Analytics conversacional es la promesa de preguntarle al dato en su propio idioma y recibir la respuesta sin abrir un dashboard, sin pedirle un reporte al analista, sin esperar en la fila del equipo de BI. Tableau, Looker, Power BI, Snowflake y Databricks lanzaron alguna versión de ella, y la pregunta que el decisor hace hoy — incluso a un LLM — es directa: ¿puedo preguntarle a mi dato y prescindir del dashboard?
La respuesta honesta depende del tipo de pregunta. El chat gana en una categoría y pierde feo en otra, y la mayoría de los proyectos que vimos fallar trató a las dos como si fueran la misma cosa. Este texto separa las categorías y propone un criterio de decisión que cabe en una reunión de media hora.
Lo que el chat entrega y el dashboard nunca entregó
El dashboard es una respuesta prefabricada: alguien anticipó la pregunta, construyó el gráfico y lo publicó. Funciona mientras la pregunta sea la esperada. En el momento en que el director comercial quiere saber "¿cuánto del pipeline de octubre está detenido hace más de 30 días en cuentas que además abrieron un ticket de soporte?", nadie construyó ese gráfico — y el camino tradicional es abrir un pedido al equipo de datos y esperar días.
Ese es el vacío que llena el chat. El costo marginal de una pregunta nueva baja de horas de analista a segundos de modelo. Tres usos se destacan:
- Pregunta ad hoc de quien decide. Una pregunta única, hecha una vez, cuyo resultado orienta una conversación y después desaparece. No vale la pena construir un dashboard para ella.
- Exploración antes de modelar. El analista usa el chat para entender una base nueva, probar una hipótesis y solo entonces decidir qué merece convertirse en visualización permanente.
- Acceso para quien nunca abrió la herramienta de BI. Vendedores, gerentes de cuenta y operaciones hacen la pregunta en Slack o en el CRM, donde ya están, en lugar de aprender una interfaz más.
El tercer punto es el que más pesa en empresas que usan Salesforce: Tableau Next, construido sobre la plataforma Agentforce, lleva la pregunta al flujo de trabajo del CRM en lugar de exigir el cambio de aplicación. Cuando el dato de cliente ya está en Data Cloud, la ganancia es real.
El chat elimina la fila para la pregunta que nadie previó. No elimina la necesidad de un número que todos vean igual.
Dónde el dashboard sigue ganando
El dashboard no es solo una forma de mostrar datos: es un contrato. Los ingresos del trimestre en el panel de la dirección son el mismo número que aparece en el panel de finanzas, porque la métrica se fijó una vez, se revisó y se publicó. El chat genera la respuesta de nuevo en cada pregunta, y cada generación es otra oportunidad de divergir.
Cuatro situaciones en que cambiar el dashboard por el chat es un error:
- Métrica recurrente de seguimiento. Ingresos, churn, SLA, pipeline: el valor está en comparar la misma regla semana tras semana. Una regla que cambia de forma en cada consulta destruye la comparación.
- Número que va al board o al auditor. Una respuesta errónea cuesta caro, y es necesario saber exactamente cómo se calculó el número y quién lo hizo.
- Decisión que muchas personas toman mirando el mismo dato. El dashboard funciona como referencia común. Cinco personas preguntándole lo mismo al chat y recibiendo cinco respuestas apenas distintas es el escenario que el self-service BI ya producía con el "borrador final" de cada departamento, solo que ahora más rápido.
- Lectura ejecutiva de un vistazo. Un panel bien diseñado comunica en segundos lo que exige lectura atenta; una respuesta de chat hay que leerla, cuestionarla y rehacerla.
Los proveedores suelen anunciar una precisión de entre 85% y 95% en text-to-SQL, pero ese número casi nunca dice qué tipos de pregunta se probaron. Una precisión de 90% suena alta hasta que se hace la cuenta: de cada diez preguntas de board, una sale mal y no avisa. Ese es el argumento de fondo, y es una estimación nuestra a partir de lo que publican los proveedores, no una medición independiente.
Lo que decide si el chat es confiable: la capa semántica
La diferencia entre un chat que responde bien y uno que responde con convicción errónea casi nunca está en el modelo. Está en lo que hay entre el modelo y la base. Sin una definición central de métrica, el modelo infiere qué significa "ingresos" mirando el nombre de una columna — y lo infiere de nuevo, posiblemente distinto, en la consulta siguiente.
