Dashboard automático con IA: reemplaza tu SaaS de métricas

Dashboard automático con IA: reemplaza tu SaaS de métricas

Para armar un dashboard automático con IA necesitas tres componentes: una fuente de datos accesible (API, SQL, Sheets), un agente que la consolide y formatee, y un canal de entrega que tu equipo ya use (WhatsApp, email, Slack). Sin código complejo, sin suscripción de $200/mes a Tableau.

En AgentesNexo hemos implementado este esquema en empresas de logística, retail y servicios. Lo que sigue es el manual exacto.

¿Qué es un dashboard automático con IA?

Un dashboard automático con IA es un agente que, en lugar de esperar a que alguien abra Power BI o Looker, consulta los datos, los analiza y entrega un reporte listo cada mañana —o cada hora, si el negocio lo necesita.

No reemplaza el análisis profundo. Reemplaza el Excel que el analista arma cada lunes a las 8 AM copiando datos de tres sistemas distintos.

Diferencia clave con BI tradicional: el agente puede interpretar anomalías. No solo muestra que las ventas bajaron 12% —dice "bajaron 12%, la mayor caída ocurrió en el canal B2B, y coincide con el vencimiento del descuento del viernes."

Según Gartner (2025), el 67% de los equipos de ventas y operaciones tarda más de 2 horas semanales en consolidar reportes manuales. Un agente de BI con IA elimina esas horas el primer día.

Requisitos previos

• Fuente de datos con acceso programático: PostgreSQL, MySQL, Google Sheets, REST API o CSV por SFTP.
• Un orquestador: n8n self-hosted (gratis) o cloud, o Make.
• Acceso a un modelo de lenguaje: Claude Haiku para volumen y costo, o Claude Sonnet para análisis complejos.
• Canal de entrega: webhook de Slack, API de WhatsApp Business o servidor SMTP.
• Tiempo estimado de configuración inicial: 4-6 horas.

Paso 1: Definir las métricas que importan

Antes de tocar código, lista los 5-8 KPIs que gerencia revisa cada mañana. Más de eso y nadie lee el reporte.

Ejemplos por sector:

• Ventas: ingresos del día anterior, cotizaciones pendientes, tasa de cierre semanal.
• Logística: pedidos despachados vs. prometidos, costo por entrega promedio, incidencias abiertas.
• RRHH: ausentismo del día, horas extras acumuladas, solicitudes pendientes.

El agente solo puede resumir lo que mides. Definir esto primero evita construir el sistema dos veces.

Paso 2: Conectar la fuente de datos

Para una base PostgreSQL, el agente consulta directamente:

-- Ventas del día anterior por canal
SELECT
  canal,
  COUNT(*) AS ordenes,
  SUM(monto) AS ingresos,
  AVG(monto) AS ticket_promedio
FROM ordenes
WHERE fecha_creacion::date = CURRENT_DATE - 1
GROUP BY canal
ORDER BY ingresos DESC;

En n8n, esto es un nodo Postgres conectado a tu instancia. Si tu fuente es Google Sheets, usa el nodo Google Sheets con el ID de la hoja. Si es una API externa, un nodo HTTP Request con autenticación Bearer.

Importante en producción: nunca conectes el agente a la base de datos con un usuario que tenga permisos de escritura. Crea un usuario de solo lectura:

CREATE USER agente_bi WITH PASSWORD 'clave_segura_aqui';
GRANT CONNECT ON DATABASE produccion TO agente_bi;
GRANT SELECT ON ALL TABLES IN SCHEMA public TO agente_bi;

Paso 3: El nodo de análisis con IA

El resultado de la consulta SQL llega como JSON al nodo de Claude (vía HTTP Request a la API de Anthropic o nodo nativo en n8n):

const prompt = #43a047">`
Eres el analista de BI de una empresa en LATAM.
Recibiste estos datos de operaciones del día de ayer:

${JSON.stringify(datos, null, 2)}

Genera un reporte ejecutivo de máximo 200 palabras con:
1. Resumen del día (3 líneas)
2. Alerta principal si algún KPI cayó más del 10% respecto al promedio de los últimos 7 días
3. Una recomendación concreta para hoy

Tono directo. Sin frases de relleno.
`;

Modelo recomendado: claude-haiku-4-5 para reportes diarios de volumen (~$0.002 por reporte). claude-sonnet-4-5 para análisis semanales o cuando el reporte incluye comparativos históricos o texto libre de clientes.

