Es jueves por la tarde y tu ingeniero de datos sénior tiene otro mensaje de Slack de finanzas esperando. La solicitud es pequeña: una unión, un cambio de nombre, un recálculo de columna. La interrupción no es pequeña. Cada una de estas solicitudes roba tiempo del trabajo en la plataforma con el que tu equipo ya se comprometió y, con el tiempo, ese trabajo de preparación rutinario comienza a definir la hoja de ruta.
Esa compensación se empieza a ver en todas partes. La encuesta El estado de la IA en 2025 de McKinsey concluye que, si bien la adopción de la IA es ahora casi universal, el 88 % de las organizaciones informa un uso regular de la IA en al menos una función de la empresa, pero solo alrededor de un tercio ha comenzado a escalar la IA en toda la organización. En muchas organizaciones, los obstáculos no tienen que ver con la calidad del modelo. Son problemas de flujo de trabajo, datos y modelo operativo. Lo que significa que la presión recae directamente sobre los equipos de TI y de datos que ya están llevando a cabo la modernización, la gobernanza y la habilitación de la IA al mismo tiempo.
Mientras tanto, el negocio todavía necesita respuestas. Los analistas tienen pilas de solicitudes de preparación acumuladas que probablemente podrían manejar ellos mismos si las herramientas fueran más fáciles de usar y la gobernanza fuera clara.
El lenguaje natural está empezando a cambiar eso. Un analista puede describir el flujo de trabajo que necesita en lenguaje sencillo y obtener algo que pueda inspeccionar, ajustar y ejecutar. Para TI, esto crea una oportunidad real, pero solo si el flujo de trabajo se está creando dentro del mismo plano de control que el resto del trabajo de datos. De lo contrario, solo se facilita que las personas creen procesos más rápidos sin gobernanza.
Qué realmente cambia el lenguaje natural en la preparación de datos
Imagina a un analista escribiendo: “Combina la exportación de oportunidades de Salesforce con los datos de campañas de Marketo, elimina duplicados por correo electrónico y marca a cualquiera que haya abierto más de tres correos electrónicos el trimestre pasado”.
Diseño de flujos de trabajo conversacional
Un asistente de lenguaje natural puede convertir eso en pasos de un flujo de trabajo: uniones, filtros, estandarización, validación y cualquier otra cosa que la solicitud requiera. El analista sigue revisando el flujo de trabajo visualmente, comprueba las transformaciones, cambia cualquier cosa que parezca incorrecta y lo ejecuta cuando está satisfecho. El resultado no es una respuesta de caja negra. Es un flujo de trabajo que alguien puede inspeccionar.
Limpieza y transformación asistidas por IA
El lenguaje natural también ayuda a automatizar el tipo de tareas de limpieza en las que los analistas pasan horas trabajando manualmente:
- Alineación de esquemas en sistemas de origen inconsistentes
- Estandarización de formatos de fecha y moneda
- Limpieza de campos de texto libre donde los clientes ingresaron “EE. UU.”, “EUA” y “Estados Unidos” en la misma columna
- Identificación de valores faltantes, registros duplicados o valores atípicos antes de la generación de informes
El lenguaje natural ayuda más cuando gestiona ese trabajo dentro del mismo entorno gobernado que el resto de tu stack, no en un canal lateral donde los datos salen del límite de auditoría.
Documentación del flujo de trabajo como subproducto
También hay otro beneficio práctico. La asistencia de la IA puede ayudar a describir la lógica del flujo de trabajo, detectar anomalías y generar documentación mientras se construye el flujo de trabajo. La mayoría de los equipos no tienen suficiente tiempo para documentar adecuadamente las soluciones a medida que se crean. Si la documentación se hace durante la creación en lugar de como una tarea de seguimiento, hay muchas más probabilidades de que realmente exista cuando otra persona tenga que mantener el flujo de trabajo más adelante.
Qué cambia para los equipos de datos e ingeniería
El lenguaje natural no elimina la necesidad de contar con ingenieros o científicos de datos. Permite trasladar el trabajo básico de preparación a las personas que entienden el contexto empresarial y liberar a los especialistas para el trabajo que requiere sus habilidades.
Esa es la verdadera redistribución: menos interrupciones para unir, renombrar, limpiar y enriquecer ligeramente los datos; más tiempo para la arquitectura de pipelines, el diseño de gobernanza, la ingeniería de características y los problemas de calidad que realmente requieren un juicio técnico más profundo.
Cuando funciona bien, los analistas trabajan más rápido y el equipo de TI recibe menos solicitudes pequeñas que desvían la atención de prioridades más importantes.
Por qué la gobernanza se vuelve más difícil y no más fácil
Si el lenguaje natural facilita la creación de flujos de trabajo, más personas crearán flujos de trabajo. Eso puede ser bueno, pero también amplía la superficie que TI debe administrar. Con el aumento de la escala, la gobernanza se centra más en las políticas, los permisos, la capacitación, las rutas de revisión y el monitoreo.
