El problema que me plantearon
Una franquicia de alimento para mascotas tenía un equipo de gestión que necesitaba respuestas constantemente: datos de ventas, feedback de clientes, rendimiento por sucursal. Pero cada consulta implicaba lo mismo: abrir un Excel, armar una tabla dinámica, esperar a que alguien técnico lo resuelva y mandar el número por mail.
Si la pregunta era más compleja — cruzar variables, comparar períodos, analizar patrones — había que esperar más. A veces días.
El dato existía. El acceso, no.
Y este no es un caso aislado. Es un patrón que se repite en la mayoría de las empresas que trabajan con datos. Los que saben consultar son pocos. Los que necesitan respuestas son muchos. Y en el medio, un cuello de botella que atrasa decisiones.
La solución: un chatbot en Telegram que responde con datos reales
Armé un chatbot de análisis conversacional integrado a Telegram. La idea: que cualquier persona del equipo le escriba al bot lo que necesita saber, en lenguaje natural, y reciba una respuesta con datos reales, gráficos y recomendaciones.
Así funciona en la práctica:
→ Le escribís: "¿Qué día vendimos más?" → te responde con números exactos y un gráfico de barras. → "¿Cómo se comparan las sucursales?" → análisis comparativo con porcentajes y tendencias. → Para preguntas más complejas, el bot primero hace preguntas de clarificación y después arma un análisis completo con insights y recomendaciones accionables.
Lo más importante: la IA no inventa. Tiene funciones programadas que ejecutan análisis reales sobre datos reales. Claude (el modelo de Anthropic) decide qué función usar según la pregunta, pero no fabrica números. Cada respuesta está respaldada por una consulta verificable.
El hallazgo que ningún dashboard había mostrado
El equipo ya tenía dashboards. Ventas por sucursal, productos más vendidos, métricas de NPS. Todo estaba ahí.
Pero cuando el bot cruzó datos de NPS con comportamiento de compra — algo que nadie le pidió explícitamente — descubrió algo que llevaba meses escondido en los datos: los clientes detractores compraban con la misma frecuencia que los promotores, pero gastaban 65% menos por orden.
Ese insight no estaba en ningún tablero. Estaba esperando la pregunta correcta.
Y acá es donde aparece la diferencia clave entre un dashboard y el análisis conversacional: el tablero te muestra lo que ya sabés que querés mirar. La conversación te deja explorar lo que todavía no sabías que tenías que preguntar.
No se reemplazan. Se complementan. El dashboard es el mapa. La conversación es la brújula cuando no sabés exactamente hacia dónde mirar.
Por qué esto no es un experimento: los datos de la industria lo confirman
Cuando empecé a construir este proyecto, sabía que el análisis conversacional tenía potencial. Lo que no esperaba era que la industria se estuviera moviendo tan rápido en esa dirección.
Gartner, en su Hype Cycle 2025, posicionó el Natural Language Query (NLQ) en el pico de expectativas con un rating de beneficio transformacional, proyectando adopción masiva en los próximos dos años. McKinsey reporta que el 78% de las empresas ya integraron IA conversacional en al menos un área operativa clave. Y el mercado global de IA conversacional — que en 2024 alcanzó los 11.580 millones de dólares — se proyecta a 41.390 millones para 2030.
Plataformas como Snowflake lanzaron Snowflake Intelligence para consultas en lenguaje natural. Looker hizo disponible Conversational Analytics en 2025. Y Salesforce adquirió Waii, una empresa especializada en NLP para gestión de datos, señalizando que las grandes apuestas enterprise van hacia la conversación con datos.
Las organizaciones que ya implementan NLQ reportan tiempos de obtención de insights 40-60% más rápidos y reducciones significativas en solicitudes de soporte al área de IT. No es solo eficiencia: es democratización real del dato.
Lo técnico: cómo está armado por dentro
Para los que les interesa el detalle técnico del proyecto:
→ El bot genera 8 tipos de gráficos automáticamente: barras, líneas, tortas, dual-axis, barras apiladas, entre otros. → Tiene un sistema de feedback integrado (👍/👎/🔧) para que los usuarios marquen si la respuesta fue útil o hay que mejorarla. → Los errores se registran y se corrigen en sesiones de QA, así el bot mejora con el uso. → Stack: Python, Claude API (Anthropic), Telegram Bot API, pandas, matplotlib.
Pero hay un punto que quiero destacar porque es donde muchos proyectos de análisis conversacional fallan: no alcanza con conectar un LLM a una base de datos.
SAP publicó un análisis donde advierte que sin metadatos ricos y semántica de negocio bien definida, las herramientas de NLQ alucinan, malinterpretan la intención del usuario y devuelven resultados inconsistentes. La madurez de los metadatos es el mejor predictor de precisión conversacional.
Por eso el bot no es un wrapper de ChatGPT sobre un CSV. Cada función está diseñada para un tipo de análisis específico, con validaciones, manejo de errores y lógica de negocio incorporada.
Lo que aprendí construyendo esto
Este proyecto me confirmó algo que vengo pensando hace tiempo: el futuro del análisis de datos no es más dashboards ni más herramientas técnicas. Es hacer que los datos sean accesibles para cualquiera que necesite tomar una decisión.
No necesitás saber SQL. Ni Python. Ni abrir ninguna herramienta. Solo necesitás hacer la pregunta correcta en un chat.
Gartner proyecta que para 2026, más del 80% de las empresas habrán usado APIs de IA generativa o aplicaciones habilitadas con IA generativa. IDC pronostica que el gasto global en IA superará los 300.000 millones de dólares.
Pero el cambio más profundo no es tecnológico. Es cultural. Estamos pasando de un modelo donde los datos son un recurso controlado por perfiles técnicos a uno donde los datos son una conversación abierta para toda la organización.
Y ahí es donde creo que está el verdadero impacto. No en la tecnología que lo hace posible, sino en las decisiones que habilita.
Fuentes consultadas:
Gartner, Hype Cycle for GenAI 2025 — NLQ alcanzó el pico de expectativas con beneficio transformacional
McKinsey, "The State of AI in 2025" — 78% de empresas integraron IA conversacional en al menos un área operativa
SAP, "Conversational Analytics: Why Rich Metadata and Business Semantics Matter More Than Ever"
Datapad, "Conversational Analytics Guide 2025" — organizaciones reportan 40-60% más velocidad en obtención de insights
Master of Code, "State of Conversational AI: Trends and Statistics 2026" — mercado proyectado a USD 41.39B para 2030
OvalEdge, "Conversation Analytics 2026 Guide"
Snowflake Intelligence, Looker Conversational Analytics, Salesforce adquisición de Waii (2025)
Comentarios