Una empresa puede tener decenas de dashboards y seguir decidiendo por costumbre. También puede tener una planilla relativamente sencilla y utilizarla para detectar un problema, probar una solución y medir si funcionó.
La diferencia está en la relación que construye entre sus preguntas, su evidencia y sus decisiones.
El 10 de septiembre de 2026, OpenAI presentó Data agent en ChatGPT Work. En el directorio aparece como Data. Su propuesta consiste en facilitar el análisis de información empresarial mediante lenguaje natural y convertir los resultados en entregables útiles. Anuncio oficial de OpenAI.
Como ingeniero, docente y profesional de la transformación empresarial, me interesa especialmente la posibilidad de acercar ese trabajo al momento en que un líder necesita decidir. Mi lectura es que esta herramienta puede ampliar la autonomía analítica, siempre que la organización enseñe a formular preguntas, establezca definiciones compartidas y mantenga la revisión humana.
Esta guía propone un recorrido concreto: instalar Data, elegir una fuente, validar un primer análisis, construir un entregable y llevarlo a una decisión. Incluye veinte prompts adaptables, un caso para una PYME y diez respuestas a preguntas frecuentes.
CONTENIDO
- Data agent en ChatGPT Work
- Qué cambia con ChatGPT Work y sus plugins
- Qué significa trabajar de manera data-driven
- Cómo encontrar e instalar Data
- Qué aplicaciones se pueden conectar y para qué sirven
- Las veinte habilidades y su aplicación empresarial
- Preparar el contexto que vuelve útil al agente
- Un caso completo para una PYME
🏅 Una estructura de prompt que se puede reutilizar
🏅 Veinte prompts para empresas y profesionales
🏅 Cómo validar una respuesta antes de decidir
🏅 Gobierno de datos para habilitar el uso
🏅 Un plan de adopción de treinta días
🏅 Errores que conviene detectar temprano
🏅 Diez preguntas frecuentes
🏅 El trabajo que sigue siendo del líder
🏅 Fuentes y documentación para ampliar
🏅 Videos para ver el producto y profundizar la práctica
Qué cambia con ChatGPT Work y sus plugins
En términos prácticos, ChatGPT Work permite delegar tareas que requieren trabajar con información y producir resultados. Los plugins organizan capacidades para determinados trabajos. Dos componentes ayudan a entenderlos:
Habilidades o skills: instrucciones reutilizables que orientan cómo abordar una tarea, qué controles aplicar y qué resultado producir.
Aplicaciones conectadas: servicios que aportan información o permiten ejecutar acciones, según la conexión, las funciones disponibles y los permisos concedidos.
Data Agent orienta ese entorno al trabajo analítico. Puede ayudar a investigar variaciones, evaluar la calidad de los datos, definir indicadores y preparar informes, gráficos, dashboards o notebooks reproducibles. El ecosistema también contempla interacción con herramientas de BI existentes. Data para equipos empresariales.
La oportunidad para una directora comercial es explorar una caída de ventas sin convertir cada pregunta adicional en un nuevo pedido de reporte. Para un analista, es disponer de apoyo para investigar y documentar. Para un consultor independiente, es estructurar evidencia con un método consistente.
Lee más sobre ChatGPT y habilidades:
Qué significa trabajar de manera data-driven
Te propongo evaluar la madurez analítica mediante cinco comportamientos observables:
Definir la decisión: Precisar qué puede cambiar después del análisis: un presupuesto, una prioridad, un proceso o una asignación de recursos.
Acordar la medida: Establecer qué significa cada indicador, de dónde sale y qué situaciones excluye.
Investigar explicaciones: Contrastar alternativas y buscar evidencia que pueda cuestionar la hipótesis inicial.
Actuar con responsabilidad: Asignar un dueño a la decisión y explicitar sus límites.
Medir el resultado: Revisar si la intervención produjo el cambio esperado y qué se aprendió.
Una pregunta como “
¿cómo estamos vendiendo?” suele producir una descripción. “¿Qué combinación de productos explica la caída del margen y qué intervención podemos probar este mes?” orienta el trabajo hacia una decisión.
Cómo encontrar e instalar Data Agent
Abrí ChatGPT y seleccioná el entorno Work para realizar este recorrido.
Entrá en Plugins y buscá Data, o accedé a la ficha directa del plugin.
Si todavía no está instalado, seleccioná Install plugin / Instalar plugin. La interfaz general también puede presentar un botón +.
Revisá las conexiones necesarias para tu caso. Completá la autenticación correspondiente cuando se solicite.