Las implementaciones anticipadas suelen salir mal de maneras que ya se esperaban. Los equipos habilitan la creación de flujos de trabajo asistidos por IA antes de definir las fuentes de datos aprobadas. El registro de auditoría está técnicamente disponible, pero nadie ha decidido quién lo revisa realmente. Se les da más libertad a los usuarios, pero no existe una ruta de escalamiento para los datos confidenciales o los resultados cuestionables.
Los equipos que manejan esto bien suelen empezar con un caso práctico contenido, un propietario de gobernanza claramente definido y un grupo pequeño de usuarios capacitados. Una vez que este proyecto piloto funciona bien, es momento de escalar a otros equipos y casos prácticos.
La pregunta real para TI
Para los líderes de TI, la pregunta no es si el lenguaje natural puede crear un flujo de trabajo. Es si el flujo de trabajo que crea es seguro, repetible y rastreable.
Una capacidad de preparación de autoservicio que omite la gobernanza es un riesgo, no una ganancia de productividad.
Dos capas de gobernanza son las más importantes: la gobernanza de datos y la gobernanza de IA.
Gobernanza de datos: qué sucede con los datos
Los flujos de trabajo creados por usuarios menos técnicos todavía necesitan operar bajo los mismos controles que todo lo demás. En la práctica, eso suele significar lo siguiente:
- Controles de acceso basados en roles vinculados a tu proveedor de identidad empresarial
- Registros de auditoría para la ejecución del flujo de trabajo, acceso a datos y cambios
- Seguimiento de linaje que muestra de dónde provienen los datos y cómo se transformaron
- Aplicación de políticas para conjuntos de datos confidenciales o regulados
El informe de 2025 sobre el costo de una filtración de datos de IBM reveló que, entre las organizaciones que sufrieron filtraciones en modelos o aplicaciones de IA, el 97 % carecía de controles de acceso adecuados para la IA y que los altos niveles de IA en la sombra añadieron un promedio de $670,000 a los costos globales de las filtraciones. El uso de IA sin gestionar ya está creando una exposición de seguridad medible.
Gobernanza de IA: qué sucede con el modelo
Si los flujos de trabajo dependen de modelos de lenguaje grande, TI necesita respuestas claras a un pequeño conjunto de preguntas:
- ¿Qué modelos están aprobados?
- ¿Dónde se procesan los datos?
- ¿Qué prompts y resultados se conservan?
- ¿Quién puede invocar modelos externos?
- ¿Cómo se monitorea y factura el uso?
Un ejemplo sencillo hace que el problema sea concreto. Un analista de finanzas quiere un paso en el flujo de trabajo que resuma los archivos PDF de contratos y extraiga las fechas de renovación. En una configuración gobernada, el analista elige entre las conexiones de modelo aprobadas que el departamento de TI ya configuró. El flujo de trabajo se ejecuta, la actividad se registra y la ruta de los datos permanece visible. El analista obtiene velocidad y TI obtiene control sobre el inventario de modelos, el flujo de datos y el registro de auditoría.
Un marco práctico para la analítica de autoservicio
Una forma útil de pensar en la implementación es ajustar la intensidad de la gobernanza al riesgo del flujo de trabajo. El autoservicio no tiene que significar permisos idénticos para todos. Debería significar que los controles son apropiados para el nivel de riesgo.
Nivel 1: Preparación operativa de bajo riesgo
Uniones, formateo, deduplicación y resumen rutinarios en datos internos gobernados. Los controles de acceso estándar y el registro de auditoría suelen ser suficientes. Este es el mejor lugar para que empiecen la mayoría de los equipos.
Nivel 2: Enriquecimiento interfuncional
Flujos de trabajo que combinan múltiples sistemas empresariales, documentos no estructurados o servicios de IA externos. Este nivel necesita controles más deliberados: fuentes de datos aprobadas, conexiones de modelos aprobadas para pasos asistidos por IA y revisión periódica de resultados.
Nivel 3: Flujos de trabajo regulados de alto riesgo
Cualquier cosa que involucre PII de clientes, generación de informes regulados, controles financieros, datos del sistema de salud o toma de decisiones basada en modelos. Este nivel requiere aprobación explícita antes de la producción, separación entre creador y aprobador, linaje completo y monitoreo activo.
Muchas organizaciones aplican una gobernanza excesiva al trabajo de nivel 1 y una gobernanza insuficiente al trabajo de nivel 3. El lenguaje natural no soluciona eso por sí solo, pero sí facilita la aplicación de un modelo por niveles una vez que los límites están claros.
Cómo se ve esto en la práctica
Hay algunas formas en las que el escenario planteado al principio de esta publicación puede terminar.
La versión negativa es que el área comercial se cansa de esperar y comienza a evitar al departamento de TI. Las personas crean flujos de trabajo ocultos en hojas de cálculo o pegan datos confidenciales en herramientas de IA públicas porque necesitan respuestas rápido. Eso ya está ocurriendo en muchas organizaciones y, por lo general, es peor que el problema original de acumulación de trabajo.
