Los modelos de lenguaje permiten consultar grandes volúmenes de datos en lenguaje natural. Pero el valor de esa capacidad depende de cómo se formula la pregunta de negocio, de cómo se definen las métricas y del método con que se lleva cada caso de uso a producción. En 7Puentes lideramos la resolución de problemas de negocio mediante analítica asistida con IA, con una metodología propia probada en distintas industrias.
Las empresas acumulan datos operativos y comerciales en sistemas de gestión, plataformas de clientes y bases transaccionales. Convertir esa información en respuestas útiles suele requerir analistas, tiempo y varias idas y vueltas entre las áreas de negocio y las de datos. La analítica asistida con IA propone otro camino: formular cada pregunta de negocio en lenguaje natural para que un asistente la traduzca a consultas SQL, calcule las métricas relevantes y devuelva comparaciones, diagnósticos y proyecciones aplicables a distintos casos de uso.
La región avanza en esa dirección con desafíos propios. El Índice Latinoamericano de Inteligencia Artificial (ILIA) 2025, elaborado por CENIA y CEPAL, confirma que América Latina y el Caribe adopta IA con dinamismo, aunque con brechas críticas en talento, inversión e infraestructura. En ese contexto, la eficiencia de cada implementación pesa tanto como la tecnología elegida.
Un caso de logística para pensar el método
Para ilustrar el enfoque se toma un caso hipotético: un operador logístico regional con centros de distribución en varios países de Latinoamérica, flota propia y transportistas tercerizados. Sus datos se reparten entre el sistema de gestión de transporte (viajes, rutas, costos), el de depósitos (preparación de pedidos, inventario) y el de clientes (contratos, niveles de servicio, renovaciones). La gerencia quiere consultar ese conjunto de datos en lenguaje natural y obtener respuestas accionables.
La elección del sector responde a una razón concreta. En América Latina se calcula que los costos logísticos representan entre el 18% y el 35% del valor de un producto, frente al 8% en los países de la OCDE, según BID Invest. Con esa brecha, cada mejora analítica en la operación impacta de manera directa en la competitividad de la región.
El método: Agent/Automation Canvas
Para ordenar el recorrido desde la pregunta hasta la decisión, 7Puentes desarrolló el Agent/Automation Canvas, un framework propio que guía a los equipos técnicos y operativos a través de cinco etapas con una metodología rigurosa. 7Puentes lo aplica para lograr una adopción sostenida de IA en la industria energética, y su lógica se extiende a proyectos de analítica asistida en cualquier industria.
La primera etapa, identificación del problema, define con precisión el problema de negocio a resolver y evita proyectos de IA sin un caso de uso claro. La segunda, diseño de la solución, traduce ese problema en una solución técnica concreta, alineada entre las áreas de Negocio y Sistemas. La tercera, cuantificación del impacto, estima el resultado esperado en términos medibles antes de comprometer presupuesto. La cuarta, evaluación de viabilidad, analiza la factibilidad técnica y organizacional del proyecto en el contexto real de la empresa. La quinta, definición del MVP, acota un producto mínimo viable que permita validar el impacto antes de escalar, un enfoque que 7Puentes aplica también en su servicio de desarrollo de MVP de IA.
Las secciones siguientes recorren esas cinco etapas sobre el caso del operador logístico.
Etapa 1. Identificación del problema: desarmar la pregunta genérica
En la analítica asistida, la identificación del problema empieza antes de cualquier consulta. Por ejemplo, la pregunta “¿cómo nos fue esta semana?” deja al asistente sin los elementos necesarios para responder algo útil: período, métrica, segmento, referencia de comparación y propósito.
En el caso del operador logístico, esa misma inquietud puede reformularse así: porcentaje de entregas a tiempo y completas, y costo por entrega, por país, centro de distribución y tipo de transportista, contra la semana anterior, la misma semana del año pasado y la meta contractual de los diez clientes principales, con los tres desvíos más relevantes y las incidencias asociadas. La pregunta queda ordenada en cuatro dimensiones que el asistente puede resolver por separado: comparación, diagnóstico, avance contra metas y proyección.
