“La evolución de la analítica con IA está desplazando el foco desde la conversación hacia la autonomía. Agentic Analytics introduce sistemas capaces de perseguir objetivos, encadenar múltiples pasos de análisis, evaluar resultados y activar decisiones sobre una base de datos modelada, semántica y gobernada. El reto ya no es solo obtener respuestas más rápidas, sino construir una arquitectura capaz de decidir y actuar sin perder contexto, control ni confianza”.
¿Qué es la analítica agéntica?
La analítica con Inteligencia Artificial (Agentic Analytics) ha entrado en una nueva fase.
Durante los últimos años, gran parte de la innovación se ha centrado en facilitar el acceso a los datos: preguntar en lenguaje natural, interpretar dashboards, generar explicaciones automáticas o acelerar el trabajo de analistas y usuarios de negocio.
Por su parte, los copilotos han reducido la fricción de acceso a la información, pero mantienen una dinámica esencialmente dirigida por el usuario: una pregunta genera una respuesta y, a partir de ahí, la persona decide cuál debe ser el siguiente paso.
Agentic Analytics cambia esa relación. El usuario deja de dirigir cada interacción y pasa a definir un objetivo. A partir de ese momento, el sistema puede determinar qué información necesita, construir un plan analítico, ejecutar múltiples pasos, evaluar resultados intermedios, modificar su estrategia y, finalmente, generar una recomendación o activar una acción.
No hablamos, por tanto, simplemente de una interfaz más inteligente para consultar datos. Hablamos de una evolución desde sistemas que responden preguntas hacia sistemas capaces de perseguir objetivos, razonar sobre los datos, tomar decisiones analíticas y actuar.
De la conversación al razonamiento orientado a objetivos
La diferencia entre un copiloto y un sistema agéntico no reside únicamente en el nivel de automatización. Está en la forma en que se organiza el proceso analítico.
Un copiloto espera instrucciones: el usuario pregunta, recibe una respuesta, interpreta el resultado y decide qué preguntar después. Un agente trabaja con un objetivo. Ese cambio transforma la secuencia analítica:
pregunta → respuesta → nueva pregunta
evoluciona hacia:
objetivo → planificación → análisis → evaluación → corrección → decisión → acción.
El sistema deja de ejecutar consultas aisladas y empieza a desarrollar una estrategia para resolver un problema. En términos operativos, este ciclo suele incluir cinco capacidades fundamentales:
Interpretar el objetivo
El agente necesita comprender qué quiere conseguir el usuario antes de empezar a analizar. No se trata simplemente de traducir una frase en lenguaje natural a una consulta. Debe interpretar el objetivo de negocio, identificar qué significa éxito y convertirlo en un problema analítico que pueda abordar.
Una petición como “ayúdame a entender por qué está cayendo la conversión” no contiene una única consulta. Puede implicar analizar canales, segmentos, periodos, campañas, productos, comportamiento de usuarios o cambios en pricing.
El primer trabajo del agente consiste en estructurar ese problema.
Identificar y preparar los datos relevantes
Una vez entendido el objetivo, el sistema debe determinar qué información necesita. Puede tener que acceder a diferentes fuentes, seleccionar métricas, identificar dimensiones relevantes y preparar los datos para el análisis.
Aquí aparece una primera diferencia importante frente a un chatbot conectado a una base de datos: el agente no debería limitarse a consultar aquello que encuentra. Debe ser capaz de seleccionar aquello que resulta pertinente para resolver el objetivo.
Construir y ejecutar un plan analítico
En lugar de lanzar una única query, el agente organiza una secuencia de análisis. Puede empezar observando una tendencia agregada, detectar una anomalía, segmentar posteriormente el resultado, comparar periodos, investigar posibles drivers y ejecutar nuevas consultas a medida que aparecen hipótesis.
El análisis se convierte así en un proceso que deriva en múltiples pasos.
Evaluar resultados y autocorregirse
Un agente no debería asumir que el primer resultado obtenido es suficiente. Puede encontrar información incompleta, resultados inesperados o evidencia que contradiga la hipótesis inicial. En esos casos, debe poder revisar su propio razonamiento y modificar el siguiente paso.
