{"schema_version":"1.0","service":"Publicasta","type":"article","id":616,"slug":"openai_data_agent_governance_before_natural_language_analytics","title":"El agente de datos de OpenAI facilita la analítica empresarial. La parte difícil sigue siendo la gobernanza","excerpt":"El agente Data de OpenAI acerca el análisis en lenguaje natural a los datos corporativos. Su valor dependerá menos de la fluidez de las respuestas que de las definiciones métricas, los permisos, la revisión de evidencias y un despliegue disciplinado.","language":"es","default_language":"en","canonical_url":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics?lang=es","image":{"url":"https://publicasta.com/storage/projects/8/pages/616/2026/09/491165c5-955b-4c43-abb1-119a860a95cc.webp","alt":"Panel abstracto de análisis empresarial con gráficos, definiciones de métricas, controles de permisos y registro de auditoría"},"publisher":{"id":8,"slug":"ai_practice","name":"AI Practice","url":"https://publicasta.com/ai_practice"},"author":{"name":"Anton R"},"published_at":"2026-09-15T10:39:39+00:00","updated_at":"2026-09-15T10:39:39+00:00","content_markdown":"OpenAI ha presentado un agente de datos en ChatGPT Work que permite a los empleados formular preguntas sobre los datos de la empresa, investigar cambios, crear paneles y recomendar o ejecutar acciones posteriores mediante lenguaje natural. El anuncio es relevante porque lleva una promesa de IA cada vez más conocida a un cuello de botella menos vistoso: una analítica empresarial técnicamente disponible, pero difícil de utilizar para la mayoría de los empleados.\n\n ![Panel abstracto de análisis empresarial con gráficos, definiciones de métricas, controles de permisos y registro de auditoría](https://publicasta.com/storage/projects/8/pages/616/2026/09/491165c5-955b-4c43-abb1-119a860a95cc.webp)\n\n El producto puede conectarse a fuentes como Amazon Redshift, Datadog, Google BigQuery, ClickHouse, Databricks, MongoDB y Snowflake. También puede utilizar archivos y documentos de Google Drive y SharePoint, trabajar con definiciones empresariales proporcionadas mediante capas semánticas e interactuar con herramientas como Tableau, Power BI, Sigma y ThoughtSpot. OpenAI afirma que los administradores eligen qué conexiones y roles están habilitados, mientras que las consultas aplican los permisos existentes de la cuenta conectada. [OpenAI describe aquí el producto y sus conexiones compatibles](https://openai.com/index/put-data-to-work/).\n\n Eso suena a una nueva interfaz para la analítica. Lo es, pero una interpretación más útil es más concreta: el agente de datos puede reducir el coste de formular una primera pregunta. No elimina la necesidad de decidir qué significa esa pregunta, si los datos subyacentes sirven para responderla ni cuánta autoridad debería tener la respuesta dentro de la empresa.\n\n Para los equipos que estén considerando el producto, el punto de partida adecuado no es una colección de prompts llamativos. Es un piloto controlado alrededor de un proceso de decisión, con métricas identificadas, acceso limitado a los datos, comprobaciones independientes y una frontera clara entre análisis y acción.\n\n ## Qué está añadiendo realmente OpenAI\n\n Las herramientas tradicionales de inteligencia empresarial ya ofrecen paneles, consultas SQL, informes programados y métricas gobernadas. La nueva capa es la investigación conversacional. Un usuario puede preguntar por qué cambiaron los usuarios activos semanales, comparar periodos, identificar posibles factores, solicitar un gráfico, pedir advertencias y convertir el resultado en un panel compartible sin aprender la sintaxis de un almacén de datos ni la estructura de una aplicación de BI.\n\n OpenAI afirma que el agente puede utilizar los términos empresariales de una organización, sus definiciones métricas, cálculos personalizados y relaciones entre fuentes de datos. Esas definiciones pueden proceder de capas semánticas y sistemas de confianza como dbt, Databricks Genie Ontology, GitHub, Snowflake Horizon y paneles de BI existentes. Ese detalle es importante. Una pregunta en lenguaje natural solo es tan fiable como las definiciones disponibles detrás de ella.\n\n Consideremos la pregunta: ¿por qué cayó la retención bruta el último trimestre? Hay varios significados plausibles de retención bruta. El cálculo puede cambiar según el producto, el segmento de clientes, el tratamiento de la divisa, el estado del contrato, la ventana de renovación y la forma de tratar las ampliaciones o reducciones. Un modelo puede producir una explicación pulida para una definición equivocada. Conectar una capa semántica da al agente más posibilidades de interpretar la pregunta de la manera prevista, pero no convierte la definición en algo evidente por sí mismo.