La herramienta para este tipo de uso ya está en funcionamiento en el sector. McKinsey documenta el caso de un distribuidor que mejoró su tasa de cumplimiento entre 5% y 8% con una torre de control de cadena de suministro que incluye un chatbot de IA generativa capaz de responder preguntas sobre datos en tiempo real. La calidad de esas respuestas depende de la calidad de la pregunta. La descomposición de consultas complejas es, de hecho, una de las capacidades que evalúa BEAVER, un benchmark construido sobre almacenes de datos empresariales reales que mide la capacidad de dividir una pregunta en sub-consultas SQL intermedias con sentido.
Etapa 2. Diseño de la solución: definir antes de consultar
Cuando el asistente traduce una pregunta formulada en lenguaje natural a SQL, el riesgo principal es un resultado verosímil y equivocado. En el operador logístico, “entrega a tiempo” puede medirse contra la ventana pactada o contra la fecha prometida; “entrega fallida” puede incluir o excluir las reprogramaciones; el costo por entrega puede sumar o dejar afuera el retorno del vehículo. Si cada país registra esos conceptos de forma distinta, las cifras resultantes parecen comparables y conducen a conclusiones erróneas.
La evidencia técnica muestra el tamaño del desafío. En Spider 2.0, un benchmark presentado en ICLR 2025 con problemas derivados de bases de datos empresariales, un agente basado en o1-preview resolvió solo el 21,3% de las tareas, frente al 91,2% en Spider 1.0, su versión académica original (la versión preliminar del trabajo reportaba 17,0%; se toma la cifra de la versión publicada en la conferencia). La solución que respalda la evidencia es definir las métricas una sola vez en una capa semántica. En la actualización 2026 del benchmark de dbt Labs, para las consultas cubiertas por una capa semántica bien modelada la precisión se acercó al 100% (el benchmark trabaja sobre un conjunto de datos de prueba y un número acotado de preguntas de negocio). La recomendación de ese estudio reserva la traducción directa a SQL para análisis puntuales y conjuntos pequeños de datos, y la capa semántica para usos empresariales donde la precisión es crítica y los datos son grandes, complejos o desordenados.
Esa definición compartida es el punto de encuentro entre Negocios y Sistemas que plantea esta etapa del Canvas. Operaciones y el área comercial acuerdan qué significa cada métrica, y el equipo técnico la implementa en la capa semántica para que todas las consultas posteriores la reutilicen.
El diseño también contempla las preguntas predictivas. La consulta “con estos datos, ¿cómo nos va a ir la semana próxima?” requiere expandir el pedido con los factores que efectivamente mueven el resultado: los pedidos ya confirmados por cliente, el histórico de volumen por semana, la estacionalidad propia del sector (fechas de comercio electrónico, cierres de mes), la capacidad disponible de flota y depósitos, y los riesgos conocidos, como condiciones climáticas, conflictos gremiales o cortes de ruta. El pedido expandido solicita además supuestos explícitos, un rango de resultados en lugar de un número único y la identificación de las palancas que modifican el pronóstico: reasignar carga entre centros, sumar transportistas o adelantar la preparación de pedidos.
Por último, la solución se diseña para desembocar en una acción. En la operación, un desvío detectado en el cumplimiento de entregas se traduce en una reasignación de rutas o de turnos. En la gestión comercial, el asistente puede preparar la revisión periódica con cada cliente clave: cumplimiento contra contrato, incidencias, causas identificadas y propuestas de mejora, con los datos ya cruzados entre sistemas.
Etapa 3. Cuantificación del impacto
Antes de comprometer presupuesto, el operador estima el impacto esperado con indicadores propios: horas de análisis que hoy demanda el reporte semanal, tiempo entre la aparición de un desvío y su detección, penalidades contractuales asociadas a incumplimientos y capacidad ociosa de flota y depósitos.
