Construye un flujo de analítica para CSV y SQL con cálculos verificados, procedencia, controles de privacidad y un informe ejecutivo reproducible.
Escenario
Un analista recibe un CSV y una extracción SQL y debe preparar conclusiones para dirección. La IA ayuda a explorar los datos, pero cada cifra y afirmación debe verificarse y ser reproducible.
Resultado: La calidad de los datos, el significado de los campos y los riesgos de privacidad se conocen antes del análisis.
Tareas
Comprobaciones
Resultado: Las hipótesis y los cálculos necesarios quedan separados de la narrativa generada por IA.
Tareas
Comprobaciones
Resultado: Los resultados pueden reproducirse de forma independiente del modelo.
Tareas
Comprobaciones
Resultado: La narrativa no supera los límites de la evidencia.
Tareas
Comprobaciones
Rúbrica de evaluación
El schema, las definiciones, la privacidad y las reglas de calidad son explícitos.
Insuficiente
Los campos y métricas son ambiguos.
Competente
Las definiciones y checks están documentados.
Sólido
Existe una capa de métricas reutilizable y tests de datos automatizados.
Evidencia requerida
Las cifras clave son reproducibles con código determinista.
Insuficiente
El modelo genera cifras en el texto.
Competente
Las métricas clave están verificadas.
Sólido
Hay reconciliación independiente y regression checks.
Evidencia requerida
Los claims están vinculados a una query, fórmula o source slice.
Insuficiente
Las conclusiones no tienen evidencia.
Competente
Cada claim clave tiene provenance.
Sólido
El lineage se genera automáticamente.
Evidencia requerida
El informe incluye caveats y confidence y no excede la evidencia.
Insuficiente
Hay claims sin respaldo.
Competente
Claims, caveats e incertidumbre son explícitos.
Sólido
Incluye adversarial review y un resumen adaptado a la audiencia.
Evidencia requerida