Por qué el acceso conversacional a los datos cambia las reglas del juego
La analítica conversacional lleva la democratización de los datos a otro nivel al eliminar la necesidad de diseñar tableros complejos. Hace que la información sea directamente accesible para los usuarios y amplía las herramientas de análisis más allá de lo que ofrecen las visualizaciones estáticas.
Cuando combinás analítica conversacional con chatbots basados en conocimiento, abrís nuevos caminos para descubrir insights y hacer que la información sea comprensible tanto para equipos internos como para audiencias externas.
La principal ventaja de utilizar Snowflake Intelligence como servicio corporativo de datos e inteligencia artificial radica en la consolidación y unificación. Permite gestionar los datos organizacionales y la IA conversacional en una única plataforma, brindando acceso donde sea necesario con capacidades consistentes y respuestas predecibles. De esta forma, se centraliza la experiencia del usuario en torno a las conversaciones con los datos. Además, se eliminan los problemas de traducción semántica y contextual, y se evitan los esfuerzos duplicados entre los equipos que gestionan chatbots, catálogos de datos, semántica y visualizaciones.
Snowflake ofrece insights a partir de datos estructurados y no estructurados. Sin embargo, existen algunas limitaciones: por ejemplo, funciones como la transcripción de archivos de video no pueden analizarse directamente dentro de Snowflake y requieren integración con servicios externos.
Dentro de Snowflake Cortex
Snowflake Cortex ofrece respuestas confiables y precisas a las solicitudes de los usuarios.
Su Deep Research Agent for Analytics va más allá de la simple recuperación de información: analiza datos, responde preguntas de negocio complejas, identifica tendencias y explica causas, no solo correlaciones.
La funcionalidad Knowledge Extensions permite ampliar las capacidades existentes de IA con modelos personalizados o bases de conocimiento de distintos proveedores, o incluso monetizar tus propios activos de conocimiento.
Para las organizaciones que ofrecen servicios de IA orientados al cliente, resulta clave evaluar los costos e incorporar servicios personalizados para análisis y mejora continua.
Cómo preparar Snowflake para conversaciones con tus datos
Si ya usas Snowflake o estás considerando hacerlo parte de tu estrategia de datos con IA, la buena noticia es que requiere un esfuerzo operativo mínimo y ofrece resultados de alta calidad.
Más allá de la arquitectura de datos tradicional, la arquitectura de IA introduce nuevos requerimientos que antes no existían en los entornos de datos modernos.
Crea un modelo semántico para datos estructurados
Este paso permite que los servicios de IA y BI comprendan tu información.
Un modelo semántico básico describe los hechos, dimensiones, relaciones, granularidad, tipos de datos y ejemplos del modelo.
Un modelo avanzado agrega contexto: índices de búsqueda, listas de valores, sinónimos, términos validados y reglas para filtrar o corregir errores en las solicitudes.
También puede incluir una base de conocimiento que actúe como glosario para los agentes, además de consultas verificadas y guías sobre las respuestas esperadas y no deseadas.
![Diagram showing components of a semantic model, including logical table, relationship, verified query, and custom instruction](/media/qwhicp4l/snowflake-intelligence-schem-es.webp")
Crea agentes que conecten la IA con tus herramientas
Los agentes usan reglas de orquestación para responder a solicitudes en múltiples pasos. Por ejemplo, un agente puede recibir una pregunta del usuario, traducirla a un formato entendible por un generador de consultas en lenguaje natural, ejecutar la consulta, elegir la mejor visualización, mostrar el resultado y enviar un reporte por correo, todo dentro de una misma conversación.
Aunque suena complejo, este proceso requiere principalmente un buen diseño del contexto.
Construye una base de conocimiento y un índice de búsqueda para datos no estructurados
Esta capa permite búsquedas de conocimiento, mejora el análisis de datos o combina ambas funciones en contextos conversacionales y analíticos.
Puede parecer un paso secundario, pero es crucial: si no preparás ni explicás tus datos, tus chatbots no serán útiles para quienes más los necesitan.
Mantené la calidad de los datos
La gestión de calidad de datos sigue siendo una práctica esencial, pero en el contexto de la IA conversacional cobra aún más importancia.
Los datos que se exponen a través de estas interfaces llegan directamente a los usuarios, no a analistas técnicos.
Por eso, la validación y limpieza deben hacerse antes de mostrar cualquier resultado. Evaluá continuamente la calidad con servicios de aprendizaje automático.
La calidad de los datos es, probablemente, el factor más determinante para el éxito de un proyecto de Data + IA.
