Ir al contenido
ESEN
Hablemos de tus datos
Menú

Gobernanza de datos · IA con contexto

La capa semántica.
Tus datos, bajo tu control.

Unifica tus fuentes y el significado de tus métricas. Decide quién accede a qué y qué información llega a cada LLM. Una base compartida para tu negocio, tus equipos y tu IA.

Hablemos de tus datosVer cómo funciona

Para CTOs, CIOs y CEOs que quieren llevar la IA a sus datos.

De tus fuentes al contexto autorizado
ERP y bancos
CRM y ventas
Datos internos
Capa semántica
Métricas comunesPermisosMinimización
Solo el contexto necesarioDashboards · Equipos · LLMs
Arquitectura de referencia. El alcance se define con tu equipo.

01Un mismo lenguaje de negocio

02Acceso según la tarea

03Trazabilidad de origen a respuesta

La base de tus decisiones

La misma definición.
En el dashboard y en la IA.

NextScenario conecta bancos, ERPs y canales de venta para entender caja, rentabilidad y crecimiento. La capa semántica lleva esa visión compartida a tus análisis y asistentes: qué significa cada dato, de dónde viene y cómo se puede utilizar.

Una definición de negocio

Ingresos netos

Ventas − devoluciones − descuentos

Fuente, periodo, moneda y reglas de cálculo definidos antes de consultar al modelo.

DashboardForecastLLM

01 / Arquitectura

De datos dispersos
a contexto gobernado.

  1. 01Conectar

    Reúne las fuentes relevantes

    Bancos, ERP, CRM, ecommerce y bases internas. Partimos de tu stack y validamos las conexiones que necesita cada caso de uso.

  2. 02Definir

    Da significado a cada dato

    Entidades, relaciones y métricas compartidas. Acordamos cómo calcular margen, ingresos o churn y cómo resolver diferencias entre fuentes.

  3. 03Gobernar

    Aplica las reglas de acceso

    Define permisos por rol, empresa y campo. Filtra registros y transforma datos sensibles antes de construir el contexto de una consulta.

  4. 04Entregar

    Prepara lo que necesita la IA

    Selecciona métricas, agrega resultados y limita el detalle. El modelo recibe el contexto autorizado para la tarea y la respuesta se valida antes de utilizarla.

02 / Qué llega al modelo

Para explicar el margen,
no hace falta un email.

Explora dos ejemplos de cómo cambia el contexto según la tarea. Los valores son ficticios y muestran una política posible, no una conexión a tus sistemas.

02 / Qué llega al modelo
01 / Datos en tu entorno
{
  "customer_name": "Cliente de ejemplo",
  "email": "cliente@example.com",
  "customer_id": "customer_042",
  "channel": "ecommerce",
  "revenue_eur": 1200,
  "cost_eur": 780
}
Excluido: nameExcluido: email
02 / Contexto para el LLM
{
  "metric": "gross_margin",
  "channel": "ecommerce",
  "period": "2026-08",
  "currency": "EUR",
  "revenue": 1200,
  "cost": 780,
  "margin_pct": 35
}
Agregadoscope: read

Para comparar rentabilidad por canal, enviamos importes agregados. Nombre, email e identificador de cliente quedan fuera del contexto.

01 / Datos en tu entorno
{
  "customer_name": "Cliente de ejemplo",
  "email": "cliente@example.com",
  "customer_id": "customer_042",
  "orders": 3,
  "revenue_eur": 1200
}
Excluido: nameExcluido: email
02 / Contexto para el LLM
{
  "customer_ref": "hmac:7b4e…9c2a",
  "period": "2026-08",
  "orders": 3,
  "revenue_eur": 1200
}
Seudonimizadoscope: read

Para relacionar compras de un mismo cliente, un identificador seudónimo puede conservar la relación. El modelo no necesita recibir su identidad.

Ejemplo ilustrativo · datos ficticios

03 / Gobernanza por diseño

Tú defines las reglas.
La IA trabaja dentro de ellas.

