Durante años, consultar datos empresariales ha significado abrir varias herramientas, localizar el informe correcto y pedir ayuda a alguien que conozca las tablas, las métricas y el lenguaje de consulta. OpenAI quiere convertir ese proceso en una conversación: una persona formula una pregunta, el sistema investiga las fuentes autorizadas y devuelve una explicación junto con un panel que se puede seguir explorando.
La empresa presentó Data agent en ChatGPT Work el 10 de septiembre de 2026. El nuevo agente puede conectar datos de negocio, documentos y herramientas de inteligencia empresarial, analizar por qué cambió una métrica y crear dashboards interactivos sin exigir que cada usuario escriba consultas. También puede proponer próximos pasos y, cuando existan permisos y aprobación, coordinar acciones mediante otras herramientas conectadas.
La promesa es importante, pero conviene interpretarla bien. Data agent no convierte automáticamente unos datos desordenados en una verdad indiscutible ni elimina la necesidad de definir métricas, comprobar filtros y controlar accesos. Su utilidad dependerá tanto del modelo como de la calidad del sistema de datos que encuentre detrás.
Qué es Data agent de ChatGPT Work
Data agent es un agente especializado en preguntas empresariales. En vez de limitarse a resumir un archivo aislado, puede trabajar con fuentes conectadas, utilizar el contexto propio de la organización, buscar explicaciones para un cambio y transformar el resultado en un análisis que el usuario puede refinar mediante preguntas sucesivas.
Su función se entiende mejor con una pregunta concreta: «¿Por qué bajó la conversión esta semana respecto a las cuatro anteriores?». Para responder bien no basta con dibujar una gráfica. El agente necesita saber qué significa conversión para esa empresa, qué periodo debe comparar, qué canales entran en el cálculo, si hubo errores de seguimiento y qué segmentos explican la variación.
Según la guía oficial de uso del complemento Data, el análisis puede continuar en la misma conversación: revisar evidencias, cambiar una comparación, corregir una definición y convertir el resultado en un dashboard o informe. Esto lo acerca más a un proceso de investigación asistida que a una respuesta única de un chatbot.
Cómo funciona: datos, contexto y conversación
Primero conecta las fuentes autorizadas
OpenAI enumera conexiones aprobadas con Amazon Redshift, Datadog, Google BigQuery, ClickHouse, Databricks, MongoDB y Snowflake, entre otras. También puede incorporar archivos y documentos de Google Drive y SharePoint. La lista disponible para cada persona depende del espacio de trabajo, de los complementos habilitados y de las cuentas que tenga autorizadas.
Después necesita el significado de cada métrica
Dos departamentos pueden utilizar la palabra «cliente» de forma distinta. Uno cuenta cualquier comprador y otro solo considera activa una cuenta con ingresos recientes. Por eso Data agent puede apoyarse en capas semánticas, definiciones internas, cálculos personalizados y relaciones entre tablas. OpenAI cita contextos procedentes de dbt, GitHub, Snowflake Horizon, Databricks Genie y dashboards de BI.
Esta capa semántica no es un detalle técnico menor: es lo que ayuda a que una pregunta en lenguaje natural termine utilizando la definición que la empresa considera oficial. Si las definiciones se contradicen o no están actualizadas, el agente también puede producir una respuesta coherente en apariencia pero equivocada en el fondo.
Por último investiga y muestra la evidencia
El usuario puede pedir un desglose, comparar periodos o preguntar qué datos respaldan una conclusión. El valor está en mantener unidos la pregunta, los pasos de análisis y el resultado. Aun así, revisar la fuente, el intervalo, los filtros y la definición de la métrica sigue siendo imprescindible antes de tomar una decisión relevante.
Qué puede hacer en la práctica
- Investigar variaciones: buscar qué productos, regiones, canales o cohortes explican una subida o una caída.
- Comparar periodos y grupos: enfrentar resultados actuales con semanas, meses o segmentos anteriores.