La capa semántica es lo que fija la definición de cada métrica para el agente y para el dashboard a la vez. Un benchmark de 2026 sobre 522 consultas mostró que combinar capa semántica con contexto explícito triplicó la precisión, llegando a más de 95% de confiabilidad; y Gartner proyecta que 60% de los proyectos de agentic analytics apoyados solo en MCP, sin una capa semántica consistente, van a fallar hasta 2028. Esos son los dos números que más usamos para explicar por qué el piloto de chat impresiona en la demostración y decepciona en la tercera semana.
La conclusión práctica es que el chat y el dashboard no compiten: los dos son interfaces sobre la misma capa de definición. Quien invierte primero en la capa tiene las dos. Quien empieza por el chat descubre su ausencia cuando dos ejecutivos comparan respuestas.
Cómo decidir por pregunta, no por herramienta
En lugar de preguntar "¿chat o dashboard?", pregunte por tipo de consulta. Cinco criterios resuelven la mayoría de los casos:
- ¿Con qué frecuencia se repite esta pregunta? Semanal o más: dashboard. Única o rara: chat.
- ¿Cuánto cuesta una respuesta errónea? Si va al board, a un contrato o a una auditoría, el número debe venir de una métrica gobernada, con dueño y rastro de cálculo. Si orienta una conversación interna, el chat basta.
- ¿Existe una definición central de la métrica en cuestión? Si no, el chat va a inventar una. Defina la métrica antes de liberar la pregunta.
- ¿Quien hace la pregunta puede evaluar la respuesta? Un analista nota el número extraño. Quien nunca vio la base, no. Para ese público, limite el chat a las métricas ya gobernadas.
- ¿Otra persona puede reproducir la respuesta? Si dos preguntas idénticas generan números distintos, la interfaz aún no está lista para ese uso.
La disciplina de prompt, validación y registro que separa el analytics aumentado por IA del teatro de productividad sigue valiendo aquí, ahora aplicada a la interfaz de chat: contexto de esquema, definiciones de negocio en el prompt, conexión de solo lectura y registro de cada pregunta y respuesta.
El chat como puerta de entrada, el dashboard como memoria
El arreglo que funciona en las empresas que acompañamos usa el chat para la pregunta nueva y el dashboard como memoria institucional. Una pregunta hecha cinco veces en el chat es candidata natural a convertirse en panel: el registro de interacciones muestra qué pregunta realmente el negocio, un insumo mejor para el backlog de BI que cualquier relevamiento con las áreas.
El ciclo es simple. La pregunta nace en el chat, se responde en segundos y se repite hasta convertirse en métrica gobernada en la capa semántica y visualización fija en el panel. El chat acorta el camino del descubrimiento; el dashboard preserva el resultado. El error es usar uno para hacer el trabajo del otro.
Preguntas que siempre vuelven
Para cerrar, las dudas más comunes sobre analytics conversacional y el futuro del dashboard.
¿Qué es el analytics conversacional?
El analytics conversacional es la consulta de datos en lenguaje natural: el usuario escribe una pregunta, un modelo de lenguaje la traduce a SQL o a una llamada a una métrica definida, y el sistema devuelve la respuesta en texto, tabla o gráfico. Se diferencia del dashboard porque la respuesta se genera bajo demanda, y no está prearmada por alguien que anticipó la pregunta.
¿El chat va a reemplazar a los dashboards?
No por completo. El chat reemplaza al dashboard en las preguntas ad hoc, únicas o exploratorias, donde construir un panel no compensa. Sigue perdiendo en métricas recurrentes, números que van al board y toda situación en que varias personas necesitan ver el mismo número. Los dos conviven como interfaces sobre la misma capa semántica.
¿El analytics conversacional es confiable para decisiones de negocio?
Solo cuando existe una capa semántica que defina qué significa cada métrica. Sin ella, el modelo infiere la definición en cada consulta y dos preguntas idénticas pueden generar números distintos. Precisiones de 85% a 95% anunciadas por proveedores significan que una de cada diez a veinte respuestas sale mal, lo que es inaceptable para un número de board sin validación.