación, permisos, roles, Row-Level Security y aislamiento multi-tenant siguen actuando también cuando el acceso a los datos se produce mediante Assistant, NLQ o agentes externos. La IA puede interpretar mejor el contexto, pero no amplía los permisos del usuario.
Este punto resulta especialmente relevante en una arquitectura AI-first. No se trata de crear una nueva vía de acceso paralela para la IA, sino de hacer que la IA trabaje dentro de la misma lógica de negocio y las mismas reglas de seguridad que ya gobiernan la analítica.
Y desde abril de 2026, el sistema de gestión de IA que sustenta Sisense Intelligence cuenta además con la certificación ISO/IEC 42001, el estándar internacional para sistemas de gestión de Inteligencia Artificial.
Llevando la analítica a las herramientas de IA que ya utilizan tus clientes
Esta expresión: “Allí donde trabajan tus clientes” ya no significa únicamente dentro de tu producto o aplicación. Cada vez más usuarios trabajan también desde asistentes y agentes de IA y esperan poder consultar sus datos desde esos mismos entornos.
Aquí entra en juego Model Context Protocol (MCP), un estándar abierto que permite conectar asistentes y agentes de IA con fuentes de datos, herramientas y sistemas externos de una forma estructurada. En lugar de crear una integración específica para cada agente, MCP actúa como una interfaz común para que esas herramientas puedan consultar información y ejecutar capacidades autorizadas sobre sistemas como Sisense.
En este contexto, el Sisense MCP Server permite que agentes compatibles —como ChatGPT, Claude o Cursor— accedan a métricas, relaciones y datos gobernados a través de Sisense, respetando el modelo semántico y los permisos definidos para cada usuario. El agente no necesita conectarse directamente a la base de datos. Se conecta a Sisense y trabaja sobre sus métricas, términos y relaciones.
Con MCP, varios de los elementos que definen el enfoque AI-first de Sisense convergen en una misma experiencia:
MCP Server utiliza OAuth 2.1 y, en la modalidad de despliegue en Sisense Cloud, ya está disponible de forma general. Las solicitudes se ejecutan como el usuario que ha iniciado sesión y dentro de sus permisos, de modo que extender la analítica hacia un agente externo no significa abrir un acceso alternativo a los datos.
Esto cambia considerablemente el concepto tradicional de embedded analytics. La analítica ya no tiene que estar embebida únicamente en la interfaz del producto. También puede estar disponible en las experiencias de IA desde las que trabaja el usuario, manteniendo detrás la misma capa semántica y de gobernanza.
Una arquitectura preparada para personas y agentes
Hasta ahora, buena parte de la arquitectura analítica se diseñaba pensando en personas que interactuaban con dashboards y aplicaciones. La expansión de los agentes de IA introduce ahora un nuevo tipo de consumidor de esa misma capa analítica. Tanto personas como agentes necesitan entender qué significa una métrica, cómo se relacionan los datos, qué información pueden consultar y bajo qué permisos.
Por eso la capa semántica adquiere una nueva relevancia. Ya no solo organiza la analítica para dashboards y aplicaciones: se convierte en el punto de encuentro entre datos, lógica de negocio e IA.
Para un creador de software, esto permite mantener una única definición de negocio que puede alimentar diferentes experiencias de forma consistente:
Dashboards y embedded analytics
Permiten explorar datos de forma visual e interactiva dentro de la propia aplicación, utilizando métricas, filtros y relaciones ya definidas en la capa semántica. Esto evita reconstruir la lógica de negocio en cada interfaz y facilita ofrecer experiencias analíticas coherentes dentro del producto.
Assistant y Search
Añaden una capa conversacional y de descubrimiento que permite formular preguntas en lenguaje natural, localizar contenido relevante y obtener respuestas o visualizaciones sin necesidad de conocer la estructura del modelo. Aunque cambia la forma de interactuar con los datos, se mantienen las mismas definiciones, relaciones y permisos.
Agentes y herramientas externas mediante MCP
Extienden esa misma capa analítica más allá de Sisense. Asistentes y agentes externos pueden acceder a métricas, relaciones y contexto gobernados, llevando la lógica de negocio definida en Sisense a otros entornos de IA sin conectarse directamente a las fuentes ni duplicar reglas, métricas o controles de acceso.
No se trata, por tanto, de una secuencia de uso, sino de distintos puntos de acceso a una misma base semántica y gobernada. La experiencia puede cambiar según el usuario, el producto o la herramienta, pero la lógica de negocio permanece centralizada y consistente.
La interfaz cambia. La lógica que da significado y gobierna los datos no.
Una arquitectura developer-first
Este enfoque necesita también flexibilidad para quienes construyen el producto.
Sisense combina APIs, SDKs, componentes y plugins para permitir que los equipos decidan hasta qué punto quieren utilizar funcionalidades preconstruidas o desarrollar experiencias propias. Esto permite trabajar con distintos niveles de integración y personalización:
Experiencias listas para usar
Componentes preconstruidos y capacidades low-code que permiten incorporar y adaptar rápidamente experiencias analíticas, reduciendo el esfuerzo de desarrollo y acelerando el time-to-market.
Experiencias integradas en el producto
Compose SDK y APIs permiten construir interfaces analíticas personalizadas e incorporar capacidades de analítica e IA directamente en la UI y en los workflows propios de la aplicación.
Extensión y conexión con otros ecosistemas
Los plugins permiten ampliar las capacidades de la plataforma, mientras que MCP facilita la conexión de la capa analítica gobernada de Sisense con agentes y herramientas de IA externas.
En lugar de obligar a elegir entre velocidad y personalización, la arquitectura permite combinar ambas según las necesidades del producto.
Transformando la analítica embebida en inteligencia de producto
Lo que convierte a Sisense en una plataforma AI-first no es una funcionalidad concreta, sino que todas estas experiencias comparten una misma base: la misma capa semántica y de gobernanza puede alimentar dashboards, experiencias self-service, aplicaciones embebidas, Assistant, Search y agentes externos.
Para los creadores de software, esto permite llevar analítica y la IA allí donde trabajan los usuarios sin duplicar la lógica de negocio ni construir infraestructuras diferentes para cada nueva experiencia.
La analítica deja así de ser una capa de reporting añadida al producto para convertirse en inteligencia de producto: integrada en la experiencia, accesible desde diferentes interfaces y preparada para que personas y agentes de IA interactúen con los datos bajo las mismas definiciones, contexto y reglas.
En resumen
El enfoque AI-first de Sisense permite que nuestros clientes conviertan la analítica en una capacidad nativa del producto. Al combinar embedded analytics, capa semántica gobernada, self-service, APIs, SDKs y MCP, permite ofrecer experiencias más inteligentes dentro de la aplicación y extenderlas también a agentes y asistentes de IA.
Para los creadores de software, esto supone reducir complejidad, mantener el control sobre datos y permisos y construir una única capa de inteligencia capaz de servir a personas y agentes bajo las mismas reglas.
Es Sisense AI-first Analytics Platform para transformar la analítica en inteligencia de producto.
Tanto si estás en un proceso para modernizar, sustituir, ampliar o adquirir una plataforma de análisis o necesitas lanzar un nuevo producto al mercado con analítica embebida, con Sisense tus equipos de producto y los creadores de software podrán trabajar de forma más inteligente y ofrecer mejores experiencias a tus usuarios y clientes.
Te invitamos a descubrir por qué la próxima generación de analíticas empresariales estará integrada, será invisible y esencial para alcanzar los resultados empresariales.
¡Hablemos!
Parapentex Studios, October 2026