Big Data e IA en 2025: De la intuición a decisiones autónomas con agentes

En junio de 2015 publicábamos en este mismo blog cómo empezar con Big Data y Business Analytics. La premisa era sencilla: dejar de decidir por intuición y empezar a medir KPIs. Diez años después, el problema no es la falta de datos —es el exceso— y la solución ya no pasa solo por dashboards, sino por agentes de IA autónomos que razonan, actúan y aprueban decisiones en milisegundos.

En BAOSS hemos acompañado a más de 40 organizaciones en 2024-2025 en la transición de analítica descriptiva a inteligencia decisional autónoma. Los patrones se repiten: datos fragmentados en 12+ fuentes, equipos de datos saturados atendiendo peticiones ad-hoc, y directivos que siguen pidiendo «el Excel de siempre» mientras la competencia despliega agentes que negocian precios, detectan fraude en tiempo real y reasignan presupuesto marketing cada hora.

El problema real 2025-2026: datos abundantes, decisiones lentas

Según el State of Data & AI 2025 de Databricks, el 78% de las empresas españolas declara tener «suficientes datos», pero solo el 23% logra convertir insights en acción operativa en menos de 24 horas. El cuello de botella ya no es la ingesta —Kafka, Fivetran, Airbyte y CDC resuelven eso— sino la última milla: del insight a la ejecución sin fricción humana.

Los síntomas que vemos en auditorías iniciales:

• Latencia decisión-acción: 3-14 días desde que un analista detecta una anomalía hasta que operaciones ejecuta la corrección.
• Shadow IT analítico: 40-60% de los modelos ML viven en notebooks locales, sin versionado, monitoring ni línea de datos.
• Coste de oportunidad oculto: Equipos de data science dedicando 65% del tiempo a limpieza y feature engineering repetitivo (fuente: encuesta interna BAOSS, n=34 clientes, 2024).
• Governance reactiva: Políticas de privacidad y seguridad aplicadas a posteriori, tras incidentes o auditorías externas.

El cambio de paradigma: Agentic Analytics

La analítica 2025 no es «mejores dashboards». Es sistemas multi-agente que perciben, razonan y actúan sobre tus datos empresariales con supervisión humana configurable. La arquitectura de referencia que desplegamos en BAOSS combina:

• Capa de conocimiento (RAG + GraphRAG): Índices vectoriales (pgvector, Qdrant, Weaviate) + grafos de conocimiento (Neo4j, Kuzu) para contexto semántico y trazabilidad. Los agentes consultan «¿qué significa este KPI?» y obtienen definición, linaje, owner y excepciones documentadas.
• Orquestación de agentes (LangGraph, CrewAI, AutoGen): Flujos de trabajo determinísticos con human-in-the-loop en pasos críticos. Ejemplo: agente detector → agente validador (contexto negocio) → agente ejecutor (API ERP/CRM) → agente auditor (log inmutable).
• Modelos base y locales: GPT-4o / Claude 4 para razonamiento complejo y generación de código SQL/Python; vLLM + Ollama sirviendo Llama-3.1-70B, Qwen2.5-Coder o Nemotron-3-Ultra en GPU propia para datos sensibles, latencia <100ms y coste fijo.
• Protocolo MCP (Model Context Protocol): Estándar abierto (Anthropic, 2024) que permite a agentes descubrir y consumir herramientas (consultas SQL, llamadas API, envío emails, trigger CI/CD) sin hardcodear integraciones. Cada fuente de datos expone un mcp.json con esquemas, permisos y ejemplos.
• Observabilidad nativa: Langfuse, Arize Phoenix o Weave para trazas completas: prompt → retrieval → tool calls → respuesta → feedback humano. Métricas: latencia p95, tasa de escalado a humano, precisión vs ground-truth.

Casos BAOSS 2024-2025 (anonimizados, métricas reales)

Caso 1: Retail omnicanal — Repricing autónomo con guardrails

Contexto: 1.200 SKUs, 45 tiendas físicas + e-commerce, competidores monitorizados cada 15 min. Equipo pricing: 3 analistas.

Solución desplegada (8 semanas): Agente PriceWatcher (LangGraph + GPT-4o) que ingiere precios competencia, elasticidad histórica, stock, estacionalidad y reglas legales (ley de cadena alimentaria, márgenes mínimos). Propone ajustes diarios; agente validador verifica reglas de negocio; humano aprueba lote en 5 min vía Slack/Teams. Despliegue en Kubernetes on-premise (GPU A100) con vLLM sirviendo Llama-3.1-70B-Instruct para explicabilidad local.