Esta capacidad de evaluación intermedia y autocorrección es uno de los elementos que distinguen un proceso agéntico de una simple cadena predefinida de consultas.
Recomendar o actuar
El proceso no tiene por qué terminar necesariamente en un insight. Una vez alcanzada una conclusión, el sistema puede generar una recomendación, alertar a un usuario, activar un workflow o ejecutar una acción si dispone de los permisos necesarios.
Es precisamente aquí donde Agentic Analytics empieza a reducir la distancia entre analizar lo que ocurre y responder ante ello.
Del BI tradicional a Agentic Analytics
La evolución puede entenderse con más claridad observando cómo cambia el reparto de responsabilidades entre el usuario y el sistema.

En el BI tradicional, el usuario concentra prácticamente todo el trabajo analítico: formula la consulta, interpreta el resultado y decide qué hacer a continuación. Con los copilotos, parte de esa carga se desplaza hacia la IA, pero la interacción sigue estando dirigida por la persona. Agentic Analytics lleva este cambio un paso más allá: el usuario define el objetivo y el sistema asume progresivamente la planificación, el análisis, la evaluación y, cuando corresponde, la acción.
La diferencia, por tanto, no está solo en el nivel de automatización, sino en cuánto del proceso analítico puede delegarse en el sistema sin perder control, trazabilidad ni confianza.
Y esa transferencia tiene una consecuencia directa.
Más autonomía exige más confianza
La consecuencia directa es que cuanto mayor sea la autonomía que concedemos al sistema, mayor debe ser nuestra confianza en la infraestructura sobre la que razona.
Un agente puede analizar información con enorme velocidad. Pero si trabaja sobre datos mal definidos, métricas inconsistentes o reglas no gobernadas, producirá respuestas rápidas, no necesariamente respuestas fiables.
Por eso Agentic Analytics no puede construirse únicamente conectando un LLM a los datos, necesita una base analítica preparada para soportar el razonamiento autónomo.
Por esta razón, el planteamiento original de Sisense identifica cuatro fundamentos especialmente importantes.
Datos modelados y gobernados: razonar sobre el negocio, no sobre tablas
La autonomía analítica empieza mucho antes del agente: empieza en los datos.
Un sistema agéntico no puede construir análisis coherentes sobre tablas sin transformar, métricas contradictorias o transformaciones cuyo significado no está documentado. Los datos deben estar preparados para análisis: depurados, modelados y documentados, con definiciones claras y transformaciones previamente probadas.
La diferencia es importante. Un agente conectado directamente a datos sin gobernar puede ser capaz de ejecutar consultas técnicamente correctas y, aun así, producir conclusiones incorrectas desde el punto de vista del negocio. Si no existe una base analítica consistente, el sistema no está razonando sobre el negocio, está improvisando sobre la infraestructura.
La capa semántica: el significado no debe vivir dentro del agente
Este punto resulta todavía más crítico cuando el agente tiene que interpretar conceptos empresariales.
- ¿Qué significa revenue?
- ¿Ingresos contratados o reconocidos?
- ¿Cómo se calcula un active user?
- ¿Qué definición de churn utiliza la organización?
Estas respuestas no deberían depender del LLM ni reconstruirse cada vez que un usuario formula una pregunta.
La lógica de negocio debe residir en una capa semántica compartida y gobernada. Su función es proporcionar al agente una interpretación autorizada de métricas, dimensiones, relaciones y reglas de negocio. El agente hereda así el significado existente en la organización en lugar de construir una interpretación propia.
Esto evita un riesgo especialmente relevante cuando múltiples interfaces empiezan a acceder a los mismos datos: que un KPI signifique una cosa en un dashboard, otra en un copiloto y otra distinta para un agente.
Sin una semántica común, responder más rápido puede significar simplemente producir inconsistencias más rápido.
Linaje de datos: poder reconstruir cómo se llegó a una respuesta
Cuando un sistema empieza a tomar decisiones de forma más autónoma, la trazabilidad deja de ser una capacidad secundaria. Cada resultado debería poder relacionarse con los datos y la lógica que lo generaron.
