La analítica de autoservicio es un modelo en el que cualquier persona de una organización puede hacer preguntas sobre los datos de su área y obtener respuestas sin depender de que alguien del equipo de datos construya un dashboard o una métrica. En el piloto que Figma está probando con OpenAI, esa capacidad permitió comprimir un año de trabajo planificado en dos meses, según el propio equipo de Figma.
El dato viene de una entrevista publicada por OpenAI en su canal de YouTube el 4 de noviembre de 2026. Sharath Chandra, quien lidera Data Engineering en Figma, describe el cambio con una frase directa: todo lo que quería hacer en el próximo año, ahora puede hacerlo en los próximos dos meses. Es una compresión de seis a uno sobre la hoja de ruta de analítica, de acuerdo con lo que reporta StartupHub.ai.
La promesa es atractiva, pero conviene leerla con cuidado. El caso reporta velocidad, no escala: no hay cifras de cuántos equipos participan, cuántas consultas se hacen por semana ni cuánto tiempo ahorra cada analista. Aun así, el enfoque merece atención porque apunta a un problema que casi toda empresa mediana conoce bien: la cola de pedidos al área de datos.
¿Qué es Athena y qué hace distinto a un dashboard tradicional?
Athena es el programa piloto de OpenAI en el que Figma participa. Su función central no es calcular métricas, sino construir contexto organizacional: entender qué significa cada cosa dentro de la empresa antes de responder.
El ejemplo que da Figma es claro. Se lanza una campaña de marketing nueva. Athena entiende qué es esa campaña, recupera la información asociada y enriquece el contexto disponible. Con eso, un analista de marketing o alguien de email marketing puede preguntar cómo está aterrizando la campaña y cómo está convirtiendo clientes.
La diferencia con un dashboard tradicional es quién hace el trabajo. En el modelo clásico, alguien del equipo de datos interpreta el pedido, modela la información, construye el tablero y lo publica. En el modelo de autoservicio, la persona que tiene la pregunta la formula directamente y obtiene una respuesta en el momento. Según la descripción de Figma, el valor se realiza antes, sin esperar a que alguien construya un dashboard o una métrica encima.
Vale la pena notar que esto no reemplaza al equipo de datos. Lo que cambia es dónde se concentra su esfuerzo. Si las preguntas repetitivas se resuelven solas, el equipo puede dedicarse a modelar mejor la información, definir métricas confiables y cuidar la gobernanza. Ese es el trabajo que sostiene todo lo demás.
¿Por qué el contexto es más importante que el modelo de IA?
La frase que más se repite en el caso es que Athena construye contexto dentro de la organización. Eso es lo interesante, porque el cuello de botella de la analítica casi nunca es la capacidad de calcular. Es la falta de acuerdo sobre qué significa cada dato.
Piensa en una empresa con tres áreas que reportan "ventas del mes". Ventas cuenta pedidos confirmados. Finanzas cuenta facturas emitidas. Logística cuenta despachos. Los tres números son correctos y los tres son distintos. Ningún modelo de IA arregla eso por sí solo: lo que lo arregla es tener el contexto documentado y compartido para que la respuesta sea consistente.
Ahí está el punto que el caso de Figma ilustra bien. Cuando el sistema entiende qué es una campaña y qué información la rodea, puede responder preguntas como "¿cómo está convirtiendo esta campaña?" sin que alguien defina antes cada campo. Eso es lo que hace posible las preguntas en lenguaje natural con resultados útiles y no con respuestas genéricas.
El segundo elemento es la analítica proactiva. Figma menciona que es lo que más le entusiasma explorar: que Athena empuje hallazgos incluso antes de que alguien haga la pregunta. Es una dirección razonable, pero conviene decir con claridad que en la entrevista se presenta como expectativa, no como resultado medido. Nadie debería comprar la idea de que su sistema le va a avisar de todo antes de que pregunte.
El ángulo que conviene no perder de vista: el caso de Figma demuestra intención y velocidad, pero no demuestra precisión, escala ni gobernanza. No hay tasa de acierto de las respuestas, no hay volumen de consultas, no hay costo ni latencia, y no hay una frontera clara de quién puede preguntar qué. La compresión de un año a dos meses es una señal direccional, no una garantía replicable. Cualquier empresa que evalúe este tipo de herramienta debería pedir exactamente eso: una medición antes y después de tickets de analista o de solicitudes de dashboard, y una tasa de acierto de las preguntas en lenguaje natural.
¿Qué significa esto para una empresa en Perú o Latinoamérica?
La mayoría de las empresas medianas en Perú no tiene un problema de falta de datos. Tiene un problema de acceso a los datos. La información está en el ERP, en la facturación electrónica, en la planilla, en el CRM, en hojas de cálculo que alguien mantiene por costumbre. Lo que falta es la capa que convierte todo eso en respuestas rápidas.
El caso de Figma sugiere que esa capa ya no requiere construir un tablero por cada pregunta. Para una empresa peruana, el impacto más inmediato está en las áreas que hoy dependen de pedir reportes: ventas, marketing, operaciones, cobranzas.
