Agentes de IA en la empresa: de la guía de OpenAI a los agentes analíticos con Data Formulator

Los agentes de IA se están convirtiendo en la nueva frontera de la automatización inteligente. Ya no hablamos solo de chatbots o asistentes virtuales, sino de sistemas capaces de tomar decisiones, ejecutar tareas complejas y coordinarse con otras herramientas empresariales.

OpenAI publicó en 2025 un extenso documento titulado A Practical Guide to Building Agents, que en AÓNIDES analizamos para extraer las claves y, sobre todo, traducirlas a la realidad de empresas españolas que buscan eficiencia y agilidad en su día a día.

Más allá de esta guía de OpenAI, en los últimos meses, hemos visto cómo están apareciendo un amplio abanico de agentes de IA especializados como Data Formulator, proyecto desarrollado por Microsoft Research, que están demostrando que los agentes de IA pueden ir más allá de la automatización de tareas: pueden transformar radicalmente cómo interactuamos con los datos y generamos visualizaciones. En este artículo actualizado, exploramos esta convergencia entre agentes de IA y análisis de datos.

Definición: Un agente de IA es un sistema de software que utiliza modelos de lenguaje (LLMs) para razonar, planificar y ejecutar tareas de forma autónoma o semiautónoma. A diferencia de un chatbot tradicional que solo responde preguntas, un agente puede conectarse a herramientas externas (APIs, bases de datos, sistemas empresariales), tomar decisiones basadas en contexto, y ejecutar acciones en el mundo real.

Según OpenAI, un agente es un sistema que actúa en nombre del usuario, con tres características fundamentales:

• Usa un LLM (modelo de lenguaje) para decidir pasos, detectar errores y saber cuándo ha terminado la tarea.

• Se conecta a herramientas externas (APIs, sistemas de negocio, bases de datos) de forma dinámica y modular.

• Es capaz de recuperar control humano si detecta límites, errores o riesgos.

En la práctica, esto significa que un agente de IA puede encargarse de revisar solicitudes de clientes, preparar informes financieros o coordinar procesos logísticos de forma semiautónoma.

La guía identifica tres contextos clave donde los agentes superan a las automatizaciones tradicionales:

• Decisiones complejas: por ejemplo, aprobar o rechazar una devolución teniendo en cuenta el historial de cliente.

• Normativas cambiantes: como las revisiones de seguridad o cumplimiento legal, donde mantener reglas manuales es insostenible.

• Datos no estructurados: interpretar contratos, emails o formularios en lenguaje natural.

En cambio, tareas simples y repetitivas siguen siendo más eficientes con automatizaciones convencionales.

A estos tres contextos, añadimos un cuarto que está ganando relevancia en 2025-2026: el análisis exploratorio de datos. Cuando un usuario de negocio quiere responder preguntas sobre sus datos pero no sabe SQL, DAX ni Python, un agente analítico puede interpretar su pregunta en lenguaje natural, consultar las fuentes de datos apropiadas, y devolver no solo números, sino visualizaciones y explicaciones contextualizadas.

La experiencia de OpenAI y la práctica en AÓNIDES apuntan a tres pilares fundamentales:

• Modelos: elegir el LLM adecuado según la tarea (no siempre el más caro es el mejor).

• Herramientas: APIs bien definidas que permitan al agente acceder a información fiable.

• Instrucciones claras: prompts diseñados para minimizar errores y asegurar consistencia.

En 2025, han surgido frameworks especializados que facilitan el diseño de agentes robustos. LangGraph (de LangChain) permite definir flujos de trabajo como grafos donde cada nodo es un paso del agente, con control preciso sobre la memoria, los estados y las transiciones. AutoGen de Microsoft facilita la creación de sistemas multiagente conversacionales. Estos frameworks resuelven problemas comunes como la gestión de estado, el manejo de errores y la orquestación de múltiples herramientas.

Un agente puede operar solo, pero el verdadero potencial aparece cuando se orquestan varios agentes especializados:

• Un agente financiero que genera escenarios de rentabilidad.

• Un agente de datos que integra información desde Microsoft Fabric o Azure Functions.

• Un agente de comunicación que prepara resúmenes ejecutivos para la dirección.

La clave está en la coordinación (un “manager agent” que supervisa) y en contar con guardrails que aseguren control, transparencia y trazabilidad.

Un sistema multiagente para análisis de datos empresariales podría incluir:

• Agente de comprensión: interpreta la pregunta del usuario y determina qué datos necesita.

• Agente de consulta: genera y ejecuta queries SQL o DAX contra el modelo de datos.

