La IA generativa aplicada al análisis de datos sirve para tres cosas concretas: escribir consultas, interpretar resultados y redactar el informe. No sirve para calcular: los números los sigue poniendo tu base de datos. Cuando alguien le pide a un modelo que «analice estos datos» sin darle acceso al dato real, lo que recibe es una redacción convincente sobre nada.
Te cuento dónde encaja de verdad, con ejemplos que puedes replicar hoy, y dónde te va a mentir.
Qué hace bien y qué no
La IA generativa es un modelo que produce contenido nuevo (texto, código, imágenes) a partir de una instrucción. En analítica, su terreno es el lenguaje, no la aritmética.
Hace bien:
- Traducir preguntas de negocio a SQL. «Cuántos usuarios recurrentes compraron en julio» se convierte en una consulta razonable en segundos.
- Explicar un resultado. Le das una tabla de 20 filas y te devuelve las tres conclusiones que se leen en ella.
- Redactar el informe. El mismo hallazgo, contado para dirección o para el equipo técnico.
- Documentar. Describir qué hace una consulta heredada de 200 líneas que nadie recuerda.
Hace mal:
- Calcular. Si le pides que sume una columna pegada en el chat, a veces acierta y a veces no. No es una hoja de cálculo.
- Recordar tu esquema. Si no le dices cómo se llaman tus tablas y campos, se los inventa con nombres plausibles.
- Decidir. Te dará una recomendación segura de sí misma aunque los datos no la sostengan.
Caso 1: de la pregunta de negocio al SQL
Problema: el responsable de marketing quiere saber qué canales traen usuarios que vuelven, no solo los que traen visitas.
Solución: darle al modelo el esquema y la pregunta. La clave es el esquema: sin él, inventa nombres de campo.
Tengo la tabla events_* del export de GA4 a BigQuery, con los campos
event_date, event_name, user_pseudo_id y traffic_source.medium.
Escríbeme una consulta que, para julio de 2026, devuelva por canal:
usuarios totales y usuarios que tuvieron sesiones en al menos dos días
distintos. Filtra por _TABLE_SUFFIX, no por event_date.Resultado: una consulta utilizable en el primer intento el 80% de las veces. El 20% restante falla en detalles del esquema de GA4, que es peculiar por sus campos anidados.
Ese detalle de _TABLE_SUFFIX del final no es un capricho: es lo que evita que la consulta escanee todo el histórico. Lo explico entero en la guía de BigQuery para analítica.
Caso 2: interpretar sin que se invente la historia
Problema: tienes la tabla de resultados y necesitas contarla en cinco líneas para el comité del lunes.
Solución: pegar los datos reales y pedir interpretación con una condición explícita.
Estos son los datos [pegas la tabla].
Dame las tres conclusiones que se deducen de estos números.
No especules sobre causas que no estén en los datos.
Si algo te parece raro, dime qué comprobación haría falta.Esa última línea es la que más rendimiento da. Sin ella, el modelo rellena los huecos con explicaciones plausibles: «la caída se debe a la estacionalidad del verano». Puede ser verdad, pero no está en tus datos.
Resultado: conclusiones ajustadas a lo que hay, más una lista de comprobaciones pendientes que suele ser lo más útil del ejercicio.
Caso 3: entender la consulta que heredaste
Llegas a un proyecto y hay una vista de 300 líneas sin un solo comentario. Pegársela al modelo y pedirle que la explique paso a paso, y que señale los puntos donde podría estar duplicando filas, ahorra una tarde entera.
Aquí el riesgo es bajo: si se equivoca al explicar, lo verás en cuanto contrastes con los datos. No estás delegando una decisión, estás acelerando la lectura.
La regla que evita el 90% de los problemas
Que el modelo nunca sea la fuente del número.
El número sale de BigQuery, de GA4 o de tu base de datos. El modelo escribe la consulta, lee el resultado y lo redacta. En cuanto le pides que calcule de cabeza, entras en terreno donde no puedes verificar nada.
En la práctica se traduce en un flujo de tres pasos: el modelo propone la consulta, tú la ejecutas, el modelo interpreta la salida. Nunca se salta el paso del medio.
Qué no le puedes pegar en el chat
Antes de copiar una tabla en una herramienta de IA, mira qué lleva dentro. Correos, identificadores de cliente, teléfonos o cualquier dato personal no deberían salir de tus sistemas hacia un servicio de terceros sin haberlo revisado antes.
La forma sensata es trabajar con datos agregados. Para interpretar tendencias no necesitas la fila de nadie: te basta con el total por canal y día. Y si necesitas el detalle, anonimízalo antes.
Esto va en la misma línea de decisiones que la medición sin cookies: no es una restricción técnica, es cómo se trabaja con datos de personas.
Preguntas frecuentes
¿Puede la IA generativa sustituir a un analista?
No, porque el trabajo del analista no es escribir consultas: es decidir qué pregunta merece la pena responder y si el dato que tienes la responde. Lo que sí hace la IA es quitarle la parte mecánica, que es bastante.
¿Qué modelo va mejor para SQL?
Los modelos grandes de propósito general funcionan bien con SQL estándar. Con dialectos concretos, como el de BigQuery, gana el que le des mejor contexto: pegar el esquema real mejora el resultado más que cambiar de modelo.
¿Cómo evito que se invente nombres de campo?
Dándole el esquema en el propio prompt y pidiéndole explícitamente que no use ningún campo que no esté en esa lista. Si aun así se lo inventa, la consulta fallará al ejecutarla, que es el fallo bueno: ruidoso e inmediato.
¿Sirve para detectar anomalías?
Para detectarlas, no: eso lo hace mejor una regla estadística o la detección de anomalías que ya trae GA4. Para explicar una anomalía ya detectada y proponer qué mirar, sí es útil.
Conclusión
La IA generativa en analítica es un acelerador de las partes lentas: escribir consultas, leer tablas y redactar. Lo que no es, es una calculadora ni un sustituto del criterio.
Si mantienes la regla de que el número siempre sale de la base de datos y el modelo solo lo traduce a lenguaje, ganas velocidad sin perder fiabilidad. En cuanto rompes esa regla, tienes informes preciosos sobre datos que no existen.
¿Quieres usar IA generativa sobre tus datos sin que acabe inventándose los números? Escríbeme y lo vemos juntos.
