Agentes de IA en México: 6 requisitos que deben cumplir tus datos

Un agente de IA necesita de tus datos seis cosas: que estén integrados en un solo lugar, que tengan definiciones de negocio explícitas, que tengan permisos a nivel de dato, que su frescura sea conocida, que su calidad esté vigilada y que cada respuesta se pueda rastrear hasta su origen. El modelo (Claude, GPT o Gemini) ya es suficientemente bueno para la mayoría de los casos empresariales; lo que separa un agente útil de uno que inventa cifras es el data foundation que hay debajo. Si alguno de los seis falta, el agente no falla en la demo: falla en producción, frente al director, con una cifra que suena correcta y no lo es.

¿Por qué un agente es más exigente con los datos que un dashboard?

Un dashboard muestra lo que un analista diseñó: las métricas, los filtros y los cruces están decididos de antemano. Si algo está mal, se ve igual de mal cada vez y alguien termina por notarlo.

Un agente, en cambio, arma la consulta en el momento a partir de una pregunta en lenguaje natural. Elige tablas, decide qué columnas sumar, interpreta “el mes pasado” y “nuestras mejores tiendas”. Cada pregunta es una consulta nueva que nadie revisó. Eso lo hace poderoso y también frágil: si hay dos tablas de ventas con lógica distinta, el agente puede escoger la equivocada y responder con total seguridad.

Por eso la mayoría de los proyectos de agentes que vemos atorados en México no tienen un problema de modelo. Tienen un problema de base. Gartner predijo en junio de 2025 que más del 40 % de los proyectos de IA agéntica serán cancelados antes de que termine 2027, entre otras razones por valor de negocio poco claro y controles de riesgo insuficientes. Ambas se atacan desde los datos.

Los 6 requisitos, en una tabla

Requisito	Pregunta que lo prueba	Síntoma si falta
1. Datos integrados	¿Todo lo que el agente debe consultar está en un mismo almacén?	”No tengo acceso a esa información” o respuestas parciales
2. Definiciones explícitas	¿Está escrito qué es “venta neta” en un lugar que el agente lee?	Cifras que no coinciden con el reporte oficial
3. Permisos a nivel de dato	¿El agente ve solo lo que el usuario que pregunta puede ver?	Riesgo de exponer nómina, márgenes o datos personales
4. Frescura conocida	¿El agente sabe a qué hora se actualizó el dato?	Responde con datos de ayer como si fueran de hoy
5. Calidad vigilada	¿Hay pruebas automáticas que alerten si un dato llega mal?	El agente repite el error sin aviso
6. Trazabilidad	¿Puedes ver qué consulta hizo y de qué tabla salió la cifra?	Nadie puede auditar ni corregir una mala respuesta

¿Qué significa cada requisito en la práctica?

1. Datos integrados en un solo lugar

Un agente que debe responder “¿qué tiendas venden menos que el año pasado y tienen más inventario?” necesita ventas del punto de venta e inventario del ERP en el mismo lugar, con llaves que crucen. Si viven en sistemas separados, el agente no puede hacer el cruce o lo hace mal. Un data cloud como Snowflake cumple este papel; la ingesta automática con conectores administrados evita que alguien tenga que mover archivos.

2. Definiciones explícitas que el agente pueda leer

Este es el requisito que más diferencia hace. Los modelos de lenguaje son buenos escribiendo SQL, pero no pueden adivinar que en tu empresa “venta neta” excluye a las tiendas en remodelación. Esa regla tiene que existir en una capa semántica. Snowflake, por ejemplo, documenta las semantic views como el lugar para definir métricas, dimensiones y relaciones que luego usan Cortex Analyst y otros agentes (documentación consultada en noviembre de 2026). Otras plataformas tienen su equivalente. Lo importante no es el producto: es que la definición exista una vez y el agente la consulte en lugar de inventarla. Lo explicamos en MCP en analítica: cómo lograr que un agente consulte tus métricas y no las invente.

3. Permisos que viven en los datos

Si el agente se conecta con una cuenta de servicio que ve todo, cualquier usuario que le pregunte ve todo. La forma correcta es que el agente consulte con la identidad de quien pregunta y que los permisos estén en la base: políticas de acceso por fila (un gerente ve sus tiendas) y enmascaramiento de columnas sensibles (sueldos, datos personales). Snowflake documenta las row access policies para esto. En México esto además toca la Ley Federal de Protección de Datos Personales en Posesión de los Particulares; lo desarrollamos en gobierno de datos para agentes de IA en México.

4. Frescura conocida

“¿Cuánto vendimos hoy?” tiene una respuesta muy distinta si la última carga fue a las 7:00 o a medianoche. El agente debe poder leer la hora de la última actualización y decirla en su respuesta. Si tu operación decide con datos del día (retail, logística, cobranza), la frecuencia de carga se diseña en función de esa decisión, no al revés.

5. Calidad vigilada automáticamente

Un día el punto de venta manda la mitad de las transacciones por una falla de red. Un analista lo nota porque la cifra se ve rara. Un agente no: responde con la cifra baja y el director toma una decisión. Las pruebas automáticas (volumen esperado, nulos, duplicados, rangos) deben correr en cada carga y bloquear o marcar los datos sospechosos. Las cinco dimensiones que conviene medir están en las 5 características de la calidad de datos.

6. Trazabilidad de cada respuesta

Cuando un agente da una cifra equivocada, necesitas ver qué pregunta recibió, qué consulta generó, qué tablas usó y qué versión de la definición aplicó. Sin eso no puedes corregirlo, y sin poder corregirlo nadie va a confiar en él. Guarda las consultas, el usuario y la respuesta; es el registro de auditoría del agente.

¿Qué agente conviene construir primero?

Uno que responda preguntas que hoy ya tienen respuesta oficial. Si tu equipo directivo pregunta todas las semanas “¿cómo vamos contra presupuesto por región?” y hay un reporte que lo contesta, ese es el candidato ideal: puedes comparar la respuesta del agente contra el reporte y medir su exactitud antes de abrirlo a más gente.

Evita empezar por preguntas abiertas sobre datos que nunca se han modelado (“¿por qué bajó la satisfacción del cliente?”). El agente va a responder algo plausible y no tendrás contra qué compararlo. Tenemos más ideas de casos con retorno medible en 5 casos de uso reales de agentes IA en Business Intelligence.

¿Cuánto falta para que tu empresa en México esté lista?

Depende de cuántos de los seis requisitos ya cumples para el dominio que quieres atacar. Una regla práctica:

• Cumples 5 o 6: puedes tener un agente en producción en semanas. El trabajo es de diseño de preguntas, pruebas y adopción.
• Cumples 3 o 4: normalmente faltan definiciones y permisos. Es un MVP de 6 a 10 semanas que deja la capa semántica y la seguridad listas.
• Cumples 2 o menos: el proyecto real es el data foundation. El agente llega al final, y llega mucho más rápido que si se intenta antes.

Ese diagnóstico por dominio es el primer entregable de nuestro servicio de AI-Ready Foundation. Si quieres el contexto completo de por qué esta base sirve a la vez para agentes y para dashboards, empieza por qué es un data foundation.

Lo que conviene llevar a la primera llamada

• Las 10 preguntas que tu equipo directivo hace con más frecuencia sobre el negocio.
• Qué reporte o tablero contesta hoy cada una, y quién lo arma.
• En qué sistemas viven los datos de esas preguntas.
• Quién debería poder ver qué (por región, por tienda, por área).

Con esa lista evaluamos los seis requisitos para tu primer agente y te decimos qué falta. Agenda la conversación aquí.