• Agente de validación: verifica que los resultados sean coherentes y seguros.

• Agente de visualización: determina el mejor tipo de gráfico y genera la representación visual.

• Agente narrativo: explica los resultados en lenguaje natural con insights de negocio.

Data Formulator es una herramienta de investigación de Microsoft Research que permite a los analistas crear visualizaciones de datos de forma iterativa combinando interacciones de interfaz gráfica con instrucciones en lenguaje natural. A diferencia de herramientas tradicionales, Data Formulator utiliza agentes de IA para transformar los datos automáticamente antes de visualizarlos, eliminando la necesidad de programar en Python o manipular datos manualmente.

Mientras la guía de OpenAI se centra en agentes de propósito general, Microsoft Research ha estado explorando un territorio más específico: los agentes especializados en análisis y visualización de datos. El proyecto Data Formulator, que Microsoft Research lleva desarrollando desde 2023 y que ha ido evolucionando hasta su versión actual con modo agente y conexiones a bases de datos reales, representa un cambio de paradigma en cómo interactuamos con los datos.

La visualización de datos tradicional presenta un problema fundamental: la mayoría de herramientas (Power BI, Tableau, Qlik) esperan que los datos estén en formato "tidy" (una variable por columna, una observación por fila). Pero los datos reales rara vez llegan así. Data Formulator aborda este problema con un enfoque innovador:

• Concept Binding: El usuario define conceptos (campos) que quiere visualizar, aunque no existan en los datos originales. Por ejemplo: "quiero ver la temperatura de Madrid vs Barcelona", aunque los datos estén en formato largo.

• Transformación automática: Un agente de IA genera el código necesario para transformar los datos y hacerlos compatibles con la visualización deseada.

• Interfaz híbrida: Combina drag-and-drop con lenguaje natural, permitiendo precisión cuando se necesita y velocidad cuando se quiere explorar.

• Modo agente: En la versión 0.5 (noviembre 2025), el usuario puede dar instrucciones de alto nivel y dejar que los agentes exploren los datos de forma autónoma, proponiendo visualizaciones.

Aunque Data Formulator es un proyecto de investigación (no un producto comercial), sus principios son directamente aplicables al mundo empresarial:

• El valor está en la semántica, no en el SQL: Los usuarios de negocio piensan en conceptos ("ventas por región"), no en queries. Un buen agente analítico traduce entre ambos mundos.

• La iteración es clave: Nadie acierta a la primera. Los agentes deben permitir refinar, ajustar y explorar caminos alternativos.

• Transparencia y control: Data Formulator muestra el código generado y los datos transformados. Esto permite verificar y aprender.

• Conexión con fuentes reales: Las versiones recientes soportan conexiones a BigQuery, PostgreSQL, MySQL y Azure Data Explorer, acercando la investigación al mundo real.

Data Formulator no es un caso aislado. En los últimos meses, hemos visto una aceleración en la integración de IA generativa en las principales plataformas de Business Intelligence:

• Microsoft Copilot en Power BI y Fabric: Permite hacer preguntas en lenguaje natural y genera DAX, narrativas y visualizaciones.

• Qlik Cloud Analytics (enero 2026): Nuevas capacidades de Insight Advisor con priorización de KPIs y ordenación inteligente.

• BigQuery ML generative functions: Funciones de IA generativa ejecutables directamente dentro del data warehouse.

• Databricks Runtime 18.0: SQL scripting GA y funciones KLL sketch para análisis aproximado a escala.

• Looker 26.0: Mejoras en conectividad y autenticación Snowflake con key-pair.

El patrón común: todas estas plataformas están evolucionando hacia interfaces conversacionales donde el usuario puede expresar su intención analítica en lenguaje natural, y un agente de IA se encarga de la traducción técnica (SQL, DAX, Python) y la presentación visual.

OpenAI subraya la importancia de incorporar “barandillas” de seguridad. En AÓNIDES lo vemos igual de crítico:

• Instrucciones que anticipen casos límite.

• Supervisión humana en tareas críticas.

• Trazabilidad completa de decisiones y acciones.

En entornos regulados (salud, finanzas, sector público) estos elementos no son opcionales, son imprescindibles.

Los agentes que interactúan con datos empresariales requieren medidas de seguridad adicionales:

• Consultas solo de lectura: el agente nunca debe poder modificar, insertar o eliminar datos.

• Validación de queries: antes de ejecutar cualquier SQL/DAX, un módulo de validación debe verificar que cumple con las políticas.

• Control de acceso: el agente hereda los permisos del usuario, no puede acceder a datos que el usuario no vería en un dashboard normal.