La mejor versión es que TI da a las personas una forma gobernada de hacer más por su cuenta. Eso requiere una plataforma con tres cosas en un solo lugar: acceso a fuentes de datos aprobadas, acceso gobernado a modelos de IA y capacidades de auditoría y linaje, además de herramientas de creación de flujos de trabajo que los analistas puedan usar de manera realista. Este ejemplo se ejecuta en Alteryx One.
La analista que envió esa solicitud de unión abre Designer y usa Ask Alteryx, el asistente de chat para flujos de trabajo anteriormente conocido como Alteryx Copilot, para comenzar. Ella describe combinar los datos del pipeline de Salesforce con el historial de interacción de Marketo, y Ask Alteryx da un paso a paso de la lógica de unión, la deduplicación y la estandarización de campos, proponiendo cada paso para que la analista lo revise antes de continuar.
Ella también puede usar la paleta de herramientas de IA dentro de Designer. Esta paleta incluye herramientas diseñadas específicamente para tareas como la alineación de esquemas entre fuentes inconsistentes (herramienta Ajuste de esquema), la coincidencia difusa y estandarización (herramienta Coincidencia de precisión), la extracción de datos de documentos estructurados como facturas (herramienta Extractor de facturas) y pasos configurables basados en LLM para crear prompts personalizados (herramienta Prompt y Anulación de LLM). Cada herramienta opera dentro del mismo entorno gobernado que el resto del flujo de trabajo.
Detrás de escena, los metadatos de ejecución se registran, el linaje se preserva y las políticas de acceso siguen aplicándose a través de controles de identidad centralizados. Los flujos de trabajo asistidos por IA no se encuentran en un nivel de gobernanza más débil. Están sujetos a las mismas expectativas de revisión y auditoría que todo lo demás.
Qué tiene que configurar TI
Las capacidades de gobernanza de Alteryx One incluyen autenticación SAML y OAuth, integración de proveedores de identidad con plataformas como Okta y Azure AD, permisos basados en roles, registro de auditoría, aprovisionamiento SCIM para la gestión automatizada de usuarios y vías de integración de linaje con plataformas de gobernanza como Atlan y Collibra.
Para la gobernanza de modelos de IA, Alteryx One admite conexiones a LLM aprobados por la empresa, incluidos OpenAI, Anthropic, Google Gemini y Cohere, así como enfoques de modelos propios (BYOM) para organizaciones con requisitos de cumplimiento específicos. La conectividad de LLM está vinculada al rol de usuario Full y puede restringirse aún más con roles personalizados, de modo que el departamento de TI pueda decidir tanto qué modelos están disponibles como qué usuarios tienen permiso para invocarlos.
Cómo evaluar la preparación antes de la implementación
Antes de implementar esto, tres preguntas te dirán mucho.
- ¿Qué tipo de solicitudes causan más interrupciones? Si la mayoría de las solicitudes entrantes son trabajos de preparación repetitivos como uniones, formateo, limpieza y enriquecimiento ligero, el lenguaje natural probablemente pueda absorber una parte significativa de esa carga. Si la cola está dominada por pipelines frágiles, dependencias enredadas o lógica empresarial indefinida, el problema reside en la arquitectura subyacente.
- ¿Qué usuarios pueden asumir más responsabilidad? Los mejores usuarios iniciales son los analistas que comprenden bien su contexto comercial, pero no tienen la fluidez técnica para automatizar la preparación sin ayuda. El lenguaje natural puede ayudarlos a trabajar más rápido y no reemplaza el juicio humano. Si alguien no puede determinar si el resultado de una unión es plausible, el flujo de trabajo puede seguir siendo incorrecto, solo que más rápido.
- ¿Qué tan madura es tu gobernanza de IA hoy? Si no puedes responder claramente qué modelos están aprobados, dónde se procesan los datos, qué se retiene, quién puede invocar modelos externos y cómo se monitorea el uso, esas brechas generalmente aparecerán después de que comience la adopción. Si las herramientas autorizadas no están disponibles, los empleados recurren a las no autorizadas y el registro de auditoría desaparece por completo.
La mayoría de las organizaciones no van a implementar un modelo de autoservicio con gobernanza en un solo paso. Comenzarán con una categoría de flujo de trabajo, un patrón de gobernanza y un grupo de confianza, y luego escalarán desde ahí.
Primeros pasos
Alteryx One admite el flujo de trabajo completo descrito anteriormente: preparación de datos asistida por lenguaje natural, acceso gobernado a modelos de IA y controles de nivel empresarial, en una plataforma que TI puede administrar y los analistas pueden usar sin soporte de ingeniería. Hay algunas formas de evaluarlo:
- Prueba gratuita: inicia una prueba gratuita y explora la creación de flujos de trabajo asistida por lenguaje natural de primera mano. No se requiere configuración de ingeniería para comenzar.
- Solicita una demostración: si prefieres ver los controles de gobernanza y las capacidades de IA configurados para tu entorno, solicita una demostración para revisarlo con alguien que pueda atender tus requisitos específicos de TI.
- Explora las capacidades de gobernanza: la visión general de la gobernanza de Alteryx One cubre controles de acceso, registro de auditoría, integración de identidad y capacidades de linaje disponibles para los administradores de TI.