La analítica self-serve es la capacidad de que cualquier persona de una empresa responda sus propias preguntas de negocio en lenguaje natural, sin esperar a que el equipo de datos construya un tablero o un reporte. Figma está probando exactamente eso con Athena, el programa piloto de OpenAI para contexto organizacional, y según el propio equipo, lo que tenían planificado para el próximo año lo pueden hacer en dos meses.
Ese es el dato que ordena toda la conversación. No se trata de un tablero más rápido ni de una visualización más bonita: se trata de que la pregunta de negocio deje de ser un ticket en una cola y se convierta en una conversación. Para una empresa mediana en Perú o Latinoamérica, donde el área de datos suele ser una o dos personas haciendo malabares, el cambio de fondo no es tecnológico, es de flujo de trabajo.
En este artículo revisamos qué hizo Figma, por qué el contexto es la pieza que casi nadie trabaja, qué advierten los propios números que el caso no muestra, y cómo se traduce todo esto en decisiones concretas para una empresa peruana que quiere empezar a usar analítica con IA sin comprar humo.
¿Qué hizo Figma con Athena y OpenAI?
Figma se sumó al programa piloto de OpenAI llamado Athena, cuyo objetivo declarado es construir contexto dentro de la organización para que los equipos no tengan que esperar a que alguien les arme un tablero. El ejemplo que dieron en la entrevista es simple y muy reconocible: se lanza una campaña de marketing nueva.
Athena entiende qué es esa campaña, recupera esa información y enriquece el contexto. A partir de ahí, un analista de marketing o alguien del equipo de email marketing puede preguntar directamente cómo está aterrizando la campaña y cómo está ayudando a convertir clientes. La respuesta llega sin que exista un paso intermedio de construir una métrica o un dashboard.
La frase que resume el resultado, dicha por alguien del equipo en la entrevista, es que todo lo que querían hacer durante el próximo año ahora lo pueden hacer en los próximos dos meses. Es una compresión de seis a uno sobre la hoja de ruta analítica, según esa misma conversación.
Vale la pena detenerse en lo que ese ejemplo implica. En el modelo tradicional, el analista de marketing piensa una pregunta, la escribe en un ticket, espera, recibe un tablero, y muchas veces descubre que la pregunta ya cambió. En el modelo que Figma describe, el analista pregunta y sigue preguntando, ajustando el contexto sobre la marcha. La diferencia no es la velocidad de una consulta: es la cantidad de preguntas que una persona se atreve a hacer porque el costo de preguntar bajó casi a cero.
Ese es el punto que suele perderse cuando se habla de agentes de IA aplicados a datos. El beneficio no está en la primera respuesta, está en la décima pregunta, esa que nadie hacía porque implicaba abrir otro ticket.
¿Por qué el contexto organizacional es la pieza que casi nadie trabaja?
La mayoría de las implementaciones de IA para datos fracasan por la misma razón: le entregan a un modelo acceso a las tablas, pero no le explican qué significan. Un modelo que ve una columna llamada "campaign_id" no sabe que esa campaña fue un lanzamiento de producto en Lima, que el objetivo era captar leads de un segmento específico, ni que el equipo la mide contra una meta trimestral.
Lo que Athena intenta resolver es justamente eso: el contexto organizacional. No es un modelo más inteligente, es un modelo mejor informado sobre el negocio. Es la diferencia entre un practicante nuevo que sabe SQL y un analista que lleva tres años en la empresa y entiende por qué el margen de la línea X se mide distinto al de la línea Y.
La analógica es directa: puedes tener la mejor calculadora del mundo, pero si no sabes qué estás calculando, el resultado no sirve. El contexto es lo que convierte un número en una decisión.
Esto conecta con una tendencia más amplia. Según el equipo de Hex, empresas como StubHub, Reddit, Figma y Ramp están repensando su modelo de business intelligence, pasando de tableros preconstruidos a autoservicio nativo con IA. En ese mismo artículo se menciona que equipos fuera del área de datos en Figma trabajan con más de 2 millones de puntos de datos y producen reportes que antes tomaban días en 20 minutos.
Ese dato es importante porque muestra que el fenómeno no es exclusivo de un piloto experimental: es un patrón que se repite en varias empresas grandes. Y el patrón tiene una característica común: el valor no está en la herramienta, está en cuánto contexto del negocio logras inyectarle.
¿Qué advierte el caso de Figma que todavía no está demostrado?
Aquí conviene ser honesto, porque el entusiasmo mal calibrado es el peor consejero cuando se trata de invertir en tecnología.
El caso de Figma ofrece un solo número duro: la compresión de un año a dos meses. No hay conteo de cuántos equipos están en el piloto, cuántas consultas por semana se hacen, ni cuál es la precisión de las respuestas contra un conjunto de referencia. Tampoco hay costo, latencia, ni un límite de gobernanza sobre quién puede preguntar qué.
Eso significa que la compresión de tiempo es direccionalmente útil, pero no está verificada en amplitud. La pregunta abierta, y la plantean los propios analistas del caso, es si esa ganancia de seis veces se sostiene cuando todos los marketers pueden preguntar, y si las respuestas siguen siendo precisas a ese volumen.
Mi lectura es que el dato que cambiaría todo sería un antes y después del volumen de tickets del equipo de analistas, o una tasa de éxito de preguntas en lenguaje natural atadas al contexto enriquecido. Sin eso, lo que tenemos es una señal clara de intención y una medición delgada.
Y hay un riesgo que conviene nombrar: si las respuestas son inconsistentes y nadie puede ver cómo se produjo el análisis, el autoservicio con IA se convierte rápidamente en un problema de gobernanza. La velocidad sin trazabilidad no es un beneficio, es una deuda que se paga después.