Iniciá una conversación nueva en Work, escribí
@Datay seleccioná el plugin en el menú de menciones.
Los administradores pueden gestionar su disponibilidad en Workspace settings > Plugins. Instalación de Data, uso e instalación de plugins.
Para una primera prueba, adjuntá un archivo autorizado y utilizá:
@Data Ayudame a comenzar con mi primera tarea de análisis. Quiero decidir [decisión]. Tengo este archivo de [tema]. Identificá qué contiene, qué preguntas puede responder y qué información falta. Proponé un primer análisis acotado y explicame cómo verificarlo.
Qué aplicaciones se pueden conectar y para qué sirven
La siguiente tabla funcional ayuda a elegir una combinación inicial. Describe el objetivo de cada aplicación; el alcance de lectura, escritura y actualización debe verificarse en su conexión concreta.
También se enumera, entre otras integraciones, Snowflake, Databricks Genie, dbt, Power BI, Oracle Analytics, Sigma y ThoughtSpot. La combinación apropiada depende de dónde reside la información confiable del negocio. Ecosistema oficial de Data.
Para una PYME, empezaría con una planilla de ventas y el documento que define sus indicadores. Para una empresa con BI, priorizaría el modelo de métricas aprobado. Para un negocio digital, combinaría eventos de producto con facturación y contexto de lanzamientos.
Más de veinte habilidades y su aplicación empresarial
Referencia de producto: ficha de Data. Descripciones sintetizadas a partir del inventario de habilidades de la versión consultada.
Analyze Data Quality: Examinar actualización, registros faltantes, duplicados, nivel de detalle y relaciones entre tablas antes de confiar en un cálculo.
Build Dashboard: Crear o actualizar un tablero interactivo para seguir indicadores, explorar segmentos y apoyar decisiones recurrentes.
Build Report: Construir un informe analítico con conclusiones, evidencia, gráficos y limitaciones.
Convert To Doc: Convertir un informe o dashboard de Data existente en Word o Google Docs, según las capacidades disponibles.
Convert To Slides: Llevar un resultado de Data existente a PowerPoint o Google Slides para una reunión ejecutiva.
Create Data Context: Crear y mantener instrucciones reutilizables con definiciones, fuentes y preferencias de trabajo.
Design KPIs: Definir indicadores, fórmulas, objetivos, responsables y métricas de protección frente a efectos indeseados.
Gather Business Context: Reunir antecedentes y aclarar términos o cambios recientes antes de analizar.
Index: Orientar la solicitud hacia el flujo analítico adecuado. Es el punto de entrada general de Data.
Jupyter Notebooks: Crear o revisar notebooks SQL o Python para reproducir, inspeccionar y volver a ejecutar el análisis.
KPI Reporting: Preparar revisiones semanales, mensuales o trimestrales con resultados, metas y desvíos.
Market Sizing: Estimar mercados y oportunidades con supuestos, escenarios y sensibilidad explícitos.
Metric Diagnostics: Investigar por qué cambió un indicador y distinguir factores verificados de explicaciones pendientes.
Product Business Analysis: Comparar alternativas y priorizar oportunidades a partir de evidencia del producto o negocio.
Publish Artifact To Sites: Publicar un informe o dashboard existente en Sites, según el entorno y las condiciones de acceso.
Report To PDF: Convertir un informe o dashboard existente en un PDF legible para distribución.
Schedule Refresh Jobs: Crear o actualizar tareas recurrentes en la nube para refrescar un informe o dashboard existente, cuando estén disponibles.
Share Artifact Summary: Preparar o compartir una síntesis de un informe, dashboard, gráfico o componente según el pedido y los permisos.
Validate Data: Revisar metodología, fuentes, cálculos, visualizaciones y coherencia de las conclusiones.
Visualize Data: Diseñar y verificar gráficos cuantitativos en informes, dashboards, notebooks y otros entregables.
No hace falta memorizar esos nombres, conviene explicar el objetivo y el entregable:
Investigá la caída del margen y prepará un informe para el comité» puede requerir reunir contexto, revisar calidad, diagnosticar variaciones y construir el reporte.
Preparar el contexto que vuelve útil al agente
Dos equipos pueden usar la palabra «cliente» para referirse a poblaciones diferentes. Uno cuenta contratos; otro, empresas; otro, usuarios activos. Un cálculo correcto sobre la población equivocada produce una conclusión equivocada.
Antes del piloto, prepará una ficha breve con estos elementos:
Decisión y responsable: qué se resolverá y quién aprobará la acción.