\n\n El producto también va más allá de una respuesta de solo lectura. OpenAI afirma que los usuarios pueden pedir al agente que recomiende los siguientes pasos, identifique a las personas que deberían participar, comparta hallazgos por Slack o correo electrónico y ejecute acciones aprobadas mediante herramientas conectadas. Aquí cambia el perfil de riesgo. Un gráfico equivocado es un problema de revisión. Un mensaje erróneo, una actualización incorrecta de un ticket, un ajuste de previsión o un disparador de flujo de trabajo pueden convertirse en un incidente operativo.\n\n El anuncio presenta el agente de datos como disponible a través del directorio de plugins de ChatGPT Work. Los administradores pueden instalar el plugin Data, habilitar los plugins de las fuentes pertinentes, gestionar el acceso y permitir después que los usuarios inicien una conversación con @Data. La configuración inicial no consiste, por tanto, en que un empleado elija un chatbot. Es una decisión de configuración del espacio de trabajo que involucra a responsables de datos, administradores de identidad, equipos de seguridad y personas encargadas de las definiciones de informes.\n\n ## El problema práctico que podría resolver\n\n Muchas solicitudes de analítica no son difíciles porque el SQL sea complejo. Lo son porque deben pasar por varias colas. Un gerente observa un cambio en la conversión, pide una explicación a un analista, espera a que este encuentre las tablas pertinentes, aclara la definición, vuelve a esperar un gráfico y descubre entonces que otro equipo utiliza un denominador diferente. La espera puede ser más larga que el análisis.\n\n Un agente conversacional puede abaratar esa primera pasada. Un responsable de ventas podría investigar el movimiento del pipeline antes de pedir un informe formal al equipo de operaciones de ingresos. Un líder de soporte podría comparar el volumen de tickets con la dotación y los datos de nivel de servicio. Un equipo de producto podría explorar un cambio en la retención y preparar una lista de hipótesis para el siguiente experimento. Finanzas podría utilizar la herramienta para localizar anomalías en el gasto antes de decidir si hace falta una revisión más profunda.\n\n El valor no consiste en que todos los empleados se conviertan en científicos de datos. Consiste en que más preguntas puedan clasificarse cerca del momento en que surgen. Las preguntas sencillas quizá reciban una respuesta directa. Las preguntas ambiguas pueden quedar expuestas antes. Los analistas pueden dedicar menos tiempo a producir primeros borradores repetitivos y más a validar definiciones, diseñar mediciones y atender decisiones que requieren criterio.\n\n OpenAI afirma que casi todo su equipo de producto y más de dos tercios de su organización de salida al mercado utilizan agentes de datos en ChatGPT Work. También menciona organizaciones de un programa alfa, entre ellas NTT DATA, Thermo Fisher, ServiceTitan, Zipline, Empower, Piston y otras. Estos ejemplos sirven como señales del flujo de trabajo previsto, pero siguen siendo casos de clientes comunicados por el proveedor, no pruebas independientes del rendimiento general. Un comprador debería tratarlos como referencias de implementación, no como una previsión del retorno de la inversión.\n\n Un buen piloto debería medir resultados menos espectaculares: el tiempo desde la pregunta hasta una primera respuesta comprobada, el porcentaje de respuestas que requieren corrección, el número de solicitudes de informes duplicadas, la adopción por parte del grupo de usuarios previsto, el coste de las consultas y el número de veces que un usuario malinterpretó una métrica a pesar de recibir una explicación fluida. Esas medidas muestran si el agente mejora el proceso de decisión, en lugar de limitarse a producir artefactos atractivos.\n\n ## Por qué la capa semántica importa más que el prompt\n\n La expresión analítica en lenguaje natural puede hacer que la interfaz parezca la principal innovación. En la práctica, el modelo de datos que hay detrás es más importante. Una capa semántica proporciona nombres compartidos, relaciones, cálculos y reglas. Sin ella, el agente debe inferir el significado empresarial a partir de nombres de tablas, nombres de columnas, descripciones, valores de muestra y contexto conversacional. Eso puede funcionar para explorar. Es una base débil para los informes ejecutivos recurrentes.