Diseñamos contigo los controles y validamos su aplicación para cada fuente, usuario y caso de uso.

01 /

Permisos antes del prompt

Acceso por rol, empresa, registro y campo. La autorización se comprueba en la aplicación, antes de recuperar datos o invocar herramientas.

02 /

El mínimo dato necesario

Listas de campos permitidos, filtros y agregación. Si una tarea se resuelve con totales, no necesita filas completas ni documentos enteros.

03 /

Hashing y seudonimización

Elimina o enmascara identificadores. Cuando hace falta mantener relaciones, valora tokens o HMAC con claves custodiadas fuera del modelo.

04 /

Origen y trazabilidad

Vincula métricas con fuentes y reglas de cálculo. Define un registro de accesos y transformaciones, con retención y permisos también para los logs.

05 /

Control de destino

Acordamos qué modelos pueden recibir cada categoría de datos y revisamos residencia, retención y condiciones de uso del proveedor.

06 /

Acciones con límites

Separa consultar de ejecutar. Define herramientas permitidas y aprobación humana para operaciones sensibles; valida las salidas antes de actuar.

04 / Tecnología y dirección

Una base común.
Tres prioridades resueltas.

CTO

Una arquitectura que puedas gobernar.

Centraliza definiciones y políticas para evitar una integración distinta por cada asistente.

  • Contratos de datos y métricas reutilizables
  • Permisos fuera del modelo
  • Integración con tu stack actual
CIO

Visibilidad sobre el recorrido del dato.

Define responsables, accesos y destinos para incorporar IA con una política compartida.

  • Inventario y clasificación de fuentes
  • Trazabilidad y criterios de retención
  • Control sobre proveedores y accesos
CEO

Decisiones con el mismo contexto.

Conecta las iniciativas de IA con las métricas que mueven caja, margen y crecimiento.

  • Cifras coherentes entre equipos
  • Casos de uso con alcance definido
  • Supervisión de las decisiones relevantes

Preguntas técnicas

Antes de conectar
tu primer LLM.

¿Qué es una capa semántica de datos?

Una capa semántica define el significado de los datos: entidades, relaciones y reglas de cálculo compartidas. Cuando se integra con controles de acceso, permite que los equipos y los asistentes de IA consulten métricas coherentes usando solo la información autorizada para cada tarea.

¿Es otra base de datos?

La capa semántica define entidades, métricas, relaciones y reglas sobre tus fuentes. Puede apoyarse en tu infraestructura de datos existente. La necesidad de copiar o almacenar información se decide según la arquitectura y el caso de uso.

¿El LLM tiene acceso a todos mis datos?

El diseño parte del acceso mínimo: primero se autoriza la consulta, después se seleccionan y transforman los datos necesarios. Un permiso en el prompt no sustituye los controles que deben aplicarse en la infraestructura y en la aplicación.

¿Hashear un dato lo convierte en anónimo?

No necesariamente. Un hash determinista puede facilitar comparaciones o ataques de diccionario. Según el caso se plantea eliminación, agregación, tokenización o HMAC con gestión de claves. Mantener identificadores seudónimos no elimina por sí solo el riesgo de reidentificación.

¿Mis datos se utilizan para entrenar modelos?

Depende del proveedor, el servicio y el contrato. Antes de habilitar un destino hay que verificar y configurar sus condiciones de entrenamiento y retención. No se debe asumir una misma política para todos los LLMs.

¿Cómo empezamos?

Elegimos una pregunta de negocio, identificamos sus fuentes y definimos la métrica, los permisos y el contexto permitido. Validamos el recorrido con tu equipo antes de ampliar a nuevos datos o automatizaciones. Las conexiones y controles concretos se acuerdan en el alcance técnico.

Tu siguiente escenario

Dale contexto a tu IA.
Conserva el control de tus datos.

Revisemos tu stack, una pregunta de negocio y qué información necesita realmente el modelo para responderla.

Hablemos de tus datos

Fuentes · Métricas · Permisos · Contexto