El linaje de datos (data lineage) permite entender qué campos participaron en un cálculo, qué transformaciones se aplicaron y cómo una modificación upstream puede afectar a resultados downstream. Esto permite responder preguntas que serán cada vez más importantes:
- ¿Por qué llegó el agente a esta conclusión?
- ¿Qué datos utilizó?
- ¿Qué reglas intervinieron?
- ¿Qué transformación produjo esta métrica?
- ¿Podemos reproducir el resultado?
La confianza no depende únicamente de que una respuesta parezca razonable. Depende también de que pueda explicarse y verificarse cómo se obtuvo. Y esta capacidad separa una analítica agéntica gobernada de un sistema que simplemente suena convincente.
Humanos supervisando el proceso: autonomía proporcional al riesgo
La palabra agentic puede sugerir sistemas completamente autónomos. En la práctica, no todas las decisiones deberían automatizarse de la misma forma.
Un agente puede tener un alto grado de autonomía para explorar datos, detectar anomalías o generar hipótesis. Pero activar un cambio de precio, bloquear una cuenta, detener una línea de producción o aprobar una operación financiera introduce otro nivel de riesgo.
El principio debería ser sencillo: la autonomía debe calibrarse en función de las consecuencias. Cuanto menor sea el impacto potencial, mayor puede ser la autonomía. Cuanto mayor sea el coste de una decisión incorrecta, mayor debe ser la intervención humana.
El tan difundido término human-in-the-loop no contradice la idea de Agentic Analytics. Forma parte de su gobernanza.
Casos de uso de la analítica agéntica
El verdadero potencial de Agentic Analytics aparece cuando el análisis deja de terminar en un dashboard.
Pensemos en una caída de conversión. El BI tradicional puede mostrarla. Un copiloto puede responder a la pregunta “¿por qué está cayendo?”. Un sistema agéntico puede detectar la caída, investigar automáticamente distintos segmentos, evaluar posibles causas, descartar hipótesis, identificar el factor más probable y recomendar una respuesta.
La diferencia está en reducir el tiempo entre: señal → investigación → explicación → decisión → acción.
Este patrón permite aplicar Agentic Analytics en escenarios muy diferentes.
Servicios financieros y banca
Las instituciones financieras gestionan enormes volúmenes de transacciones en tiempo real. Y el margen disponible para detectar fraude, identificar anomalías o descubrir riesgos de compliance es reducido. El reporting tradicional suele detectar los problemas después de que se hayan producido, cuando las pérdidas ya pueden haberse materializado y las opciones de respuesta son más limitadas.
La analítica agéntica monitoriza continuamente flujos de transacciones y patrones de comportamiento procedentes de múltiples fuentes de datos, identificando anomalías y escalando actividades sospechosas en el momento en que aparecen.
En lugar de esperar a que un analista ejecute un informe, el sistema trabaja de forma continua: detecta, razona y dirige las incidencias hacia los equipos adecuados sin demora.
Retail y e-commerce
Los retailers operan sobre una compleja red de canales, sistemas de inventario y puntos de contacto con clientes. Cuando disminuyen las tasas de conversión o cambia inesperadamente la demanda, diagnosticar la causa suele requerir obtener informes de múltiples fuentes y relacionarlos manualmente, un proceso que consume un tiempo del que muchas organizaciones no disponen.
La analítica agéntica monitoriza continuamente los customer journeys, rendimiento del funnel y señales de comportamiento, identificando dónde y por qué está deteriorándose el rendimiento antes de que el problema se amplifique.
En lugar de mostrar simplemente un dashboard para que alguien lo interprete, el sistema identifica la causa más probable y recomienda una respuesta específica, ya sea un ajuste de precios, una acción promocional o un cambio en la experiencia del cliente.
Manufacturing & supply-chain
Las paradas no planificadas constituyen uno de los problemas más costosos de la industria manufacturera. Los fallos de equipos y las interrupciones en la cadena de suministro no siempre avisan con antelación. Cuando el problema aparece en un informe, normalmente ya está ocurriendo.