\n\n Antes de un piloto, el equipo debería poner por escrito las definiciones de las métricas sobre las que espera recibir preguntas. Cada definición debería incluir las tablas de origen, la zona horaria, el intervalo temporal, los filtros, las reglas de inclusión y exclusión, el tratamiento de reembolsos o cancelaciones, la conversión de divisas y la persona responsable de aprobar un cambio. La lista no tiene que abarcar todo el almacén. Debe cubrir la decisión que el piloto pretende respaldar.\n\n El equipo también debería documentar qué fuente prevalece cuando los sistemas discrepan. Un CRM puede contener la fase de una oportunidad, el sistema de facturación puede contener el estado de una factura y una base de datos de producto puede contener el uso real. Las tres fuentes pueden ser correctas en su propio contexto. El agente necesita una regla para responder a una pregunta empresarial concreta, no solo acceso a las tres.\n\n Esta es una división útil del trabajo:\n\n - El agente puede traducir una pregunta en una investigación, recuperar información relevante, comparar periodos, preparar una visualización e identificar posibles factores.\n- El responsable de datos define la métrica, la prioridad de las fuentes, los filtros aceptables y el requisito de actualización.\n- El analista o experto de dominio prueba el resultado, inspecciona las evidencias y decide si es suficiente para una decisión empresarial.\n- El responsable de la decisión determina qué acción sigue y si las evidencias cumplen el estándar de la organización.\n\n El agente puede acortar el camino entre estas personas. No puede asumir legítimamente la responsabilidad de los cuatro papeles.\n\n ## Los permisos son necesarios, pero no constituyen todo el sistema de control\n\n OpenAI afirma que los administradores empresariales pueden seleccionar las conexiones y los roles disponibles, y que las consultas aplican los permisos de la cuenta conectada, incluidas las restricciones a nivel de tabla, fila y columna. Es un requisito de diseño importante. Una interfaz de IA no debería convertirse en una puerta lateral que sortee el modelo de autorización que ya protege un almacén de datos.\n\n Tampoco basta con saber que los permisos se aplican. La implementación debe probarse con identidades representativas. El piloto debería incluir a un usuario que pueda ver un conjunto de datos regional, pero no el de otra región; a un usuario que pueda consultar remuneraciones agregadas, pero no salarios individuales; y a un usuario que pueda ver actividad de clientes sin acceder a identificadores personales. El equipo debería probar preguntas directas y preguntas indirectas que puedan revelar información restringida mediante totales, comparaciones o consultas repetidas.\n\n La documentación de BigQuery de Google ilustra por qué estas pruebas son necesarias. BigQuery admite controles de acceso a proyectos, conjuntos de datos y tablas, además de seguridad a nivel de fila y columna. Las políticas a nivel de fila filtran qué registros puede ver un principal; las políticas a nivel de columna pueden restringir campos sensibles y combinarse con enmascaramiento. Google también advierte que unos patrones de acceso mal diseñados pueden exponer información mediante canales laterales, como el comportamiento o el tiempo de las consultas. [La documentación de BigQuery explica la interacción entre los controles de fila y columna](https://docs.cloud.google.com/bigquery/docs/using-row-level-security-with-features).\n\n La lección va más allá de BigQuery. Un modelo no necesita imprimir un valor protegido para filtrar algo sobre él. Una pregunta como «¿qué empleado del pequeño equipo europeo tuvo el mayor aumento de remuneración?» puede volverse sensible aunque la tabla no exponga directamente una columna salarial. Los umbrales de agregación, los grupos pequeños, las categorías poco frecuentes y las comparaciones repetidas requieren un tratamiento explícito.\n\n La revisión mínima de permisos debería responder cinco preguntas:\n\n 1. ¿Qué identidades pueden invocar el agente?\n2. ¿Qué conexiones puede utilizar cada identidad?\n3. ¿El sistema de origen aplica a las consultas generadas por el agente las mismas restricciones de fila y columna que aplica a las consultas ordinarias?