Sally Xu, del equipo de ciencia de datos de xAI, publicó el 2 de noviembre en el sitio oficial un artículo que presenta Data Bot, un bot compartido que el equipo montó dentro de Grok Bot. Consulta el almacén de datos, hace análisis, devuelve los resultados en el formato al que está acostumbrado quien pregunta y además puede entrar en canales de Slack. El artículo calcula que la semana pasada procesó unas 70 horas de trabajo que normalmente habrían recaído en el equipo de ciencia de datos.
La cifra es una estimación interna y no incluye explicación del método estadístico. La firma de la página es SpaceXSI, ya que xAI se fusionó con SpaceX este año. Sobre el tamaño del equipo, el texto solo dice que es “pequeño”, sin dar el número de personas, así que desde fuera no se puede calcular qué peso tienen esas 70 horas.
Lo que se le enseñó son cuatro tipos de reglas
Data Bot funciona sobre la función de bots de equipo de Grok Bot, y sus capacidades provienen de habilidades compartidas que mantiene el equipo de datos, divididas en cuatro categorías:
- Métricas y análisis: definiciones unificadas de las métricas clave, como usuarios activos e ingresos, con las tablas de origen y la lógica de consulta; cuando una métrica oscila, primero se desglosa por segmento de mercado y región, luego se contrastan los festivos y el registro de cambios del producto, y solo después se llega a una conclusión.
- Experimentos: configuración de pruebas A/B, análisis de potencia, comprobación del equilibrio de exposición y del sesgo muestral, planificación del despliegue; el informe de conclusiones solo se redacta cuando la potencia es suficiente.
- Gráficos y paneles: líneas para las tendencias, barras horizontales para comparar categorías, junto con el tema y la guía de estilo del equipo; los gráficos de la conversación pueden convertirse en paneles de Databricks o Hex.
- Ingeniería de datos: normas para escribir y revisar modelos dbt, convenciones de alertas de pipelines y cómo añadir seguimiento cuando se lanza una función nueva.
Otra pieza es la memoria compartida. El bot anota, por ejemplo, quién es responsable de cierto pipeline o que una caída de métrica en realidad se debió a un festivo regional. Estas memorias nuevas requieren la aprobación de un administrador y solo entonces valen para todos los usuarios. Lo que una persona ha enseñado no hace falta que otra lo repita, y las memorias erróneas tienen un filtro.
Quién lo usa
El artículo menciona el uso que hacen tres compañeros que no son del área de datos.
El gerente de producto Kevin Niparko lo trata como a un colega al que preguntar: obtiene respuestas en pocos minutos y, al repreguntar, no hace falta repetir todo el análisis. Prefiere conclusiones breves acompañadas de un gráfico, y Data Bot responde con ese hábito. Su descripción fue:
“having a data scientist in his pocket”
(tener un científico de datos en el bolsillo.)
Jon Brenner, de marketing de ciclo de vida, le da el ID de una campaña de Braze y pregunta qué hicieron después quienes abrieron el correo. En la promoción de X Subscription usó este método para contar cuántos destinatarios cambiaron realmente de plan, una pregunta que las métricas propias de Braze no pueden responder.
Katy Abbaszadeh, directora de crecimiento de ingresos, lo emplea para medir el impulso de las campañas sobre el embudo de ventas y los acuerdos existentes, seguir los objetivos semanales, averiguar dónde se atasca el avance y convertir los resultados en gráficos para presentaciones.
Dentro de Slack, el bot también ejecuta tareas programadas, como seguir una métrica según las normas del equipo de datos o enviar un informe semanal. Los compañeros pueden repreguntar directamente sobre el informe o pedirle que investigue fluctuaciones anómalas. Los análisis complejos que requieren más criterio siguen en manos del equipo de datos, según el artículo, y el equipo reconoce que aún está explorando qué orientación adicional necesita el bot.
Herramienta interna y producto: dos caminos
En comparación, el último año ofrece varios casos de referencia.
Anthropic hizo pública en junio su práctica interna: al conectar los datos de negocio directamente a Claude, la precisión era solo del 21 %; después de cargarle primero las definiciones y las reglas, Claude podía responder por sí mismo a cerca del 95 % de las preguntas de análisis de datos. OpenAI, en septiembre, añadió un Data agent a ChatGPT Work y siguió el camino del producto: se conecta a fuentes como Snowflake y BigQuery y construye paneles directamente en seis herramientas, entre ellas Tableau y Power BI.
El artículo de xAI se parece más al camino de Anthropic: un equipo interno convierte el conocimiento tácito en habilidades y el modelo es solo el ejecutor. A diferencia de Anthropic, xAI no publica la precisión, ni una comparación de antes y después, ni explica cómo se detectan las respuestas erróneas. Para los gerentes de producto y los profesionales de marketing que preguntan, y que a menudo no pueden verificar por sí mismos una consulta SQL, ese vacío pesa más que las 70 horas a la hora de saber si otras empresas pueden replicarlo.
Con los permisos ocurre lo mismo. El artículo menciona que las actualizaciones de memoria requieren aprobación, pero no dice quién puede consultar qué tablas. En un bot abierto a toda la empresa y conectado al almacén de datos, cómo se delimita el acceso a los datos de ingresos y de usuarios no se explica en el texto.
Tampoco dice el artículo si hay planes de vender Data Bot externamente. Grok Bot, en la página, puede descargarse y se puede contactar con ventas; en octubre de este año además empezó a asignar a los usuarios buzones de correo propios. Si los clientes externos podrán usar la función de bots de equipo en la misma medida dependerá de las futuras explicaciones de producto de xAI.
Fuentes: blog oficial de xAI, CocoLoop, cuenta oficial de Grok Bot; las 70 horas corresponden a la estimación interna del equipo, y los datos de comparación de Anthropic y OpenAI proceden de comunicados anteriores de ambas empresas.