Fuente principal: archivo, tabla o modelo de BI que se considera oficial.
Unidad de análisis: qué representa cada fila, por ejemplo, una línea de factura.
Definiciones: ventas netas, cliente activo, conversión, margen o retención.
Período y comparador: fechas completas, días hábiles y estacionalidad relevante.
Reglas de negocio: devoluciones, impuestos, anulaciones, moneda y tipo de cambio.
Relaciones: identificadores que conectan clientes, pedidos, pagos y campañas.
Límites de uso: datos que pueden consultarse y audiencia del resultado.
En LATAM, aclarar moneda, inflación y criterio de conversión puede cambiar por completo una interpretación. Una suba nominal de facturación no demuestra por sí misma crecimiento del volumen ni mejora económica.
OpenAI documentó, la importancia del contexto sobre tablas, definiciones y lógica de generación de datos. Ese desarrollo interno es un antecedente técnico; sus características específicas no deben atribuirse automáticamente al plugin público. Inside OpenAI’s in-house data agent.
Para conservar el conocimiento validado:
@Data Creá un contexto reutilizable para los análisis de [equipo].
Usá estos documentos aprobados.
Incluí definiciones de métricas, fuentes oficiales, reglas de exclusión, moneda, zona horaria, relaciones entre tablas y preferencias de presentación.
Separá las definiciones confirmadas de las preguntas abiertas. Prepáralo para revisión del responsable de datos y aclarame cómo reutilizarlo en futuras tareas.
Un caso completo para una PYME
Imaginemos una distribuidora que vende más unidades, pero obtiene menor margen. El ejemplo es didáctico y utiliza cifras hipotéticas; no representa una prueba ejecutada de Data ni un resultado de cliente.
La gerencia necesita decidir dónde revisar precios, descuentos o costos. Dispone de ventas, costos por producto y notas de crédito de los últimos seis meses.
Primer paso: formular la decisión. «
Identificar qué productos y canales explican la caída del margen bruto, para elegir dos intervenciones comerciales». Así se limita el alcance y se evita generar un informe general sin destinatario.Segundo paso: comprobar la base. Solicitar cantidad de registros, fechas, productos sin costo, notas de crédito y duplicados. Verificar que los costos correspondan al período de venta y que la unión de tablas no multiplique operaciones.
Tercer paso: conciliar. Comparar ventas netas y costo de ventas con el reporte de control. Si el total no coincide, identificar la diferencia antes de publicar la conclusión.
Cuarto paso: investigar. Separar cambios de volumen, precio, costo y mezcla de productos. Cuando la descomposición dependa del orden de cálculo, explicitar el método utilizado y su residual.
Supongamos ventas netas de $100 millones y costo de ventas de $65 millones en el primer período. La ganancia bruta es $35 millones y el margen bruto, 35%. En el segundo, las ventas llegan a $120 millones y los costos a $84 millones: la ganancia bruta sube a $36 millones, pero el margen cae a 30%.
El margen disminuyó 5 puntos porcentuales. La ganancia bruta creció aproximadamente 2,9% en términos nominales. Ninguna de esas cifras, por sí sola, identifica la causa o demuestra una mejora real ajustada por inflación.
Quinto paso: diseñar una intervención. Si la evidencia señala descuentos concentrados en ciertos productos, probar una regla acotada y medir margen, volumen y pérdida de clientes. El gerente comercial valida si la medida es ejecutable.
Sexto paso: construir el tablero. Mostrar ventas netas, ganancia bruta, margen ponderado, devoluciones y productos sin costo; agregar filtros de mes, canal y familia, con fecha de actualización y acceso a las fuentes.
Séptimo paso: revisar el resultado. Acordar de antemano el período de evaluación y la condición para sostener, ajustar o detener la intervención.
El prompt que inicia este recorrido de investigación podría ser:
@Data Con los archivos adjuntos de ventas, costos y notas de crédito, investigá la caída del margen bruto de [período] frente a [comparador].
Primero verificá las relaciones y conciliá los totales con el reporte de control.
Luego identificá contribuciones por producto y canal, separando precio, costo, volumen y mezcla cuando los datos lo permitan.
Presentá evidencia, limitaciones y dos intervenciones medibles. No atribuyas causalidad a una asociación.
Prepará un informe ejecutivo y, una vez validada la base, un dashboard.
Una estructura de prompt que se puede reutilizar
Un buen pedido analítico define el resultado y los controles. También deja espacio para que el agente elija una forma razonable de investigar.