Por qué la exactitud se volvió mi obsesión en el análisis de IA

Todo el mundo recuerda la primera vez que vio a una IA responder a una pregunta sobre datos. Alguien escribe una pregunta en inglés sencillo y aparece una respuesta con gráficos y todo. Parece magia. Uno piensa: «Esto lo cambia todo».

Y así es, hasta que haces la misma pregunta dos veces y obtienes un número completamente diferente. Ese es el momento exacto en el que la magia se esfuma.

Este es el problema fundamental de la categoría «análisis de IA». Los modelos lingüísticos son muy buenos a la hora de generar respuestas que parecen correctas. En el análisis de datos, la respuesta simplemente tiene que ser correcta, de forma sistemática.

En las empresas, una cifra «plausible» en la que no se puede confiar es mucho peor que no tener ninguna cifra. Si un director financiero actúa basándose en una cifra de ingresos ficticia, no se trata de un error sin importancia, sino de una responsabilidad.

Resolver esta brecha de confianza ha sido nuestra misión principal desde el primer día en Wobby, y sigue siendo nuestra misión ahora como Actian AI Analyst.

No nos propusimos crear otra herramienta más para «chatear con tus datos», sino ofrecer a los usuarios empresariales respuestas en las que puedan confiar, para que puedan tomar decisiones sin tener que cuestionar los cálculos matemáticos.

La paranoia del periodista

Mi obsesión por la precisión no comenzó en una startup de software, sino en una redacción periodística.

Antes de Wobby, era periodista de datos. En aquel entonces, mi mayor temor era publicar un error de cálculo que pudiera confundir a millones de lectores. Cuando tu trabajo se convierte en un registro público, tus cálculos matemáticos deben ser infalibles.

Durante la pandemia de COVID-19, observé cómo un compañero copiaba manualmente los datos de infección del gobierno en una hoja de cálculo cada mañana para actualizar nuestros gráficos. Inmediatamente vi el riesgo que esto suponía. Un simple deslizamiento del dedo o una cifra actualizada retroactivamente podrían tergiversar una crisis de salud pública. Automatizé ese flujo de trabajo porque la verdad era demasiado frágil como para dejarla en manos de la introducción manual de datos.

Esa misma paranoia impulsa nuestro enfoque hacia el análisis de IA. Sabíamos que si íbamos a pedir a las empresas que confiaran sus métricas a una IA, no podíamos limitarnos a «sugerir» nuestra forma de alcanzar la precisión.

Una arquitectura diferente para analistas de IA fiables

Cuando los equipos se encuentran con el problema de «respuestas diferentes para la misma pregunta», suelen intentar solucionarlo con más instrucciones. Más ejemplos. Más contexto. Más barreras de protección. Un mensaje del sistema más largo. Una indicación de pocos disparos que «enseña» al modelo lo que significa «ingresos».

Lo probamos todo. Funciona en las demostraciones. No funciona como arquitectura.

Porque el problema no es que al mensaje le falte alguna frase mágica. El problema es que estás pidiendo a un sistema probabilístico que se comporte como uno determinista.

Así que hicimos una apuesta diferente. Dejamos de «decirle» al modelo cómo debían calcularse las definiciones empresariales.

En su lugar, los definimos de forma explícita y determinista en una capa semántica. Términos como «ingresos», «cliente activo» o «rotación» se estructuran de antemano, junto con los filtros y las relaciones que determinan cómo se calculan. Cuando alguien formula una pregunta, la IA interpreta el lenguaje, pero elabora la respuesta a partir de una lógica que ya ha sido establecida.

La flexibilidad permanece en cómo se pregunta a las personas. La coherencia permanece en cómo se calculan los números.

Al hacer que el contexto de los datos sea determinista, eliminamos la variación que provoca que las respuestas se desvíen.

Por qué elegir Actian

Como startup de cinco personas, nuestro mayor reto nunca fue el producto. Fue convencer a las empresas de que un equipo pequeño podía resolver problemas con los que Snowflake, Databricks y Microsoft aún tenían dificultades. E incluso cuando demostramos que podíamos hacerlo, siempre surgía la siguiente pregunta: ¿seguiréis existiendo dentro de tres años?

Eso es lo que nos llevó a Actian y, sinceramente, tiene sentido desde tantos puntos de vista que casi parece inevitable.

Para que el análisis de IA fiable funcione en producción, se necesita algo más que un agente inteligente. Se necesita gobernanza. Calidad de los datos. Linaje. Administración. Control de acceso. La infraestructura compleja y poco atractiva que determina si los agentes de IA pueden realmente funcionar de manera fiable en una gran organización.

Actian había dedicado décadas a construir precisamente eso. Lo que faltaba era el pegamento de la IA para conectarlo todo, y eso es lo que aportamos nosotros.

Todos hemos visto la demostración que funciona a la perfección. Una pregunta pulida, una respuesta clara. Pero el análisis empresarial no se limita a las demostraciones. Se basa en cientos de preguntas improvisadas, formuladas por diferentes personas y de diferentes maneras. Nuestro objetivo nunca fue crear demostraciones mágicas. Se trataba de crear algo en lo que las empresas pudieran confiar realmente.

Acerca del autor

Acerca de Amra Dorjbayar

Amra Dorjbayar es cofundador de Wobby (adquirida por Actian en 2026) y responsable principal de Actian AI Analyst. Antiguo periodista de investigación y datos galardonado, Amra dedicó muchos años a descubrir historias dentro de conjuntos de datos complejos. Aprovechó esa experiencia para crear sistemas de IA «agentes» que democratizan el acceso a los datos a través del lenguaje natural.