Imagina una empresa comercial que lanza una promoción por campaña escolar. La gerente de marketing quiere saber, a los tres días, si la promoción está atrayendo clientes nuevos o solo moviendo a los de siempre. Hoy esa pregunta entra a la cola del área de sistemas o de un analista externo. Con un enfoque de analítica de autoservicio bien implementado, esa pregunta se responde en el momento y la decisión de ajustar la campaña se toma mientras todavía sirve.
Hay una condición que se cumple en casi toda empresa peruana y que juega a favor: los datos ya viven en un ERP. Si la información de ventas, inventario y clientes está centralizada, la base para construir contexto existe. El trabajo pendiente es ordenar las definiciones, no recolectar datos desde cero.
También hay una advertencia. En un entorno donde varias áreas reportan el mismo indicador con criterios distintos, un sistema que responde en lenguaje natural sin contexto compartido puede acelerar la confusión. La velocidad sin definiciones comunes produce decisiones rápidas y equivocadas.
¿Cómo aplica esto en tu empresa?
No hace falta esperar a tener acceso a un piloto como Athena para avanzar. Hay pasos concretos que cualquier empresa mediana puede dar esta semana.
- Elige una sola pregunta de negocio. No intentes habilitar toda la organización. Toma una pregunta que hoy tarda días en responderse, por ejemplo cómo está rindiendo una campaña o cuánto se está cobrando del mes.
- Documenta el contexto antes de la herramienta. Define por escrito qué significa cada campo que esa pregunta necesita. Si ventas y finanzas no coinciden en la definición de "cliente activo", resuélvelo antes de automatizar nada.
- Mide la línea base. Cuenta cuántas solicitudes de reporte recibes al mes y cuánto tardan. Sin esa cifra no vas a poder demostrar ninguna mejora después.
- Define quién puede preguntar qué. La gobernanza no es burocracia: es lo que evita que información sensible quede al alcance de cualquiera.
- Empieza por lo repetitivo. Las preguntas que se hacen todas las semanas son las que más tiempo liberan cuando se automatizan.
Si tu información ya está en un ERP y quieres revisar por dónde empezar, puedes conversar con nosotros sobre tu caso. También puedes revisar el blog de Consultoría TI para más contexto sobre analítica y automatización.
Preguntas Frecuentes
¿Qué es la analítica de autoservicio y en qué se diferencia de un dashboard?
La analítica de autoservicio permite que cualquier persona de un área formule preguntas sobre los datos y obtenga respuestas sin que alguien del equipo de datos construya un tablero para cada consulta. Un dashboard tradicional muestra métricas predefinidas que alguien modeló antes; la analítica de autoservicio responde preguntas nuevas sobre la marcha, siempre que exista contexto organizacional suficiente para interpretarlas bien.
¿Qué es Athena de OpenAI y qué hace exactamente?
Athena es el programa piloto de OpenAI en el que Figma participa, según la entrevista publicada por OpenAI en su canal de YouTube el 4 de noviembre de 2026. Su función principal es construir contexto dentro de la organización: entender qué es cada elemento del negocio, recuperar la información asociada y enriquecerla para que las personas puedan preguntar directamente sobre temas como el rendimiento de una campaña, sin esperar a que se construya una métrica o un dashboard.
¿Puede una empresa mediana en Perú implementar algo así sin un equipo de datos grande?
Sí, siempre que empiece por ordenar el contexto y no por la herramienta. La condición mínima es tener los datos centralizados, algo que muchas empresas peruanas ya logran con un ERP, y contar con definiciones acordadas de los indicadores clave. Con eso, es posible habilitar preguntas frecuentes de un área específica y medir el tiempo ahorrado frente a una línea base de solicitudes de reporte. El equipo de datos no desaparece: se concentra en modelar y gobernar en lugar de atender pedidos repetitivos.
Conclusión: ¿Vale la pena mirar este caso aunque todavía no haya métricas?
Sí, vale la pena, pero por la razón correcta. El valor del caso de Figma no está en el número de un año a dos meses, que es una señal direccional sin medición pública de escala ni precisión. Está en mostrar hacia dónde se mueve la analítica: de una cola de pedidos a una conversación, y de una conversación a un sistema que sugiere hallazgos antes de que los pidas.
Para una empresa en Perú o Latinoamérica, la lección práctica es que el trabajo pesado no es la IA. Es el contexto: definir qué significa cada dato, quién puede consultarlo y cómo se mide si la respuesta fue útil. Esa parte no se compra, se construye.
Si quieres revisar cómo se ve esto en tu operación, conversemos sobre tu caso. Y si te interesa cómo automatizamos contenido y análisis internamente, puedes conocer ContentFlow.
Por Edgar Vásquez, Consultoría TI · actualizado el 5 de noviembre de 2026
Fuentes y Referencias
- OpenAI en YouTube — How Figma Is Building Self-Serve Analytics with OpenAI
- StartupHub.ai — Figma says Athena trims a year of work to two months
- OpenAI — Cómo Figma integra IA para transformar el diseño
✨ Contenido generado con ContentFlow — Consultoría-Ti