Llenar una pantalla con gráficos y métricas no equivale a analizar un negocio. Aunque las empresas disponen de más paneles que nunca, herramientas como Power BI, Looker Studio o Google Analytics 4 suelen mostrar con precisión qué ha ocurrido en una web o una campaña, pero rara vez explican por qué ha sucedido.

Cuando a esa situación se añade inteligencia artificial generativa sin una metodología definida, el riesgo aumenta. Las respuestas se obtienen con más rapidez y con una redacción más pulida, pero pueden contener un margen de error inaceptable para un comité de dirección.

La distancia entre un informe visualmente atractivo y su impacto real en la rentabilidad fue uno de los asuntos abordados en ConIA Digital 2026, el congreso organizado por la consultora IKAUE. Durante su ponencia, Iñaki Huerta, CEO y fundador de IKAUE y referente de la analítica web y el SEO en España, expuso el concepto de analítica agéntica: el uso de agentes de IA que investigan las fuentes de datos de una compañía con metodología analítica para extraer conclusiones que permitan actuar.

Un gráfico no constituye un hallazgo

Huerta distinguió entre dos tareas que con frecuencia se confunden. La elaboración de informes corresponde a la visualización de datos: resulta útil para comunicar información, pero no es suficiente para dirigir una estrategia.

La analítica, en cambio, busca obtener insights, es decir, las razones que explican el comportamiento de los clientes y las acciones que pueden adoptarse a partir de ellas.

Para que una conclusión pueda considerarse un hallazgo debe reunir tres condiciones. En primer lugar, debe aportar algo desconocido, como una relación causal o un patrón nuevo. Que el tráfico de una semana sea igual al de la anterior es un dato, no un descubrimiento. Además, debe identificar una palanca concreta relacionada con las métricas que influyen en la cuenta de resultados; sin una decisión asociada, solo genera ruido. Por último, debe basarse en cálculos verificados, sin suposiciones.

Por ejemplo, si GA4 indica que las sesiones crecen, las conversiones disminuyen y, como consecuencia, baja la tasa de conversión, únicamente está describiendo una operación aritmética.

El análisis útil sería detectar que el descenso se concentra en una categoría de producto porque un competidor directo ha reducido un 12% sus precios en las subastas de Google Shopping. Ese diagnóstico permite identificar el origen del riesgo y tomar una decisión comercial ese mismo día.

Un 60% de acierto no es suficiente para la dirección

Muchos equipos técnicos recurren a una vía rápida: redactan instrucciones de sistema con las reglas del negocio, incorporan capacidades al modelo y lo conectan con las herramientas de medición a través del protocolo MCP (Model Context Protocol).

Este planteamiento puede ahorrar tiempo en tareas operativas de gran volumen, en las que se admite cierto margen de error. Sin embargo, falla en trabajos que requieren precisión, aquellos que no se dejarían sin supervisión en manos de una persona recién incorporada a una empresa.

Según explicó Huerta, cuando un modelo de lenguaje consulta datos en bruto y realiza los cálculos por sí mismo surgen cuatro problemas principales.

Los cuatro errores principales

El primero consiste en una simplificación excesiva: el modelo se limita a una descripción superficial y no relaciona las variables relevantes. El segundo es el error de cálculo y el aumento del consumo, ya que cargar tablas muy extensas y numerosas instrucciones encarece las consultas y satura su capacidad de atención.

El tercero es su tendencia a confirmar la premisa del usuario. Si una pregunta parte de un supuesto falso o de un porcentaje incorrecto, el sistema suele ratificarlo en lugar de refutarlo con los números. El cuarto problema son las alucinaciones: ante la falta de información, puede inventar correlaciones o acciones comerciales inexistentes para construir una explicación coherente.

En las pruebas presentadas, que contemplaron cinco ejecuciones por cada tarea analítica en empresas de distintos sectores, el modelo más avanzado del mercado solo alcanzó un 60% de respuestas con el dato correcto.

Esto supone que cuatro de cada diez cifras eran erróneas, un nivel de fiabilidad que, según el planteamiento expuesto, ningún director de marketing debería llevar ante la dirección general.

La conclusión es que conviene separar el motor de lenguaje del motor de cálculo. Los modelos de lenguaje son capaces de entender peticiones, plantear hipótesis y redactar conclusiones, pero no resultan fiables si se emplean como una base de datos o una calculadora.

Un arnés para evitar que el agente improvise

La solución desarrollada por el equipo de datos de IKAUE recibe el nombre de arnés de IA (AI Harness). Se trata de un entorno de ejecución delimitado mediante código, esquemas y protocolos estrictos, diseñado para impedir que el agente se desvíe o invente cifras.

En lugar de permitir que el modelo improvise ante una solicitud abierta, el arnés le obliga a seguir un proceso similar al de un analista sénior, organizado por etapas.

Extracción, memoria y validación

Primero, el sistema extrae y explora los datos de forma determinista. No formula conclusiones a partir de la primera tabla descargada: ejecuta scripts y consultas agregadas, con filtros, agrupaciones y sumas condicionales resueltas fuera del modelo. De este modo, examina los datos desde varios puntos de vista hasta comprender su distribución real.

A continuación, almacena los resultados parciales y las tablas depuradas en una memoria intermedia. Esta fase evita que se sature la capacidad del modelo y permite que el análisis posterior trabaje con información completa.

Por último, antes de emitir el informe, un módulo evaluador analiza la solidez estadística de cada conclusión, identifica los casos en los que la evidencia es débil y descarta correlaciones dudosas.

El contexto que no aparece en las bases de datos

Este enfoque transforma el papel del profesional de marketing, que pasa de recopilar métricas a dirigir el análisis.

Hay información que ningún agente puede obtener de Google Analytics, el CRM o BigQuery: el contexto real de la organización. Los datos reflejan consecuencias, pero no indican que la semana anterior se produjo una rotura de stock en un almacén, que un cambio normativo frenó una campaña o que la red comercial modificó las condiciones de financiación.

Sin esos elementos, un agente puede interpretar una anomalía puntual como una tendencia de mercado. Por ello, la analítica agéntica debe funcionar como un diálogo dirigido por una persona.

El profesional plantea la hipótesis o el problema de negocio y aporta el contexto que las bases de datos desconocen. También revisa el plan de investigación propuesto por el agente antes de que se lancen todas las consultas, valida los hallazgos intermedios, corrige el rumbo si identifica sesgos y solicita profundizar en los segmentos con mayor peso económico. Así, la decisión final puede sustentarse en datos auditables y sin errores de cálculo.

Dominar estas arquitecturas diferencia a quienes utilizan la IA para producir texto superficial de quienes crean sistemas de datos fiables con los que vender más y distribuir mejor el presupuesto.

Estas materias se trabajan en el Máster Internacional en Marketing Digital con mención en Inteligencia Artificial Aplicada de ENAE Business School, centrado en flujos automatizados, analítica avanzada e IA aplicada al negocio.

Como punto de partida, las empresas pueden revisar cómo realizan actualmente sus mediciones y quién verifica las cifras antes de que lleguen a la mesa de dirección. Más información sobre este máster y otros programas en www.enae.es.