\n4. ¿Qué ocurre cuando el agente combina datos de fuentes con reglas de acceso diferentes?\n5. ¿Qué registros muestran el usuario, la pregunta, la consulta u operación generada, las fuentes consultadas, el destino del resultado y cualquier acción aprobada después?\n\n Si la respuesta a la última pregunta es vaga, el piloto no está listo para trabajar con datos sensibles.\n\n ## Las afirmaciones sobre privacidad deben corresponderse con el producto y el contrato reales\n\n La política de datos empresariales de OpenAI afirma que, de forma predeterminada, las entradas y salidas de ChatGPT Enterprise, ChatGPT Business, ChatGPT Edu, ChatGPT for Healthcare y la plataforma API no se utilizan para entrenar o mejorar sus modelos. También describe el cifrado en tránsito y en reposo, controles basados en roles, opciones de conservación para organizaciones que cumplen los requisitos y alternativas de residencia de datos para servicios elegibles. [La página de datos empresariales de OpenAI enumera esos compromisos y su alcance](https://openai.com/business-data/).\n\n Esos compromisos responden a preguntas importantes, pero no a todas las que debería plantear un equipo de datos. La revisión pertinente debe abarcar la edición exacta de ChatGPT Work, los plugins conectados, los proveedores de datos, la configuración de conservación, el acceso de soporte, el procesamiento regional, las conductas de exportación y eliminación y las condiciones aplicables a cualquier servicio asociado. Que el modelo no se entrene con datos empresariales no equivale a que ningún sistema conectado almacene registros de consultas, extractos copiados, artefactos de paneles o registros de acciones.\n\n La arquitectura del agente de datos introduce además una cuestión de ubicación. OpenAI afirma que el producto puede conectarse a fuentes empresariales y, en el producto de servicios financieros anunciado el mismo día, describe datos integrados de proveedores que se indexan y alojan en la infraestructura de OpenAI. Esa oferta de servicios financieros es un producto separado, pero muestra por qué los clientes deben distinguir entre un conector que consulta su sistema y un servicio que copia, indexa, almacena en caché o enriquece los datos en otro lugar. [El anuncio de OpenAI sobre servicios financieros describe esa distinción en su oferta específica](https://openai.com/index/introducing-chatgpt-financial-services/).\n\n Una revisión de seguridad debería solicitar un diagrama de flujo de datos, no solo un resumen de seguridad. Debe mostrar el recorrido del prompt, la consulta generada, las filas recuperadas, los archivos intermedios, la salida del panel, el registro de auditoría y cualquier mensaje saliente. También debe identificar qué partes gestiona OpenAI, el almacén, la herramienta de BI, el conector y el sistema de acciones. La organización debe saber qué componente se encarga de eliminar los datos y cuál hace cumplir el acceso en cada etapa.\n\n ## La revisión de evidencias separa el análisis de la automatización teatral\n\n Una respuesta que diga que las ventas cayeron por una menor demanda empresarial puede ser plausible y aun así ser incorrecta. La pregunta útil es: ¿qué datos respaldan esa afirmación, qué comparación se hizo, qué explicaciones alternativas se comprobaron y qué sigue sin saberse?\n\n OpenAI afirma que los usuarios pueden revisar las evidencias que respaldan los hallazgos y formular preguntas de seguimiento. Eso debería convertirse en un hábito operativo obligatorio. Un panel sin una definición visible y una pista de fuentes no es un análisis terminado. Es una pista para continuar investigando.\n\n Una plantilla práctica de revisión puede pedir al agente que devuelva:\n\n - la definición exacta de la métrica utilizada;\n- el intervalo de fechas y el periodo de comparación;\n- las tablas, vistas, documentos o paneles consultados;\n- los filtros y las uniones aplicados;\n- el número de registros o grupos implicados;\n- la actualización de los datos y las advertencias sobre datos faltantes;\n- la evidencia más sólida para cada conclusión;\n- explicaciones alternativas plausibles;\n- comprobaciones que refutarían la explicación principal;\n- un siguiente paso recomendado que no dé por cierta la conclusión.\n\n Este formato es deliberadamente menos entretenido que una narración segura de sí misma. Resulta más fácil de auditar. También enseña a los usuarios que una explicación generada es una hipótesis respaldada por evidencias, no una respuesta ejecutiva simplemente porque está bien redactada.