BI con IA gobernada. Para IT y IT.
Cada Excel subido, cada llamada a la IA, cada gráfico, trazado, cifrado, auditable. Sin SQL, sin DAX, sin tickets a IT. El BI con capa semántica primero que acaba con los Excels y el ChatGPT en la sombra.
Revenue by month
Toda empresa mediana está atrapada en el mismo bucle.
IT no da abasto.
Las peticiones de Power BI se acumulan. Cada una tarda semanas porque los requisitos son vagos y los datos necesitan trabajo. Dos ingenieros, catorce tickets, cero tiempo para mejorar el warehouse.
Los directivos no pueden esperar.
Así que exportan un CSV. Lo construyen en Excel. Pegan datos confidenciales en ChatGPT. Ya hay dos versiones de cada gráfico, e IT no tiene ni idea de qué datos están saliendo.
The result: El resultado: dispersión de datos, requisitos confusos, sin feedback, cero gobernanza. El gasto en IA es invisible. Los Excels viven en portátiles personales. Nadie está contento. Este es el problema que resuelve zenital selfBI.
Un director regional necesita facturación por región este trimestre.
- Abre un ticket a IT
- Espera a una reunión de aclaración
- Discute la definición de la métrica
- Recibe un dashboard final, ya está obsoleto
- En paralelo: monta un Excel y lo envía por mail. Dos versiones, dos cifras.
- Abre selfBI
- Escribe "Facturación por región este trimestre vs el anterior"
- El gráfico aparece en 4 segundos
- Añade un filtro: "excluir ventas internas"
- Lo fija. Comparte el enlace con su equipo.
selfBI vs los apaños que ya tienes hoy.
La mayoría de empresas malabarea con dos o tres de estos. zenital selfBI los sustituye por una sola superficie gobernada.
SUMMARIZE(
Sales,
Sales[Region],
"Revenue",
CALCULATE(SUM(Sales[Amount]))
)
| A | B | |
|---|---|---|
| 1 | Region | Revenue |
| 2 | EMEA | 412,300 |
| 3 | NA | 298,500 |
| 4 | =SUM(B2:B… | #REF! |
Lo que no hacemos.
La mayoría de herramientas de BI prometen de más. Preferimos decírtelo directamente.
No reemplazamos Power BI.
Vivimos por encima como la capa de autoservicio. Algunos clientes lo reemplazan, otros mantienen los dos.
No generamos "insights".
Generamos gráficos. El insight sigue siendo trabajo del humano.
Sin analítica predictiva.
No es nuestro producto. Hacemos BI bien, no forecasting, no ML.
Sin streaming en tiempo real.
Cube cachea. La frescura depende de tu fuente, y te lo decimos cuándo.
Sin "magia automática" de modelado.
El modelo semántico requiere cuidado. zenital lo monta y lo mantiene como servicio. No pretendemos lo contrario.
Las respuestas honestas.
Power BI es una herramienta para IT. El autoservicio en PBI significa darle a un usuario sin SQL un editor de DAX, la mayoría de directivos no pasa por ahí. selfBI está hecho para el usuario sin SQL. La capa de IT es el extra, no el núcleo.
ChatGPT no se conecta a tu warehouse con row-level security. Tampoco le muestra a IT lo que los empleados han pegado dentro. zenital selfBI es la alternativa gobernada.
El admin de la organización elige el modo de privacidad en /admin/settings: telemetría completa, o "sólo metadatos" (oculta el contenido del prompt pero mantiene las señales de coste y uso). De una manera o de otra, cada empleado sabe qué se registra.
Cada gráfico tiene un botón "esto no cuadra" que dispara un flujo de corrección en lenguaje natural. La IA nunca genera SQL crudo, pasa por una capa semántica validada que evita alucinaciones.
Cifrado en reposo (AES-256-GCM). Aislamiento por organización vía row-level security. Un registro de eventos unificado captura cada llamada a la IA, subida de archivo, acción sobre el dashboard y cambio de admin, consultable desde /admin. BYOK y el camino a SOC 2 están en la roadmap; todo lo demás está vivo hoy.
Sí. zenital selfBI corre en Docker. Ofrecemos SaaS, despliegue gestionado y self-host con licencia. Muchos clientes empiezan con despliegue gestionado y migran a self-host cuando se fían del producto.
Un piloto típico son dos semanas. Semana 1: IT conecta 1–2 fuentes y montamos juntos el modelo semántico. Semana 2: dirección usa el wizard contra preguntas reales. Te ayudamos con el modelo en la semana 1 para que veas valor real en la semana 2.
Dos semanas. Una de tus fuentes de datos. Tu carga real.
Hacemos un piloto: semana 1 conectamos una fuente y montamos el modelo semántico. Semana 2 tu equipo lo usa contra preguntas reales. Ves, con tus datos, exactamente lo que te acabamos de describir.