“A medida que la Inteligencia Artificial (IA) se convierte en una nueva interfaz de acceso a los datos, entender el contexto de negocio resulta tan importante como acceder a la información. Con AI Context, Sisense facilita la incorporación de instrucciones y convenciones propias de cada organización para que Assistant y las consultas en lenguaje natural (NLQ) interpreten métricas, periodos y conceptos de forma más precisa, consistente y alineada con una analítica gobernada”.

 

Cuando los datos necesitan contexto

La incorporación masiva de la IA a la analítica está cambiando la forma en que los usuarios interactúan con la información. Ya no se trata únicamente de abrir un dashboard, aplicar filtros o explorar visualizaciones. Ahora es posible formular preguntas en lenguaje natural y dejar que la propia plataforma determine qué datos, métricas y relaciones necesita utilizar para construir una respuesta.

Este cambio introduce un nuevo reto: disponer de los datos correctos no garantiza que la IA los interprete según el contexto y las reglas del negocio.

Un modelo de datos puede definir tablas, columnas, relaciones y métricas, pero no todo el conocimiento de negocio cabe en un esquema. Cuando alguien pregunta por las ventas del último trimestre, ¿se refiere al trimestre natural o al fiscal? ¿A ventas brutas o netas? La respuesta suele estar en la cabeza de los equipos, no en la estructura de los datos, y la IA necesita conocerla para interpretar bien la pregunta.

Cuanta más autonomía damos a la IA, más importante resulta hacer explícito ese contexto. Ahí es donde entra en juego Sisense AI Context, una pieza más dentro de una arquitectura en la que capa semántica, contexto, gobernanza e IA trabajan conjuntamente para mantener una interpretación consistente de los datos.

 

¿Qué es Sisense AI Context?

Como esbozábamos anteriormente, la calidad de una respuesta generada por IA no depende únicamente de que el modelo tenga acceso a los datos correctos. También necesita entender qué significan esos datos dentro del contexto de cada organización.

AI Context es una capacidad de Sisense Intelligence que permite a los diseñadores de datos y a los creadores de dashboards añadir instrucciones breves, escritas en lenguaje natural, para indicar a la IA cómo debe interpretar o utilizar un determinado objeto analítico. Estas instrucciones pueden asociarse a distintos niveles de la plataforma —modelos de datos, perspectivas, tablas, columnas, dashboards, widgets y shared formulas— y se incorporan al contexto que utilizan actualmente Assistant y las consultas en lenguaje natural (NLQ) cuando necesitan razonar sobre esos objetos.

Sisense introdujo esta capacidad en agosto de 2026, con la versión 2026.3.1, inicialmente bajo la denominación Custom AI Context Across the Product (Beta). El objetivo era permitir que los equipos añadieran contexto, descripciones e instrucciones específicas en diferentes niveles del stack analítico para mejorar la precisión de las respuestas generadas por IA sin modificar la estructura de los datos.

Actualmente, AI Context continúa en fase Beta. Assistant y NLQ ya utilizan la información definida mediante esta capacidad, mientras que Sisense prevé extender su uso también a Narrative y a Semantic Enrichment en versiones posteriores.

La idea es sencilla: el esquema indica a Sisense Intelligence qué son los datos, mientras que AI Context añade aquello que el esquema no puede expresar por sí solo.

 

Del esquema al contexto de negocio

La diferencia puede parecer pequeña, pero es fundamental. El esquema proporciona a Sisense Intelligence información estructural sobre los datos: qué objetos existen, cómo están definidos y cómo se relacionan. AI Context añade aquello que normalmente reside en el conocimiento de los equipos de negocio y que difícilmente puede deducirse únicamente observando la estructura del modelo.

Por ejemplo, permite indicar que:

• “Usuario activo” significa un usuario que ha iniciado sesión al menos una vez durante los últimos 30 días.
• Los importes están expresados en miles de euros.
• Las preguntas sobre las ventas deben utilizar Ventas (Netas) salvo que el usuario especifique ventas brutas (es decir, antes de devoluciones y descuentos).
• “Último trimestre” debe interpretarse como el último trimestre fiscal completado.
• Determinados datos históricos son parciales y esa circunstancia debe tenerse en cuenta al analizar tendencias.

De esta forma, AI Context no modifica los datos ni redefine el modelo. Añade una capa de instrucciones de negocio que ayuda a la IA a seleccionar, interpretar y utilizar correctamente los elementos disponibles.

 

Descriptions, Tags y AI Context: tres funciones diferentes

AI Context complementa otros mecanismos de metadata existentes en Sisense, pero no los sustituye.

La propia lógica de Sisense puede resumirse de forma muy sencilla: las descripciones describen, los tags clasifican y AI Context instruye. Lo interesante es que un mismo campo puede utilizar los tres mecanismos de manera complementaria. Por ejemplo, para una columna Ventas (Netas):

• la Description puede explicar que representa las ventas netas por línea de pedido después de devoluciones y descuentos;
• los Tags pueden clasificarla como medida financiera;
• AI Context puede indicar que debe utilizarse para todas las preguntas sobre ventas salvo que el usuario solicite explícitamente ventas brutas (antes de devoluciones y descuentos), y que los importes están expresados en miles.

No son capas redundantes: cada una aporta información diferente.