\n\n Los equipos deberían mantener un pequeño conjunto de evaluación con preguntas reales, respuestas conocidas y trampas conocidas. Puede incluir una métrica cuya definición haya cambiado, una tabla con una actualización retrasada, un registro de cliente duplicado, una región con restricciones de permisos y una pregunta cuya respuesta correcta sea que los datos no son suficientes. El conjunto debe ejecutarse antes del lanzamiento y después de cada cambio material en la capa semántica, el conector, el modelo o los permisos.\n\n El caso de evidencia insuficiente merece especial atención. Un sistema que siempre produce un factor explicativo es más peligroso que uno que a veces se detiene. Un agente útil debería poder decir que los datos disponibles respaldan una correlación, pero no una causalidad; que una fuente está obsoleta; que dos sistemas discrepan; o que la muestra es demasiado pequeña para identificar un patrón fiable.\n\n ## Los costes no se limitan a la suscripción\n\n El anuncio de OpenAI no presenta un precio público universal para el agente de datos. Por eso es prematuro calcular un retorno sencillo por usuario. El modelo de costes probablemente dependerá del acuerdo de ChatGPT Work, el uso de modelos, los sistemas conectados, los cargos por consultas al almacén, las licencias de BI, los acuerdos con proveedores de datos, el almacenamiento y las herramientas de acción. Los posibles compradores deberían solicitar precios y límites de uso específicos para su espacio de trabajo, en lugar de inferirlos a partir de los planes de ChatGPT para consumidores o de los costes ordinarios de una base de datos.\n\n También hay costes operativos que aparecen después del lanzamiento. Las consultas que recorren tablas grandes pueden consumir recursos del almacén. Un usuario que pida repetidamente actualizar un panel puede generar una carga evitable. La exploración en lenguaje natural puede multiplicar el número de solicitudes porque resulta barato formular preguntas de seguimiento. Algunos sistemas cobran por los datos examinados, las llamadas a API, las actualizaciones de paneles o los conectores premium.\n\n Un piloto responsable debería fijar presupuestos y observarlos. Cuando sea posible, hay que empezar con vistas seleccionadas o tablas de resumen. Conviene añadir tiempos de espera y límites de exploración. Hay que registrar el coste por equipo y flujo de trabajo. La actualización debe hacerse explícita para que los usuarios no sigan refrescando una fuente que solo se actualiza una vez al día. También debe decidirse si un panel generado por el agente puede actualizarse automáticamente o solo bajo petición.\n\n El control de costes también es un asunto del modelo de datos. Un almacén mal modelado obliga al agente a pagar repetidamente por un trabajo que podría haberse preparado una sola vez. Una capa semántica bien diseñada, una tabla agregada o una vista gobernada pueden mejorar al mismo tiempo la velocidad, la fiabilidad y el gasto.\n\n ## Dónde conviene usarlo primero y dónde no\n\n Los mejores primeros casos de uso tienen un responsable claro, una sensibilidad moderada, preguntas repetibles y una persona que pueda revisar rápidamente el resultado. Algunos ejemplos son investigar la adopción de un producto, preparar una revisión operativa interna, localizar inconsistencias en los informes, explorar la demanda de soporte, comparar el rendimiento de campañas y redactar una lista de preguntas para un analista.\n\n El primer caso no debería ser el informe más políticamente importante de la empresa. No conviene empezar con remuneraciones, decisiones reguladas sobre clientes, conclusiones médicas, decisiones de crédito, determinaciones jurídicas o un flujo automatizado que cambie registros de muchas personas. Esas áreas quizá se beneficien de la misma interfaz más adelante, pero exigen controles más sólidos, validación formal y una estructura clara de responsabilidad.\n\n Las empresas pequeñas no deberían suponer que necesitan un almacén enorme. Un negocio compacto puede obtener valor conectando un conjunto de datos fiable de ventas o soporte y utilizando el agente para responder una pregunta operativa concreta. También puede descubrir que su problema real son las definiciones ausentes, no la falta de software de analítica. Ese también es un resultado útil.