• Límites de complejidad: restricciones en el tamaño de las consultas y tiempo de ejecución para evitar impactos en el sistema.

La guía de OpenAI es un punto de partida valioso, pero creemos que para que un agente sea realmente útil debe:

• Integrarse con sistemas ya existentes (ERP, CRM, BI).

• Conectar con plataformas de automatización como Power Platform, Zapier, Make o n8n.

• Aportar valor específico al negocio, no solo ser una “demo tecnológica”.

En sectores como logística, industria o retail, ya estamos viendo cómo los agentes permiten:

• Reducir tiempos en análisis de datos operativos.

• Automatizar tareas administrativas complejas.

• Generar insights accionables en Power BI sin intervención manual.

Inspirados por proyectos como Data Formulator y por nuestra experiencia con Microsoft Fabric y Power BI, en AÓNIDES estamos explorando activamente cómo aplicar estos conceptos al análisis de datos empresarial. Nuestro enfoque se centra en:

• Generación robusta de SQL: traducimos preguntas en lenguaje natural a consultas SQL seguras sobre una base de datos curada para analíticas.

• Orquestación multiagente con LangGraph: separamos las responsabilidades (comprensión, consulta, validación, visualización) para mayor control y trazabilidad.

• Foco en sectores específicos: comenzando con logística y transporte, donde conocemos profundamente los KPIs y las preguntas típicas del negocio.

Próximamente compartiremos más detalles sobre este trabajo. Si te interesa ver cómo los agentes de IA pueden transformar el análisis de datos en tu organización, mantente atento a nuestras novedades.

La construcción de agentes de IA no es solo un ejercicio técnico. Requiere diseño estratégico, integración con procesos de negocio y un enfoque riguroso en seguridad y supervisión.

El campo de los agentes de IA está evolucionando rápidamente. Desde la guía práctica de OpenAI hasta los experimentos de Microsoft Research con Data Formulator, estamos viendo emerger un nuevo paradigma donde los usuarios de negocio pueden interactuar con sus datos de forma conversacional, sin necesidad de conocimientos técnicos profundos. Esta democratización del análisis de datos es, quizás, la promesa más transformadora de los agentes de IA.

En AÓNIDES ayudamos a las empresas a convertir la teoría en soluciones reales, adaptadas a su contexto, sus sistemas y sus objetivos.

¿Está su empresa preparada para dar el salto a la automatización inteligente con agentes de IA? ¿Le gustaría explorar cómo un agente analítico conversacional podría transformar el acceso a los datos en su organización?

Un chatbot tradicional responde preguntas basándose en reglas o en un modelo de lenguaje, pero su interacción termina en la conversación. Un agente de IA, además de conversar, puede conectarse a herramientas externas (APIs, bases de datos, sistemas empresariales), ejecutar acciones en el mundo real, y coordinar múltiples pasos para completar tareas complejas de forma autónoma o semiautónoma.

Data Formulator es una herramienta de investigación de Microsoft Research que permite crear visualizaciones de datos combinando interfaz gráfica y lenguaje natural. Utiliza agentes de IA para transformar automáticamente los datos antes de visualizarlos, eliminando la necesidad de programación manual. Es un proyecto open source disponible en GitHub.

LangGraph es un framework de LangChain para construir agentes de IA como grafos de estados. Permite definir flujos de trabajo donde cada nodo es un paso del agente, con control preciso sobre memoria, estados y transiciones. Es especialmente útil para sistemas multiagente y para aplicaciones que requieren iteración y corrección de errores.

Los agentes de IA son preferibles cuando: (1) las decisiones requieren contexto y juicio, no solo reglas fijas; (2) las normativas o procesos cambian frecuentemente; (3) se trabaja con datos no estructurados como emails, contratos o documentos; (4) se necesita análisis exploratorio donde las preguntas no están predefinidas. Para tareas simples, repetitivas y bien definidas, las automatizaciones tradicionales siguen siendo más eficientes.

Sí, pero requiere medidas de seguridad específicas: el agente debe heredar los permisos del usuario, solo ejecutar consultas de lectura, validar todas las queries antes de ejecutarlas, y mantener trazabilidad completa. En entornos regulados (salud, finanzas), la supervisión humana y los guardrails de seguridad son imprescindibles.

Las principales plataformas están incorporando capacidades de IA generativa: Microsoft con Copilot en Power BI y Fabric, Qlik con Insight Advisor, Google con BigQuery ML generative functions, Databricks con su SQL scripting y funciones de IA, y Looker con mejoras de conectividad. La tendencia es hacia interfaces conversacionales donde el usuario expresa su intención analítica en lenguaje natural.