Cómo llegar a tus usuarios
Veamos la arquitectura de Snowflake Intelligence, empezando por el frontend:
| Capa / Componente | Función | Capacidades clave | Notas de integración |
| Snowflake Intelligence UI | Frontend conversacional con capacidades de visualización. | Consultas en lenguaje natural, visualización, configuración sin código. | Ideal para despliegues nativos en Snowflake. |
| Integración con aplicaciones personalizadas | Se conecta con sistemas de chat (por ejemplo, Teams, Copilot). | Usa herramientas de chat empresariales existentes. | Requiere integración adicional; soporte de visualización limitado. |
| Clientes API Agénticos | Clientes conversacionales personalizados. | Soporta lógica especializada o específica por dominio. | Ideal para soluciones a medida. |
| Cortex Data Agent | Capa central de orquestación para conversaciones con datos. | Analítica multimodal, orquestación y enrutamiento de lógica. | Administra ciclos de vida e interacciones de agentes. |
| Cortex Analyst / Search / Knowledge Extensions | Motores principales de analítica y recuperación. | Búsqueda estructurada y no estructurada, RAG, integración con modelos de proveedores. | Extensible mediante el Marketplace de Knowledge Extensions. |
| Capa de datos | Almacenamiento subyacente de datos y vector index. | Almacena datos estructurados, vectorizados y preparados. | Alimenta a todos los agentes conversacionales y analíticos. |
Tabla 1: Descripción general de la arquitectura de Snowflake Intelligence
Snowflake ofrece varias opciones para la implementación del frontend conversacional:
- Snowflake Intelligence UI, que se integra directamente con los Data Agents de Snowflake. Si buscás aprovechar al máximo las capacidades de Snowflake AI sin complicaciones en la implementación, considerá usar Snowflake Intelligence como tu servicio conversacional principal para datos. Ofrece todas las funcionalidades de los agentes de Snowflake para los usuarios finales del negocio, incluyendo visualizaciones de datos. No requiere esfuerzos de integración y cuenta con roles y permisos incorporados.
- Integración con aplicaciones personalizadas o servicios de chat existentes (Teams, Microsoft 365 Copilot, etc.). Esta es la opción preferida si tu stack principal es Microsoft o si utilizás Teams como servicio conversacional. Requiere un esfuerzo adicional de integración y no admite las visualizaciones que ofrece Snowflake Intelligence UI.
- Cliente personalizado integrado con Agentic API. Ideal para escenarios que requieren capacidades extendidas y personalizadas que los servicios estándar no ofrecen.
- Servidores MCP y uso directo de la API de servicios Cortex. Esta alternativa permite crear agentes fuera de Snowflake mientras se aprovechan Cortex Search y los modelos semánticos.
Componentes Clave
- Cortex Data Agent gestiona la lógica principal de las tareas conversacionales con los clientes de datos en Snowflake, incluyendo orquestación y análisis de datos multimodales. Es posible crear múltiples agentes con diferentes propósitos y conjuntos de herramientas.
- Cortex Analyst, Cortex Search y Cortex Knowledge Extensions ofrecen capacidades de búsqueda y conversación en ámbitos específicos, como datos estructurados asociados a modelos semánticos, índices de búsqueda, RAG con archivos en staging y funciones de IA extendidas de proveedores externos.
- Las Cortex Knowledge Extensions son componentes conectables de IA agentica que amplían el sistema con nuevas capacidades. Permiten agregar bases de conocimiento y modelos entrenados para fines específicos de distintos proveedores.
- Funciones de ML y no-AI pueden integrarse al conjunto de herramientas de los agentes mediante distintas funciones de Snowflake, como pipelines de ML, notificaciones, data sharing y activación de servicios externos.
- La capa de datos almacena información analítica en tablas, datos no estructurados vectorizados y datos en staging para usarse con patrones RAG.
Qué Significa esto para tu organización
Snowflake ha desarrollado los componentes de una plataforma de datos con IA que recupera, transforma, enriquece, limpia, explica y prepara insights a partir de los datos. Ahora, ofrece capacidades avanzadas de conversación interactiva y visualización de datos profundamente integradas en la plataforma, con baja complejidad de implementación y alta confiabilidad.
Si bien las capacidades de visualización pueden no igualar a las de herramientas especializadas de BI, son suficientes para la mayoría de las necesidades conversacionales. Combinadas con respuestas de alta calidad, una excelente experiencia de usuario y simplicidad, posicionan a Snowflake Intelligence como un actor clave en el ámbito del BI conversacional y la analítica multimodal.
Con este servicio, los equipos de datos y analítica pueden concentrarse menos en la tecnología y más en extraer valor real de los datos.
¿Querés saber más?
Descubrí cómo podemos ayudarte a implementar Snowflake Intelligence.