\n\n Las empresas grandes no deberían suponer que un despliegue amplio será automáticamente eficiente. Un almacén global puede contener años de excepciones, adquisiciones, productos renombrados, pipelines duplicados y equipos que usan el mismo término con significados distintos. El agente facilitará el acceso a esa ambigüedad. No hará que desaparezca.\n\n Probablemente los equipos deberían posponer el producto si no pueden identificar al responsable de una fuente, probar los permisos, disponer de una vía de auditoría o asignar a alguien para comprobar los resultados. En esa situación, el agente puede aumentar la velocidad con la que la organización genera desacuerdos.\n\n ## Un piloto de cuatro semanas que produzca evidencias útiles\n\n Un piloto sensato puede completarse en cuatro etapas. El calendario importa menos que las puertas de control entre una y otra.\n\n ### Semana uno: elegir la decisión, no la tecnología\n\n Selecciona una decisión recurrente, como explicar cambios semanales en la activación o preparar una revisión de capacidad del equipo de soporte. Nombra al grupo de usuarios, al responsable de la decisión, al responsable de los datos, al analista revisor, el tiempo de respuesta aceptable y la sensibilidad máxima. Escribe las cinco o diez preguntas que el equipo formula hoy. Incluye al menos una pregunta que debería producir una advertencia de incertidumbre.\n\n Haz un inventario de las fuentes pertinentes e identifica qué sistema es responsable de cada campo. Crea un glosario pequeño con definiciones métricas, expectativas de actualización y exclusiones conocidas. Si el equipo no puede ponerse de acuerdo sobre una definición, registra el desacuerdo en lugar de pedir al agente que lo resuelva.\n\n ### Semana dos: preparar vistas y permisos\n\n Prioriza vistas gobernadas o conjuntos de datos seleccionados frente al acceso sin restricciones a todo un almacén de producción. Separa los datos exploratorios de los sistemas que contienen identificadores directos, credenciales, información sanitaria, detalles de nóminas u otros campos de alto riesgo. Crea cuentas de prueba que representen a las personas que utilizarán el piloto.\n\n Configura el registro de actividad, la conservación y las alertas presupuestarias antes de que empiecen los usuarios. Confirma si las herramientas conectadas conservan copias de prompts, consultas, archivos, paneles o resultados. Revisa las condiciones del proveedor y de los conectores para los servicios exactos incluidos en el alcance.\n\n ### Semana tres: probar la precisión y el comportamiento ante fallos\n\n Ejecuta el conjunto de evaluación. Compara los resultados generados por el agente con una respuesta producida de manera independiente por un analista. Registra no solo la precisión numérica, sino también la precisión de la definición, la selección de fuentes, el comportamiento de los permisos, la calidad de las citas, las advertencias de actualización y la capacidad de rechazar o matizar una respuesta.\n\n Pide a los usuarios que prueben preguntas normales y preguntas sencillas diseñadas para poner a prueba el sistema. Una solicitud como «muéstrame la lista completa de clientes» puede revelar un problema de política de acceso más rápido que un prompt analítico complejo. Prueba grupos pequeños y segmentos sensibles. Prueba una fuente desactualizada. Prueba una métrica cuya definición haya cambiado recientemente.\n\n ### Semana cuatro: medir el impacto en el flujo de trabajo\n\n Deja que los usuarios previstos trabajen con preguntas reales y de bajo riesgo. Mide el tiempo hasta una respuesta comprobada, la tasa de corrección, el tiempo de revisión del analista, el coste del almacén, el número de sesiones abandonadas y si los usuarios pueden explicar las evidencias detrás de sus conclusiones. Entrevista a los analistas revisores. A menudo son quienes revelan si el agente redujo el trabajo repetitivo o simplemente trasladó la limpieza de datos a una fase posterior.\n\n Solo después de esta etapa debería decidir el equipo si amplía el acceso a los datos, añade permisos de acción o conecta más unidades de negocio. La ampliación debe estar vinculada a controles demostrados, no al número de gráficos interesantes producidos durante la prueba.\n\n ## La alternativa no siempre es otro producto de IA\n\n Una empresa que evalúe el agente de datos debería compararlo con mejoras quizá menos visibles, pero más duraderas. Un catálogo de métricas, una capa semántica gobernada, mejores modelos del almacén, un programa de formación en BI autoservicio, un conjunto de paneles bien diseñado o un servicio de analista de guardia pueden resolver el problema subyacente de manera más directa.