Las referencias del sector ofrecen un orden de magnitud. Según McKinsey, la IA puede reducir los niveles de inventario entre 20% y 30% al mejorar el pronóstico de demanda mediante segmentación dinámica y aprendizaje automático, y liberar entre 7% y 15% de capacidad adicional en redes de depósitos al identificar capacidad ociosa diaria y variabilidad en la disponibilidad de recursos (rangos estimados por la consultora a partir de su trabajo con distribuidores; el resultado en cada empresa depende de su punto de partida y de la calidad de sus datos). En transporte, la Agencia Internacional de Energía registra que las aplicaciones de IA se usan para gestionar el tránsito, optimizar rutas y anticipar necesidades de mantenimiento.
El mismo informe de McKinsey describe un caso donde el impacto quedó medido de punta a punta: un distribuidor analizó más de cinco millones de datos provenientes de entrevistas a choferes, identificó grupos en riesgo de rotación y desarrolló seis iniciativas de retención, con una oportunidad de mejora del EBITDA del 4%.
Etapa 4. Evaluación de viabilidad
La cuarta etapa contrasta el diseño con el contexto real de la empresa. En el operador logístico, eso implica revisar si los tres sistemas pueden integrarse, si las definiciones de cada métrica son homogéneas entre países, quién mantiene la capa semántica y quién valida las respuestas del asistente antes de que lleguen a una decisión.
Esos son los puntos donde suelen trabarse los proyectos del sector. En una encuesta de McKinsey a distribuidores, cerca del 95% explora casos de uso de IA, aunque solo alrededor del 30% cuenta con talento suficiente para escalarlos y menos del 10% desarrolló una hoja de ruta con casos priorizados (encuesta de 2024 sobre una muestra de 40 distribuidores). Gartner, por su parte, identifica la integración tecnológica y el talento como los principales obstáculos para escalar la IA en la cadena de suministro.
Etapa 5. Definición del MVP
El MVP acota el proyecto a un caso que permita validar el impacto antes de escalar. En el operador logístico, ese primer caso puede ser el reporte semanal de cumplimiento: una pregunta recurrente, con métricas validadas por operaciones y por el área comercial, sobre la que luego se suman la proyección y la preparación de revisiones con clientes. El criterio coincide con la recomendación de McKinsey para distribuidores: seleccionar uno o dos casos de uso de bajo riesgo y alto valor que puedan entregarse en tres o cuatro meses para generar adhesión interna.
Validar primero y escalar después requiere, además, rediseñar el proceso de decisión, con validación humana en los puntos críticos. En la cadena de suministro, ese rediseño todavía es minoritario: Gartner encontró que solo el 17% de las organizaciones encara un rediseño transformacional de sus procesos y flujos de trabajo, mientras el 83% aplica la IA de forma incremental en casos de uso puntuales o la escala gradualmente, y en otro relevamiento apenas el 23% de los líderes del sector declara contar con una estrategia formal de IA. En el plano general, el informe The State of AI de McKinsey señala que las organizaciones de mejor desempeño se distinguen por tratar la IA como un catalizador de transformación, rediseñando flujos de trabajo y acelerando la innovación.
El mismo método en otras industrias
Cabe recalcar que 7Puentes trabaja con empresas de energía, retail y comercio electrónico, logística y transporte, y salud. En cada una aparecen problemas analíticos muy específicos, y el Canvas permite recorrerlos con las mismas cinco etapas, cambiando las métricas y las preguntas.
En energía, “¿cómo viene la operación?” puede reformularse como las fallas no planificadas por tipo de activo y zona en el último mes, contra el mismo mes del año anterior, con las tres causas más frecuentes y el tiempo medio de reposición. En retail y comercio electrónico, “¿cómo vendimos?” se convierte en los quiebres de stock por categoría y canal en la última semana, con la venta perdida estimada y los productos que se repiten respecto del mes anterior. En salud, “¿cómo va el abastecimiento?” pasa a ser el cumplimiento de reposición de insumos por institución y región en el último trimestre, con los faltantes recurrentes y su impacto en los plazos de entrega.
7Puentes acompaña a empresas de distintas industrias en el diseño e implementación de soluciones de analítica asistida con IA, desde la definición de métricas hasta la puesta en producción. Para evaluar cómo aplicar este enfoque a los datos de cada organización, el equipo ofrece una primera conversación de diagnóstico: https://7puentes.com/7p-contact-page/
