Cómo integré IA en un workflow de datos sin delegar el criterio
El objetivo no era “hacer un agente”. Era entregar el reporte del lunes antes, con menos trabajo manual y una revisión humana más enfocada.
Es una medición propia, no una promesa de ahorro.
El resultado procede de un flujo de ecommerce construido durante tres meses. Incluía cinco exportaciones, consolidación, controles, resumen ejecutivo y envío. Tu ahorro dependerá de volumen, APIs, calidad y revisión.
Automatizar lo estable
Extracción, nombres de columnas, periodos, validaciones y cálculos repetibles.
Revisar lo ambiguo
Causas, anomalías, contexto comercial y recomendaciones.
Registrar el proceso
Fecha, fuente, versión, errores, coste y persona que aprobó.
Diseñar el fallo
Si falta una fuente, el informe debe detenerse o marcar la sección; nunca inventarla.
La revisión final seguía requiriendo unos 30 minutos. La IA no enviaba recomendaciones directamente al cliente sin aprobación.
El workflow completo, de la fuente a la decisión.
Extraer
GA4, Ads, CRM y ventas mediante APIs o exportaciones controladas.
Validar
Fechas, duplicados, nulos, moneda y cobertura.
Calcular
Métricas con Python/SQL y reglas versionadas.
Interpretar
La IA redacta hipótesis y preguntas, no hechos nuevos.
Aprobar
Una persona revisa datos, lenguaje y acción antes de enviar.
Estima el ahorro con tus supuestos.
Cambia los valores. El cálculo no incluye implementación, mantenimiento, APIs ni tiempo de revisión extraordinaria.
No equivale necesariamente a ahorro en caja: puede convertirse en análisis adicional, velocidad o menor dependencia de tareas manuales.
Qué debe ocurrir cuando algo falla.
| Fallo | Detección | Respuesta | Intervención humana |
|---|---|---|---|
| API sin respuesta | Timeout y código de estado | Reintento limitado; después detener | Confirmar fuente o usar corte anterior marcado |
| Datos incompletos | Umbral de cobertura | No calcular KPI afectado | Decidir si el informe puede salir |
| Cambio de esquema | Columnas esperadas | Bloquear transformación | Actualizar mapeo y pruebas |
| Resumen contradictorio | Reglas numéricas | Marcar para revisión | Reescribir con evidencia |
| Dato personal | Clasificación y minimización | No enviarlo al modelo | Evaluar base legal y necesidad |
Un workflow útil empieza antes del modelo.
1. Especifica la decisión
“Analizar campañas” es demasiado amplio. Define quién leerá el resultado, qué decisión tomará, periodo, métricas y umbrales. Un buen contrato puede ser: “Cada lunes, detectar variaciones materiales en inversión y conversiones, explicar segmentos relacionados y proponer preguntas para revisión”.
2. Extrae con una fuente de verdad
Usa APIs o exportaciones versionadas. Guarda zona horaria, moneda, atribución, filtros y fecha de extracción. Si mezclas plataformas, no sumes conversiones sin comprobar definiciones. Las discrepancias deben conservarse, no maquillarse.
3. Valida antes de pedir narrativa
Comprueba esquema, duplicados, ausentes, rangos y totales frente a la interfaz. Calcula métricas deterministas con código. El modelo puede explicar resultados ya validados; no debería inventar el denominador ni corregir silenciosamente un dato roto.
4. Entrega evidencia estructurada
Proporciona tabla, definiciones, comparación y contexto. Pide una salida con secciones fijas: hallazgo, evidencia, hipótesis, riesgo y siguiente comprobación. Exige que diferencie observación de interpretación.
5. Revisión y distribución
Una persona aprueba recomendaciones y mensajes externos. Después se envía el informe y se registran versión, errores, coste e intervención. El feedback debe alimentar reglas y pruebas, no quedar en conversaciones privadas.
Diseña para fallar
Define qué ocurre si la API no responde, faltan datos o la salida no cumple el esquema. Usa reintentos limitados, alertas, una cola de revisión y una versión manual mínima. Nunca dejes que el flujo publique una conclusión vacía porque “el proceso terminó”.
Antes de ponerlo en producción.
- Las credenciales tienen el mínimo permiso y están fuera de prompts y archivos.
- Existe un diccionario de métricas y una prueba con datos conocidos.
- La salida distingue hecho, hipótesis y recomendación.
- Hay responsable, registro, límite de coste y botón de parada.
- Los datos personales se minimizan y usan en un entorno autorizado.
- El informe conserva enlaces o identificadores para volver a la evidencia.
¿Cuándo incorporar IA?
Después de estabilizar extracción, definiciones y validaciones. Si el pipeline tradicional falla, la IA solo añadirá una explicación convincente a un dato incorrecto.
¿Qué medir?
Tiempo total, tasa de informes aceptados, correcciones, incidencias, coste y decisiones que realmente cambiaron.
APIs y privacidad desde la fuente.
Un lunes de reporting, paso a paso.
A las 07:00 se extraen datos con ventanas y zona horaria fijas. Las validaciones comparan totales y detectan campañas sin coste o conversiones. Solo si pasan se calcula variación. El modelo recibe una tabla pequeña con definiciones y redacta observaciones e hipótesis separadas. A las 09:00 una persona revisa excepciones y aprueba. El informe enlaza evidencia y registra correcciones para la semana siguiente.