\n\n En algunos equipos, la secuencia correcta es arreglar primero el modelo de datos y añadir después una interfaz conversacional. En otros, las definiciones existentes son sólidas, pero están enterradas detrás de herramientas especializadas, por lo que una capa de lenguaje natural puede resultar realmente útil. La diferencia se puede comprobar. Formula la misma pregunta mediante la interfaz de BI existente y mediante el agente. Si el agente es más rápido, pero menos preciso, mejora las definiciones y repite la prueba. Si es más rápido y preciso dentro de los límites del piloto, amplía el uso con cuidado.\n\n La decisión también depende del bloqueo tecnológico. Una capa semántica portátil entre distintos motores de consulta y herramientas de BI puede conservar la flexibilidad. Un flujo que dependa de conectores propietarios, del comportamiento del modelo, de una lógica de transformación oculta o de convenciones de prompts no documentadas puede resultar difícil de migrar. Mantén las definiciones métricas, los casos de evaluación, las reglas de acceso y las especificaciones de los paneles en sistemas que la organización pueda inspeccionar y mantener independientemente de la interfaz conversacional.\n\n ## La decisión para los equipos hoy\n\n El agente de datos de OpenAI resulta más convincente como puerta de entrada a datos gobernados que como sustituto de la gobernanza de datos. Puede hacer accesible la investigación a personas que conocen el problema empresarial, pero no el esquema del almacén. Puede producir un primer borrador útil del análisis, sacar a la luz preguntas de seguimiento y convertir un resultado en un artefacto compartible. Son mejoras importantes cuando las colas de informes son largas y las definiciones ya están bajo control.\n\n Su limitación principal es igual de práctica. Una respuesta fluida puede ocultar una métrica débil, una unión incompleta, datos obsoletos, una inferencia no autorizada o una explicación causal sin respaldo. Cuanto más sencillo parezca el sistema, más importante es hacer visibles las evidencias, los permisos y la incertidumbre.\n\n Los equipos deberían probarlo cuando tengan un proceso de decisión acotado, datos de origen fiables, definiciones claras, permisos comprobables y personas responsables de la revisión. Deberían aplazarlo cuando esperen que un chatbot resuelva la propiedad de los datos que aún no está definida o compense la ausencia de controles.\n\n La pregunta útil no es si un empleado puede hacerle una pregunta a una base de datos en lenguaje cotidiano. Esa capacidad está llegando ya en varias formas. La pregunta útil es si la organización puede hacer que la respuesta sea trazable, tenga el alcance adecuado, sea asequible y resulte lo bastante segura como para influir en una decisión real. Para el agente de datos, esa es la frontera entre una analítica cómoda y un trabajo fiable.\n\n ## Fuentes\n\n - [OpenAI: Now everyone can put data to work](https://openai.com/index/put-data-to-work/) — descripción del agente de datos, sus capacidades y conexiones compatibles.\n- [OpenAI: Business data privacy, security and compliance](https://openai.com/business-data/) — compromisos de privacidad, seguridad y cumplimiento aplicables a los servicios empresariales indicados.\n- [Google Cloud: Using row-level security with other BigQuery features](https://docs.cloud.google.com/bigquery/docs/using-row-level-security-with-features) — controles de seguridad a nivel de fila y columna y sus interacciones.\n- [Google Cloud: Introduction to BigQuery row-level security](https://docs.cloud.google.com/bigquery/docs/row-level-security-intro) — contexto adicional sobre la seguridad a nivel de fila en BigQuery.\n- [OpenAI: Introducing ChatGPT for Financial Services](https://openai.com/index/introducing-chatgpt-financial-services/) — contexto sobre datos de proveedores indexados y alojados en la infraestructura de OpenAI en esa oferta específica.","available_translations":[{"language":"ar","title":"وكيل البيانات من OpenAI يسهّل تحليلات الأعمال، لكن الحوكمة تظلّ العقدة الأصعب","html_url":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics?lang=ar","markdown_url":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics.md?lang=ar","json_url":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics.json?lang=ar","api_url":"https://publicasta.com/api/public/v1/channels/ai_practice/articles/openai_data_agent_governance_before_natural_language_analytics?lang=ar"},{"language":"de","title":"OpenAIs