¿Qué significa esto para una empresa en Perú o Latinoamérica?
La realidad de una empresa mediana en Perú es distinta a la de Figma, pero el cuello de botella es el mismo y suele ser peor. En muchas organizaciones locales, el área de datos es una sola persona que además hace reportes de ventas, cuadra inventarios y responde correos del gerente general.
En ese contexto, cada pregunta de negocio compite por el tiempo de una persona que ya está saturada. El resultado es predecible: se hacen pocas preguntas, se toman decisiones con datos viejos, y el área de datos se convierte en un cuello de botella permanente en lugar de un habilitador.
La promesa de la analítica self-serve no es que el gerente comercial aprenda SQL. Es que pueda preguntar en español, con el vocabulario de su negocio, y recibir una respuesta que ya considera el contexto de su empresa: qué es el canal moderno, cómo se mide la rotación en su categoría, qué significa un cliente activo en su industria.
Ahí está la oportunidad real para una PYME peruana. No se trata de replicar el piloto de Figma, se trata de resolver el mismo problema de fondo: reducir la distancia entre la pregunta y la respuesta. Y esa distancia, en muchas empresas de la región, hoy se mide en días, no en minutos.
El punto de partida no es comprar una herramienta de moda. Es ordenar el contexto: qué datos tienes, dónde viven, qué significan y quién puede acceder a ellos. Sin ese trabajo previo, cualquier agente de IA va a responder con seguridad sobre cosas que no entiende.
¿Cómo aplica esto en tu empresa?
Si el caso de Figma te resulta interesante, hay una secuencia práctica para aterrizarlo sin gastar de más.
Primero, identifica las cinco preguntas que tu equipo hace cada semana y que hoy dependen de que alguien arme un reporte. No busques casos exóticos: ventas por canal, conversión de una campaña, rotación de inventario, cobranza pendiente. Esas cinco preguntas son tu caso de negocio real.
Segundo, revisa si tus datos están en condiciones de responderlas. Si la información de campañas vive en una hoja de cálculo que solo maneja una persona, ningún agente va a resolver eso. El orden de los datos va antes que la inteligencia artificial.
Tercero, define quién puede preguntar qué. La gobernanza no es burocracia, es lo que evita que el autoservicio se convierta en un caos de números contradictorios. Empieza con un grupo pequeño, mide la precisión de las respuestas y expande después.
Cuarto, mide el antes y el después. Si no registras cuántos tickets recibía tu equipo de datos antes de implementar algo, no vas a poder demostrar el impacto después. Ese es precisamente el dato que le falta al caso de Figma, y es el que tú sí puedes tener.
Si quieres revisar cómo se vería esto en tu operación, puedes conversar con nosotros sobre tu caso y ver qué tan lejos está tu empresa de responder preguntas de negocio sin intermediarios.
Preguntas Frecuentes
¿Qué es la analítica self-serve y en qué se diferencia de un dashboard tradicional?
La analítica self-serve permite que cualquier persona de la empresa haga preguntas en lenguaje natural y reciba respuestas sin depender de que el equipo de datos construya un reporte. Un dashboard tradicional es estático: muestra lo que alguien decidió mostrar de antemano. El autoservicio, en cambio, responde preguntas que nadie había previsto, incluidas las de seguimiento, que suelen ser las más valiosas para decidir.
¿Necesito un área de datos grande para implementar analítica con IA?
No necesariamente, pero sí necesitas datos ordenados y contexto documentado. El caso de Figma involucra equipos grandes, pero el principio aplica igual a una PYME: si tus datos están dispersos y sin definiciones claras, la IA va a responder con seguridad sobre cosas que no entiende. Lo mínimo viable es tener tus fuentes principales identificadas, sus métricas definidas y un responsable de mantener ese orden.
¿Cuánto tiempo toma ver resultados con agentes de IA aplicados a datos?
Depende del punto de partida. En el caso de Figma, el equipo reportó que trabajo planificado para un año se pudo hacer en dos meses, pero ese piloto no publica cuántos equipos participaron ni la precisión de las respuestas. Para una empresa mediana en Perú, un primer caso de uso acotado a cinco preguntas de negocio suele ser un punto de partida más realista que intentar cubrir toda la organización de una vez.
Conclusión: ¿Vale la pena mirar el caso de Figma o es solo una anécdota?
El caso de Figma vale la pena no por el número llamativo, sino por lo que revela sobre dónde está el trabajo real. La compresión de un año a dos meses es una señal de intención, no una garantía de resultado, y el propio caso deja claro que faltan métricas de amplitud, precisión y gobernanza.
Lo que sí queda claro es que el cuello de botella de la analítica empresarial nunca fue la capacidad de calcular, fue la cola de pedidos. Cuando esa cola desaparece, cambia la cantidad de preguntas que una organización se atreve a hacer. Y eso, para una empresa en Perú que compite con datos viejos y decisiones tardías, es una ventaja competitiva concreta.
Si quieres explorar cómo ordenar el contexto de tu empresa antes de invertir en herramientas de IA, puedes revisar más contenido en nuestro blog o escribirnos para conversar sobre tu caso.
Por Edgar Vásquez, Consultoría TI · actualizado el miércoles, 04 de noviembre de 2026
Fuentes y Referencias
- OpenAI YouTube — How Figma Is Building Self-Serve Analytics with OpenAI
- StartupHub.ai — Figma says Athena trims a year of work to two months
- Hex — StubHub, Figma, Reddit: The new model for enterprise BI
- OpenAI — How Figma integrates AI to transform design
✨ Contenido generado con ContentFlow — Consultoría-Ti