Qué es una capa semántica y por qué tu IA la necesita

¿Qué problema resuelve?

En muchas organizaciones, «ingresos» se calcula de tres formas distintas según el equipo, la herramienta o el analista. Cada cuadro de mando reimplementa la lógica en su propio SQL. El resultado: reuniones discutiendo de quién es el número correcto en vez de qué hacer con él. La capa semántica centraliza esas definiciones para que haya una sola versión de la verdad.

¿Qué contiene una capa semántica?

• Métricas y medidas: definiciones reutilizables (p. ej. ingresos netos = suma de importe − devoluciones).
• Dimensiones y entidades: cliente, producto, región, con sus relaciones y jerarquías.
• Lógica de negocio: filtros, ventanas temporales y reglas que evitan ambigüedad.
• Acceso y permisos: quién puede ver qué, aplicado de forma coherente.

Herramientas como el Semantic Layer de dbt o las capas de métricas de los lakehouse modernos permiten declarar estas definiciones como código, versionarlas y exponerlas vía API a BI, hojas de cálculo y aplicaciones.

¿Qué relación tiene con el catálogo de datos?

Son complementarios. El catálogo (DataHub, OpenMetadata) responde a «qué datos existen, de dónde vienen y quién los gobierna»: descubrimiento, linaje y metadatos. La capa semántica responde a «qué significan y cómo se calculan los conceptos de negocio». Juntos dan contexto y confianza: encuentras el dato y lo interpretas igual que el resto de la organización.

¿Por qué la IA la necesita?

Cuando un agente o un asistente conversacional traduce «¿cuánto vendimos el trimestre pasado en LatAm?» a una consulta, necesita saber exactamente qué es «vendimos», qué periodo es «el trimestre pasado» y qué países componen «LatAm». Sin una capa semántica, el modelo improvisa la lógica y puede devolver cifras plausibles pero incorrectas —el peor escenario, porque parecen fiables. Con una capa semántica, el agente consulta definiciones validadas y sus respuestas se vuelven auditables.

La capa semántica es el puente entre el lenguaje del negocio y el lenguaje de los datos; sin ese puente, la IA conversacional sobre datos es un generador de cifras verosímiles.

Si planeas conectar agentes o asistentes a tus datos —por ejemplo mediante arquitectura MCP—, definir primero la capa semántica evita que la IA opere sobre conceptos ambiguos.