La Adherencia de IA es un análisis automático que evalúa qué tan bien preparado está su modelo de datos de Power BI para ser utilizado por un asistente de IA. La puntuación generada indica el nivel de calidad y claridad del dataset: cuanto mayor sea el score, más precisas y confiables serán las respuestas del asistente.
Adherencia de IA
Un modelo mal estructurado o con nomenclaturas confusas dificulta la generación de consultas DAX correctas por parte de la IA, impactando directamente en la experiencia del usuario final.
Para verificar la Adherencia a la IA: Power Pilot – IA > Asistente Gen2 > Acciones > Adherencia a la IA
%20(1)%20(1)%20(1).png)
Score general y categorías
El resultado se presenta como un score de 0 a 100, compuesto por seis categorías con pesos distintos:
%20(1).png)
| Categoría | Peso | Qué evalúa |
|---|---|---|
| Modelado | 15% | Estructura del modelo: relaciones, tablas aisladas y organización general |
| Nomenclatura | 30% | Claridad de los nombres de tablas, columnas y medidas |
| Descripciones | 20% | Presencia de descripciones en tablas, columnas y medidas visibles |
| Redundancia | 15% | Existencia de columnas o medidas duplicadas o innecesarias |
| Higiene de los datos | 10% | Calidad de los datos: nulos, formato y consistencia |
| Medidas explícitas | 10% | Uso de medidas DAX en lugar de agregaciones implícitas |
Escala de clasificación:
| Rango | Clasificación |
|---|---|
| 90 – 100 | Excelente |
| 75 – 89 | Bueno |
| 50 – 74 | Regular |
| 0 – 49 | Crítico |
Información de la ejecución
Cada análisis registra los siguientes metadatos:
| Campo | Descripción |
|---|---|
| Analizado el | Fecha y hora de la ejecución |
| Versión del analizador | Versión del motor de análisis utilizado |
| Modelo de IA | Modelo LLM utilizado para interpretar el dataset |
| Tokens utilizados | Cantidad de tokens consumidos (entrada / salida) |
| Costo estimado | Costo aproximado en dólares del análisis |
| Duración | Tiempo total de ejecución en milisegundos |
Problemas detectados
Debajo del score se listan todos los problemas identificados, organizados por categoría y severidad. Cada elemento incluye la ubicación (tabla, columna o medida afectada), la descripción del problema y una sugerencia de la IA sobre cómo corregirlo.
Ejemplos de problemas comunes:
| Categoría | Problema | Sugerencia |
|---|---|---|
| Modelado | Tabla sin ninguna relación | Conéctela al modelo o elimínela: las tablas aisladas raramente permiten que la IA cruce datos |
| Nomenclatura | Nombre con caracteres especiales (ej: Atingimento de meta comp.) |
Use solo letras, dígitos y espacios |
| Nomenclatura | Nombre poco claro (ej: AnoMesINT, Coluna 1, Texto) |
Renómbrelo con algo descriptivo y explícito sobre el contenido |
| Descripciones | Tabla sin descripción | Documente qué representa cada tabla: la IA usa esto para elegir las tablas correctas al generar DAX |
| Descripciones | Columna visible sin descripción | Describa el significado y la unidad de la columna |