La analítica agéntica monitoriza en tiempo real datos de sensores, rendimiento de equipos, históricos de mantenimiento y datos de proveedores, identificando señales tempranas que un analista humano podría pasar por alto entre miles de puntos de datos.
Cuando aparece una anomalía, el sistema no espera a que alguien la detecte. Identifica el problema, determina posibles puntos de fallo y recomienda una acción antes de que la producción se vea afectada.
SaaS y tecnología
Para las compañías de software, la analítica forma cada vez más parte de la propia propuesta de producto. Los usuarios esperan que las herramientas que utilizan les proporcionen insights relevantes directamente dentro del producto, sin tener que desplazarse a un dashboard independiente ni esperar la respuesta de un equipo de datos.
Responder a esta expectativa mediante BI tradicional requiere un esfuerzo continuo de ingeniería. Incluso la analítica conversacional basada en IA sigue obligando al usuario final a mantener una interacción continua de preguntas y respuestas.
La analítica agéntica cambia esta dinámica. Las experiencias de analítica agéntica integradas directamente dentro de un producto SaaS permiten al usuario definir un objetivo y recibir un flujo gobernado y de insights continuos en múltiples pasos. Sin necesidad de volver a formular prompts, abandonar la plataforma o incrementar la carga sobre los equipos internos de ingeniería o datos.
El agente trabaja sobre la capa semántica y la lógica de negocio ya definidas en la plataforma analítica, de forma que cada respuesta utiliza definiciones y permisos consistentes y previamente aprobados. El resultado es un producto SaaS que no se limita a mostrar datos: razona sobre ellos, responde ante ellos y genera valor de forma continua.
Para los fabricantes de software, las ventajas se multiplican.
Una plataforma de analítica agéntica simplifica la creación e integración de analytics dentro del producto: menos esfuerzo para desarrollar y mantener cada nueva funcionalidad analítica y mayor velocidad para incorporar experiencias inteligentes.
Los equipos de software reducen el esfuerzo necesario al tiempo que construyen una diferenciación relevante en un mercado donde los usuarios esperan cada vez más de sus aplicaciones.
Implementar analítica agéntica con Sisense
Sisense proporciona la base gobernada que necesita la analítica agéntica para ofrecer respuestas fiables a los usuarios finales.
La capa semántica de Sisense define qué significan los datos, la seguridad a nivel de fila se aplica directamente en la capa de consulta y la IA agéntica puede integrarse dentro de los productos que ya utilizan los clientes. Ahí reside la diferencia entre una IA a la que los usuarios tienen que acudir y una IA que forma parte directamente del producto que se entrega.
Sisense lleva más de 20 años ejecutando analítica orientada a clientes en entornos de producción. De esta forma, cuando la analítica agéntica responde a una pregunta bajo la marca de una compañía, lo hace sobre una base diseñada para ofrecer respuestas gobernadas y fiables.
En resumen
Agentic Analytics representa algo más que una evolución del chatbot. Supone un cambio en el reparto de trabajo entre personas y sistemas.
El sistema empieza a asumir parte del camino que existe entre ese objetivo y la decisión final. Puede interpretar, planificar, consultar, evaluar, corregirse, recomendar y actuar. Pero cuanto mayor sea la capacidad que delegamos, mayor será también la exigencia sobre la arquitectura que sostiene esa autonomía.
Y mecanismos que permitan comprender y verificar cómo se ha alcanzado una conclusión.
Por eso, probablemente, el verdadero salto de Agentic Analytics no será conseguir que la IA haga más cosas, sino que pueda hacerlas de forma autónoma sin perder el significado, el control y la confianza que exige nuestro negocio.
Tanto si buscas modernizar tu plataforma de BI como incorporar asistentes y agentes de IA a tus productos y flujos de trabajo, podemos mostrarte cómo aprovechar las capacidades de Sisense para construir experiencias analíticas inteligentes, gobernadas y fiables.
Descubrirás la forma de transformar tu infraestructura analítica en una base de conocimiento compartida, capaz de ofrecer valor a usuarios, aplicaciones y agentes de IA.
¡Hablemos!
Parapentex Studios, November 2026