Daten-Agent macht Business-Analysen leichter. Die schwierige Aufgabe bleibt Governance","html_url":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics?lang=de","markdown_url":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics.md?lang=de","json_url":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics.json?lang=de","api_url":"https://publicasta.com/api/public/v1/channels/ai_practice/articles/openai_data_agent_governance_before_natural_language_analytics?lang=de"},{"language":"en","title":"OpenAI’s Data Agent Makes Business Analytics Easier. The Hard Part Is Still Governance","html_url":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics?lang=en","markdown_url":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics.md?lang=en","json_url":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics.json?lang=en","api_url":"https://publicasta.com/api/public/v1/channels/ai_practice/articles/openai_data_agent_governance_before_natural_language_analytics?lang=en"},{"language":"es","title":"El agente de datos de OpenAI facilita la analítica empresarial. La parte difícil sigue siendo la gobernanza","html_url":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics?lang=es","markdown_url":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics.md?lang=es","json_url":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics.json?lang=es","api_url":"https://publicasta.com/api/public/v1/channels/ai_practice/articles/openai_data_agent_governance_before_natural_language_analytics?lang=es"},{"language":"fr","title":"L’agent Data d’OpenAI simplifie l’analyse métier. Le vrai défi reste la gouvernance","html_url":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics?lang=fr","markdown_url":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics.md?lang=fr","json_url":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics.json?lang=fr","api_url":"https://publicasta.com/api/public/v1/channels/ai_practice/articles/openai_data_agent_governance_before_natural_language_analytics?lang=fr"},{"language":"pl","title":"Agent danych OpenAI upraszcza analitykę biznesową. Najtrudniejsze pozostaje zarządzanie","html_url":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics?lang=pl","markdown_url":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics.md?lang=pl","json_url":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics.json?lang=pl","api_url":"https://publicasta.com/api/public/v1/channels/ai_practice/articles/openai_data_agent_governance_before_natural_language_analytics?lang=pl"},{"language":"ru","title":"Агент данных OpenAI упрощает бизнес-аналитику. Но главное препятствие по-прежнему связано с управлением данными","html_url":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics?lang=ru","markdown_url":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics.md?lang=ru","json_url":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics.json?lang=ru","api_url":"https://publicasta.com/api/public/v1/channels/ai_practice/articles/openai_data_agent_governance_before_natural_language_analytics?lang=ru"},{"language":"zh","title":"OpenAI 的数据智能体让商业分析更容易，但最难的仍是治理","html_url":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics?lang=zh","markdown_url":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics.md?lang=zh","json_url":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics.json?lang=zh","api_url":"https://publicasta.com/api/public/v1/channels/ai_practice/articles/openai_data_agent_governance_before_natural_language_analytics?lang=zh"}],"_links":{"self":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics.json?lang=es","api":"https://publicasta.com/api/public/v1/channels/ai_practice/articles/openai_data_agent_governance_before_natural_language_analytics?lang=es","html":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics?lang=es","canonical":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics?lang=es","markdown":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics.md?lang=es","json":"https://publicasta.com/ai_practice/openai_data_agent_governance_before_natural_language_analytics.json?lang=es","channel":"https://publicasta.com/api/public/v1/channels/ai_practice","channel_articles":"https://publicasta.com/api/public/v1/channels/ai_practice/articles","search":"https://publicasta.com/api/public/v1/search","documentation":"https://publicasta.com/api-docs#reading-publicasta","openapi":"https://publicasta.com/api-docs/openapi.json","llms":"https://publicasta.com/llms.txt"}}