Casos de usoPreguntar a una inteligencia artificial por las ventas del mes parece una tarea sencilla.
Hasta que alguien pregunta qué entendemos exactamente por ventas.
¿Pedidos recibidos? ¿Facturas emitidas? ¿Ventas netas? ¿Con impuestos? ¿Después de devoluciones? ¿Utilizando fecha de pedido o fecha contable?
Para una persona que trabaja todos los días en una compañía, muchas de estas reglas están interiorizadas. Para un modelo de lenguaje son información que debe aprender de alguna manera.
Ahí aparece uno de los principales desafíos de la inteligencia artificial empresarial.
SQL correcto, respuesta incorrecta
Los modelos actuales pueden escribir consultas SQL sorprendentemente sofisticadas. Eso ha acelerado el interés por conectar asistentes directamente con data warehouses.
Pero generar una consulta sintácticamente correcta no garantiza una respuesta empresarial correcta.
Si existen dos tablas con ingresos, el modelo debe saber cuál utilizar. Si “cliente activo” significa haber comprado en los últimos doce meses, esa regla tiene que estar descrita en algún lugar. Si el margen oficial excluye determinados conceptos, la IA necesita conocer esa definición.
El problema no se resuelve simplemente mejorando el prompt.
Una capa que explique el negocio
Una capa semántica intenta traducir estructuras técnicas —tablas, campos y relaciones— a conceptos de negocio.
En lugar de obligar a cada herramienta a reconstruir la definición de Revenue, EBITDA, RevPAR o cliente recurrente, la organización mantiene esa lógica de forma centralizada.
La ventaja ya era importante para Business Intelligence. Con la IA se vuelve mucho más relevante.
Los agentes necesitan contexto para decidir qué significa una pregunta y qué métrica responde realmente a ella.
El contexto también necesita gobierno
Existe la tentación de solucionar cualquier problema de IA añadiendo más documentación a un sistema RAG. Para documentos y conocimiento no estructurado puede ser una estrategia excelente.
Los datos estructurados plantean otra necesidad.
Un KPI no es solamente un texto que define un concepto. También es una fórmula, una granularidad, una relación con dimensiones, una política de acceso y, a menudo, una lógica de tiempo.
Por eso la semántica empresarial necesita algo más preciso que una colección de documentos.
Qontexta nace en esta capa: representar métricas, entidades, dominios y políticas para que aplicaciones, herramientas analíticas y agentes puedan trabajar con una interpretación común del negocio.
La IA debería explicar la cifra, no improvisarla
Una arquitectura fiable debería separar responsabilidades.
El motor de datos calcula. La capa semántica define qué significa cada concepto. La inteligencia artificial interpreta la pregunta y explica la respuesta.
Esta separación puede parecer menos espectacular que permitir al modelo hacer cualquier cosa, pero probablemente sea la que permita llevar estos sistemas a producción.
Las empresas llevan años intentando construir una única versión de la verdad para sus dashboards.
La llegada de los agentes añade una nueva razón para hacerlo: si una compañía no ha definido sus métricas para las personas, difícilmente podrá esperar que una IA las deduzca correctamente.