 

Contexto donde realmente importa

 

El impacto: una misma pregunta, una respuesta diferente

AI Context demuestra su valor sobre todo cuando una pregunta es técnicamente sencilla pero contiene ambigüedad de negocio. Ante una consulta como “¿Cuáles han sido las ventas por regiones en el último trimestre?”, una IA que solo conoce el esquema podría utilizar ventas brutas y un trimestre natural. La respuesta sería técnicamente válida, pero incorrecta desde el punto de vista de la organización.

Si AI Context especifica que “último trimestre” significa el último trimestre fiscal completado y que “ventas” debe interpretarse como Ventas (Netas), la misma pregunta puede resolverse utilizando la métrica y el periodo que realmente emplea el negocio.

Ese es precisamente el cambio que introduce AI Context: pasar de respuestas técnicamente plausibles a respuestas alineadas con la forma en que la organización entiende sus datos.

 

AI Context proporciona orientación, no impone reglas

Existe, sin embargo, una distinción importante que conviene subrayar: AI Context proporciona orientación, no impone reglas.

AI Context proporciona orientación que la IA tiene en cuenta, pero no funciona como un mecanismo de aplicación obligatoria, una salvaguarda ni un control de acceso. No puede garantizar que la IA rechace una solicitud, oculte un campo o deje de realizar una determinada acción. La IA utiliza AI Context como una indicación útil y puede no respetar reglas absolutas o formuladas en negativo.

Si necesitas aplicar una regla obligatoria, debes utilizar el mecanismo adecuado:

• Para excluir completamente un campo o una tabla del uso por parte de la IA, utiliza los Tags de gobernanza que permiten marcar determinados objetos para que queden fuera del alcance de la IA. A diferencia de AI Context, esta exclusión sí se aplica de forma efectiva.
• Para controlar cómo pueden combinarse, segmentarse o consultarse los datos, defínelo directamente en el modelo de datos mediante relaciones, campos ocultos y Perspectivas que expongan únicamente aquello que debe poder consultarse.

En otras palabras: AI Context no debe utilizarse para intentar prohibir consultas o combinaciones de datos.

Por ejemplo, una instrucción como: “No permitas analizar las ventas por cliente individual” no garantiza que la IA vaya a respetar esa restricción, porque AI Context actúa como orientación y no como mecanismo de control obligatorio. Si esa combinación de datos no debería ser posible, la restricción debe definirse en el propio modelo o mediante los mecanismos de gobernanza adecuados, por ejemplo eliminando la relación, ocultando el campo o utilizando una Perspectiva que no lo exponga.

Por el contrario, AI Context sí puede utilizarse para explicar cómo debe interpretarse correctamente la información. Por ejemplo: “Las ventas están preagregadas a nivel de cuenta. Para analizarlas, utiliza Cuenta o Región como dimensiones de desglose”.

La diferencia es importante: en el primer caso intentamos imponer una prohibición; en el segundo proporcionamos a la IA el contexto necesario para interpretar correctamente los datos.

Esto refuerza una idea importante dentro de la arquitectura AI-first de Sisense: contextualización y gobernanza son complementarias, pero cumplen funciones diferentes. AI Context explica cómo debe interpretar la IA los datos. La gobernanza determina qué datos puede utilizar.

 

Menos instrucciones, mejor elegidas

Más contexto no significa necesariamente mejores respuestas. Sisense recomienda utilizar AI Context únicamente cuando existe información que la IA no puede inferir de los propios datos o cuando se ha detectado una interpretación incorrecta de forma recurrente.

Las instrucciones deben ser breves, específicas y orientadas al significado o al uso. Repetir una descripción dentro de AI Context o introducir reglas que deberían aplicarse mediante gobernanza no mejora el resultado y puede incluso diluir las instrucciones relevantes. Cada campo de AI Context admite actualmente hasta 500 caracteres.

Tampoco conviene usar AI Context como diccionario de valores. Si lo que se necesita es que la IA reconozca, por ejemplo, que “noreste” corresponde a un valor almacenado como “Región NE”, la función adecuada es Smart Value Matching. AI Context sirve para explicar cómo interpretar un objeto, no para enumerar las equivalencias de los datos que contiene.

 

Una nueva capa entre la semántica y la IA

AI Context encaja especialmente bien dentro de la evolución de Sisense hacia una arquitectura AI-first. La capa semántica proporciona las definiciones y relaciones comunes. El enriquecimiento semántico (Semantic Enrichment) ayuda a documentar y enriquecer ese significado. Los Tags permiten clasificar y aplicar determinados criterios de gobernanza. AI Context incorpora finalmente las instrucciones que permiten a la IA interpretar esos elementos según las convenciones propias del negocio.

El resultado es una capa analítica que no solo contiene datos correctamente modelados, sino también el contexto necesario para que la IA los utilice como lo haría la propia organización.

 

En resumen

AI Context permite trasladar a Sisense Intelligence una parte del conocimiento de negocio que normalmente no puede expresarse mediante el esquema de datos. Al añadir instrucciones específicas sobre significado, terminología, métricas, periodos o convenciones, ayuda a que Assistant y NLQ interpreten los datos de una forma más próxima a cómo lo hace la propia organización.

No sustituye a la capa semántica ni a la gobernanza. Las complementa, aportando una nueva pieza para construir experiencias de IA más contextualizadas, consistentes y alineadas con el negocio.

 

 

 

¿Listo para dar el salto a esta nueva generación de inteligencia empresarial? Hablemos, te mostraremos cómo es posible hacerlo realidad viendo Sisense en acción.

 

Parapentex Studios, October 2026