Paso 4: Entregar el reporte

WhatsApp Business tiene la mayor tasa de apertura en LATAM para comunicaciones internas: 98% vs. 22% del email, según Twilio State of Customer Engagement 2025. La API es directa:

curl -X POST https://graph.facebook.com/v19.0/TU_PHONE_ID/messages \
  -H #43a047">"Authorization: Bearer TU_TOKEN" \
  -H #43a047">"Content-Type: application/json" \
  -d '{
    #43a047">"messaging_product": "whatsapp",
    #43a047">"to": "591XXXXXXXXX",
    #43a047">"type": "text",
    #43a047">"text": { "body": "'"$REPORTE"'" }
  }'

Email (para reportes con tablas formateadas): usa el nodo Send Email de n8n con plantilla HTML. El agente genera el HTML si le indicas el template en el prompt.

Slack: webhook entrante. El agente formatea en Markdown de Slack (negrita, bloques de código).

Arquitectura del sistema

[Cron 07:00] → [Consulta SQL/API] → [Claude: análisis] → [WA / Email / Slack]
                     ↑                       ↑
             [Usuario read-only]   [Prompt versionado en repo]

El cron dispara a las 7:00 AM hora local. El agente consulta, analiza y entrega en menos de 30 segundos. Si falla, n8n reintenta 3 veces y alerta al operador por separado.

Para alertas en tiempo real además del reporte mañanero: agrega un segundo flujo con trigger cada 15-30 minutos que compara contra umbrales críticos (ventas a cero, sistema de pagos sin respuesta, stock bajo mínimo).

Lo que aprendimos en producción

1. El primer reporte siempre es demasiado largo. Los equipos leen reportes de máximo 5 líneas. Itera hasta que el gerente confirme que lo lee completo cada día.

1. Los datos llegan sucios. Agrega un paso de validación antes del análisis: si los datos vienen vacíos o con valores imposibles (ventas negativas, fechas nulas), el agente reporta "datos no disponibles" en lugar de generar un análisis incorrecto.

1. El canal importa más que el contenido. Un reporte por WhatsApp tiene 4x más probabilidad de ser leído antes de las 9 AM que el mismo reporte por email —dato propio de 12 implementaciones en LATAM.

1. Los modelos baratos alcanzan para el 90% de los casos. Claude Haiku cuesta ~$0.002 por reporte diario. Solo justifica Sonnet cuando el análisis incluye comparativos multi-período o síntesis de texto libre como comentarios de clientes o tickets.

1. El agente no reemplaza al analista, lo libera. En un cliente de retail, el analista pasó de armar el reporte diario (2 horas) a revisar y actuar sobre él (15 minutos). Las horas restantes las dedicó a análisis de cohortes que antes nunca tenía tiempo de hacer. McKinsey (2024) cifra en 30-40% el tiempo de trabajo de analistas de datos que se puede automatizar con agentes de BI con IA.

En resumen

• Dashboard automático con IA = consulta de datos + análisis con LLM + entrega por canal.
• Define primero los 5-8 KPIs críticos; el agente solo mide lo que tú priorizas.
• Usuario de base de datos de solo lectura siempre. Nunca conectes con permisos de escritura.
• Claude Haiku para volumen diario (~$0.002/reporte); Sonnet para análisis complejos o históricos.
• WhatsApp tiene la mayor tasa de apertura en LATAM para reportes internos: 98% vs. 22% del email (Twilio, 2025).
• Tiempo de configuración inicial: 4-6 horas. Resultado: libera 1-3 horas diarias del equipo de operaciones.