- Crear dashboards interactivos: organizar indicadores, gráficos, filtros y desgloses en un panel que se puede editar y actualizar.
- Trabajar con herramientas de BI: OpenAI señala compatibilidad con Omni, Oracle BI, Power BI, Sigma, Tableau y ThoughtSpot, dependiendo de las conexiones y acciones disponibles.
- Combinar datos estructurados y documentos: relacionar tablas con definiciones, planes, informes o archivos autorizados.
- Preparar próximos pasos: recomendar comprobaciones, identificar a las personas que deberían intervenir y ejecutar acciones aprobadas mediante herramientas conectadas.
La última capacidad exige cautela. Encontrar un dato es una acción de lectura; enviar un mensaje, cambiar un registro o compartir un informe modifica el mundo exterior. El sistema debe conservar esa separación y solicitar las aprobaciones que correspondan.
En qué se diferencia de un dashboard tradicional
Un dashboard clásico suele responder preguntas previstas de antemano. Un equipo selecciona indicadores, diseña visualizaciones y publica una vista estable. Si aparece una duda nueva, quizá haya que crear otra consulta o pedir un informe adicional. Data agent añade una capa conversacional que permite continuar desde el resultado: «separa la caída por canal», «excluye la campaña de prueba» o «comprueba si también cambió el valor medio del pedido».
Eso no vuelve obsoletas las herramientas de BI. De hecho, el agente se apoya en sus modelos semánticos, permisos y paneles. La diferencia está en reducir la distancia entre la pregunta y la exploración. El dashboard permanece como superficie de seguimiento; la conversación ayuda a construirlo, interpretarlo y modificarlo.
También encaja con la evolución de los agentes de IA que mantienen contexto y utilizan herramientas. En este caso, el objetivo no es navegar por cualquier tarea, sino especializar ese ciclo de investigación en datos empresariales y conservar las reglas de acceso de las fuentes.
Un ejemplo: investigar una caída de ventas
Imaginemos una tienda cuya facturación semanal ha bajado un 12 %. Un flujo razonable con Data agent podría empezar definiendo el indicador: ventas netas, después de devoluciones, en euros y para pedidos confirmados. A continuación se compararía la semana actual con las cuatro anteriores y con el mismo periodo del año pasado.
El siguiente paso sería descomponer el cambio: tráfico, conversión, precio medio, unidades por pedido, cancelaciones y devoluciones. Si la caída se concentra en usuarios móviles procedentes de una campaña concreta, el agente debería mostrar las consultas o evidencias que sostienen esa conclusión y comprobar si hubo un problema de medición.
Solo entonces tendría sentido crear un dashboard con la evolución, los segmentos afectados y alertas para los próximos días. El resultado útil no es una gráfica atractiva, sino una explicación reproducible que permita decidir qué verificar, quién debe actuar y cómo medir si la corrección funciona.
Permisos y seguridad: lo que el agente no debería saltarse
Los administradores deciden qué conexiones están disponibles y qué roles pueden utilizarlas. OpenAI afirma que las consultas respetan los permisos de la cuenta conectada, incluidas las restricciones por tabla, fila y columna. Instalar el complemento Data y autorizar una fuente son pasos separados: disponer del agente no concede por sí solo acceso a todos los datos de una organización.
La documentación de controles administrativos para complementos y aplicaciones distingue además entre acceso, acciones y permisos. Un administrador puede permitir lecturas, limitar escrituras y decidir cuándo se exige aprobación. La autorización del proveedor, los controles de ChatGPT y las políticas del espacio de trabajo son barreras distintas; superar una no elimina las demás.
OpenAI indica también que, por defecto, no utiliza el contenido de los espacios Business, Enterprise y Edu —incluidos datos consultados mediante aplicaciones— para entrenar sus modelos. Eso no sustituye la revisión de retención, residencia, registros y condiciones de cada proveedor conectado. Las integraciones externas mantienen sus propias políticas y riesgos.