Resultados a 6 meses:

• +12,3% margen bruto en categorías pilotadas (vs control).
• Reducción 87% tiempo analistas en pricing operativo (de 18h/sem a 2,3h/sem).
• ROI 3,8x (coste total proyecto: 180k€; incremento EBITDA atribuible: 680k€).
• Cero incidencias legales; trazabilidad completa para auditoría CNMC.

Caso 2: Banca media — Detección fraude en pagos instantáneos (SEPA Inst)

Contexto: 2,4M transacciones/día, latencia máxima 800ms (regla EBA). Sistema legacy basado en reglas estáticas (FICO) con 2,1% falsos positivos y 0,34% fraude no detectado.

Solución: Pipeline streaming (Redpanda + Flink) → feature store (Feast) → ensemble XGBoost + TabNet (entrenado con historial 36 meses) → agente explicador (Claude 4 via Bedrock) genera narrativa en lenguaje natural para analista SOC. Agente AutoBlock (AutoGen) ejecuta bloqueo reversible + notificación cliente + caso en CRM. Todo orquestado con LangGraph, human-in-the-loop solo en scoring 0,65-0,85.

Resultados a 4 meses:

• Falsos positivos: 2,1% → 0,47% (-78%).
• Fraude detectado: +41% (incremento recuperado 2,3M€/año).
• Latencia p99: 340ms (dentro SLA).
• Tiempo analista SOC/caso: 12 min → 2 min (auto-documentación agente).

Caso 3: Logística última milla — Planificación de rutas con agentes colaborativos

Contexto: 3.200 repartidores, 180.000 entregas/día, ventana compromiso 2h. Optimizador clásico (OR-Tools) recalcula cada 30 min; no incorpora tráfico en tiempo real, incidencias clima, preferencias conductor ni carga vehículo dinámica.

Solución: Sistema multi-agente CrewAI: DataIngestor (APIs tráfico, AEMET, telemetría flotas) → RoutePlanner (heurística + RL fine-tuned) → DriverMatcher (preferencias, horas restantes, certificación ADR) → Dispatcher (push app conductor + confirmación). Contexto compartido vía MCP server interno. Modelos locales (Qwen2.5-32B-Coder en vLLM) para generación de restricciones SQL complejas.

Resultados a 3 meses:

• Km/entrega: -14,2% (ahorro 1,1M€/año combustible + mantenimiento).
• Entregas en ventana: 89% → 96,7%.
• Satisfacción conductor (eNPS): +23 pts (autonomía percibida).
• Despliegue progresivo: 2 hubs piloto → 12 hubs en 10 semanas.

Guía paso a paso: Tu plan Agentic Analytics 2025-2026

1. Diagnóstico de madurez «Agent-Ready» (Semana 1-2)

No compres herramientas; audita capacidad de ejecución. Evaluamos 5 dimensiones:

• Data Contracts: ¿Tienes esquemas versionados (Protobuf/Avro), owners claros, SLAs de frescura por dominio?
• Feature Store & Semantic Layer: ¿Métricas y features definidas una vez, consumidas por BI, ML y agentes? (dbt + Cube / dbt Semantic Layer).
• Infraestructura GPU/CPU: ¿Capacidad para servir modelos locales (vLLM/Ollama) o dependencia 100% cloud? Coste/latencia/privacidad.
• Governance & Privacy by Design: ¿Catálogo de datos sensibles (PII, financiero, salud)? ¿Políticas de acceso por rol + propósito (OPA/Cedar)? ¿DPIA actualizada?
• Cultura «Human-in-the-loop»: ¿Equipos operativos dispuestos a validar decisiones de agentes? ¿Formación en prompt engineering y evaluación de salidas?

Entregable: Agent Readiness Scorecard + 3 quick-wins priorizados por impacto/esfuerzo/riesgo.

2. Selecciona el primer caso de uso «Agent-First» (Semana 3)

Criterios BAOSS para el piloto:

• Decisión recurrente, alta frecuencia (diaria/horaria), hoy manual o semiautomatizada.
• Contexto rico y documentable (reglas negocio, excepciones, histórico decisiones).
• Métrica de éxito clara y medible en 8-12 semanas (margen, tiempo, NPS, riesgo).
• Reversibilidad nativa: el agente propone, humano dispone; rollback < 1 click.
• Datos accesibles vía API/SQL sin migraciones masivas previas.

Ejemplos ideales: aprovisionamiento inventario, priorización leads, conciliación contable, asignación turnos, validación facturas proveedores.

3. Arquitectura de referencia «Starter Kit» (Semana 4-6)

Desplegamos en tu entorno (cloud/on-prem/híbrido) en