Una capa semántica ya no es opcional — es lo que hace que tu AI funcione de verdad

Ben Cocker en TLDR Data explica qué hace una capa semántica y por qué importa ahora. Se pone entre tus datos y el modelo que estés consultando — y es lo que evita que tu AI invente números o confunda una métrica con otra.

El artículo pasa por la mecánica: cómo definir tus métricas una vez, no una docena de veces entre distintas herramientas; cómo blindar el vocabulario de negocio para que el modelo use las mismas definiciones en todas partes; y por qué esto marca la diferencia entre un prototipo que funciona y uno que se rompe cuando se lo entregas a un analista de verdad. El autor nota que la fricción real no son los modelos — es el medio desordenado donde viven tus datos y nadie se pone de acuerdo en qué significa una métrica.

Para quien esté construyendo esto de verdad, la lección es práctica. Si estás conectando un LLM a tu data warehouse y te saltas la capa semántica, estás pidiendo alucinaciones. Si ya la tienes, el modelo puede razonar sobre definiciones consistentes y tu equipo deja de pasar horas explicando por qué su dashboard dice una cosa y el reporte otra.

Por qué nos importa: los fundadores brown y Black que están lanzando herramientas de analytics ahora mismo — los que intentan pasar de la demo — necesitan construir esta capa antes que los modelos, o su producto se va a ver como un truco de fiesta para el mes tres.