Los riesgos que un agente de datos no elimina
Una respuesta convincente puede partir de una definición incorrecta
El agente puede razonar con precisión sobre una tabla equivocada, mezclar zonas horarias o comparar periodos incompletos. Para decisiones importantes conviene exigir que enseñe fuentes, filtros, periodo y fórmula; después hay que contrastar el resultado con un informe de referencia o una consulta validada.
Compartir un dashboard también mueve datos
La guía oficial advierte que, al publicar un análisis mediante ChatGPT Sites, los datos utilizados se copian al sitio publicado. Por tanto, no basta con que la consulta original tuviera permisos correctos: antes de compartir hay que revisar qué información contiene el resultado y quién podrá verlo.
Las conexiones amplían la superficie de riesgo
Cuantas más fuentes y acciones se conectan, más importante es aplicar el mínimo privilegio, separar lectura y escritura, revisar instrucciones procedentes de documentos y mantener registros. La propia documentación reconoce que las defensas reducen, pero no eliminan, los riesgos de acceso indebido o inyección de instrucciones.
Cómo empezar con un caso controlado
- Elegir una pregunta frecuente y de impacto limitado, como explicar una variación semanal.
- Conectar solo las fuentes necesarias y mantener las acciones de escritura desactivadas al principio.
- Documentar la definición oficial de cada métrica, sus filtros y su propietario.
- Preparar un conjunto de preguntas con respuestas conocidas para evaluar exactitud y consistencia.
- Exigir evidencia visible y contrastar los resultados con consultas o informes validados.
- Medir tiempo ahorrado, errores detectados y correcciones necesarias, no solo la calidad visual del dashboard.
- Ampliar fuentes, usuarios y acciones únicamente cuando el flujo haya demostrado ser fiable.
La página oficial de ChatGPT Work para equipos de datos reúne las conexiones previstas, pero la disponibilidad concreta puede variar por plan, región, configuración y permisos. OpenAI no publica en el anuncio un precio independiente para Data agent, de modo que no debe asumirse que todas las organizaciones lo recibirán con las mismas condiciones.
Qué podría cambiar en empresas y empleo
Hecho: Data agent ya se ha presentado para ChatGPT Work y puede investigar fuentes conectadas, usar contexto empresarial y construir dashboards. Hipótesis razonable: en los próximos meses más empleados podrán resolver preguntas sencillas sin esperar un informe a medida. Predicción, no certeza: el trabajo de análisis podría desplazarse desde producir cada gráfica hacia gobernar métricas, validar conclusiones y diseñar mejores decisiones.
Esto no implica que desaparezcan los analistas. Las preguntas difíciles siguen requiriendo criterio estadístico, conocimiento del negocio y capacidad para detectar causalidades falsas. Es probable que aumente el valor de quienes construyen fuentes fiables, mantienen definiciones coherentes y enseñan a otros a interpretar resultados.
Para una pequeña empresa, el efecto puede ser distinto: acceder a una primera capa de análisis sin montar un equipo completo. Pero si los datos de origen son escasos o están mal registrados, la interfaz conversacional no solucionará el problema. Antes de automatizar la inteligencia hay que ordenar la información.
Conclusión: preguntar es más fácil, verificar sigue siendo esencial
Data agent de ChatGPT Work intenta llevar el análisis empresarial desde menús, consultas y paneles separados a una conversación continua. La combinación de fuentes conectadas, contexto semántico y dashboards interactivos puede reducir el tiempo entre detectar una duda y obtener una explicación útil.
Su verdadero valor no se medirá por cuántas gráficas genera, sino por cuántas decisiones mejora sin saltarse definiciones, permisos ni comprobaciones. Si una organización conserva esas barreras, el agente puede ampliar el acceso al análisis. Si las elimina por comodidad, solo acelerará la producción de respuestas difíciles de auditar.