Traducido del original en inglés. Las cifras y las fuentes no cambian. Leer el original en inglés
Grab
Los agentes de análisis de Grab responden más solicitudes de datos sin un analista
Grab utiliza agentes de IA dentro de Slack y de un portal interno para que los equipos de negocio hagan preguntas sobre datos en lenguaje natural. Grab indica que, en un canal de autoservicio, la proporción de solicitudes resueltas sin intervención humana aumentó en tres tipos de solicitud entre marzo y mayo de 2026.
Cifras clave
Copiadas literalmente de las fuentes. Copie cualquier cifra con su cita.
del 53 % al 67 %
Proporción de preguntas sobre métricas en un canal de autoservicio de Slack resueltas sin intervención humana (de marzo a mayo de 2026)1
del 63 % al 90 %
Proporción de extracciones de datos en el mismo canal resueltas sin intervención humana (de marzo a mayo de 2026)1
del 50 % al 81 %
Proporción de solicitudes de SQL en el mismo canal resueltas sin intervención humana (de marzo a mayo de 2026)1
del 44 % al 30 %
Proporción de tickets de analistas cerrados que eran trabajo mecánico, como preparación de datos, alertas e informes (de febrero a junio de 2026)1
Qué requirió
Las fuentes no divulgan el coste, el tamaño del equipo ni los plazos.
El problema
Casi todas las decisiones de Grab dependen de datos. Los equipos de negocio esperaban a que los analistas prepararan los datos, escribieran consultas y elaboraran informes, de modo que el rendimiento estaba limitado por la rapidez con que trabajaban los analistas. Grab quería que cualquiera que tomara una decisión de negocio obtuviera respuestas fiables de inmediato.
Qué construyeron
Grab construyó varios agentes de IA para el análisis. Spartan responde en lenguaje de negocio sencillo dentro de Slack, desde preguntas de causa raíz, como por qué cayeron los ingresos en un mercado, hasta resúmenes de experimentos. Scarlet reacciona cuando falla un flujo de datos: encuentra la causa y luego la corrige o la pasa al equipo responsable. BriX es un portal interno donde los analistas configuran una sola vez una herramienta de análisis a medida para un equipo y la ejecutan en Slack, en una herramienta de programación o de forma programada.
Cómo lo hicieron
Los agentes responden a partir de métricas certificadas, es decir, definiciones de métricas que Grab ha aprobado, y no a partir de la memoria del modelo. Spartan dirige cada pregunta a una de más de 50 habilidades y 120 marcos de análisis. Un sistema llamado ContextIQ mantiene actualizado el contexto escrito de cada métrica, y cada vez que un agente falla en producción Grab corrige el contexto que lo sustenta. Los ingenieros de datos se encargan de BriX, de la plataforma y de la cola de soporte, sin gestor de producto ni diseñador.
Resultados
En un canal de Slack con agentes de autoservicio activados, la proporción de preguntas sobre métricas resueltas sin intervención humana subió del 53 % al 67 % entre marzo y mayo de 2026. Las extracciones de datos pasaron del 63 % al 90 % y las solicitudes de SQL del 50 % al 81 %. Grab también indica que la parte mecánica de los tickets de analistas cerrados bajó del 44 % en febrero al 30 % en junio, y que los tiempos de ciclo se redujeron en aproximadamente un tercio.
Qué replicar
Mida la automatización por tipo de solicitud, no como un único promedio. Invierta primero en definiciones y contexto. Planifique qué harán los analistas con el tiempo recuperado.
Todas las cifras comunicadas
| Indicador | Cifra | Cita |
|---|---|---|
| Proporción de preguntas sobre métricas en un canal de autoservicio de Slack resueltas sin intervención humana (de marzo a mayo de 2026) | del 53 % al 67 %1 | |
| Proporción de extracciones de datos en el mismo canal resueltas sin intervención humana (de marzo a mayo de 2026) | del 63 % al 90 %1 | |
| Proporción de solicitudes de SQL en el mismo canal resueltas sin intervención humana (de marzo a mayo de 2026) | del 50 % al 81 %1 | |
| Proporción de tickets de analistas cerrados que eran trabajo mecánico, como preparación de datos, alertas e informes (de febrero a junio de 2026) | del 44 % al 30 %1 | |
| Reducción del tiempo de ciclo de los tickets (T1 frente a T2, según el gráfico de Grab) | ~33 %1 | |
| Crecimiento del uso del portal BriX desde septiembre de 2025 | más de 10 veces1 |
Lecciones para su proyecto
Siga la proporción de solicitudes cerradas sin intervención humana por tipo de solicitud. Grab informa por separado de las preguntas sobre métricas, las extracciones de datos y el SQL, lo que muestra dónde son más fuertes los agentes.
Certifique las definiciones de las métricas antes de añadir agentes. Grab afirma que las definiciones poco claras causan la mayoría de los malos resultados analíticos, y corrige los documentos de contexto cada vez que un agente falla.
Ponga los agentes donde la gente ya pide ayuda. El canal de Slack de Grab lo usan sobre todo personas ajenas al equipo de análisis.
Reoriente a propósito el tiempo liberado de los analistas. Grab lo destinó a flujos de autoservicio y a análisis más profundos, y mide la parte mecánica de los tickets.
Salvedades
- Todas las cifras son de Grab, de una única entrada de su blog de ingeniería. Ningún tercero las confirma.
- La entrada no nombra los modelos de IA detrás de Spartan, Scarlet o BriX. Menciona una herramienta de diseño llamada Claude Design solo para la interfaz del portal, lo que no indica qué modelo ejecuta los agentes.
- La entrada dice que algunas exploraciones se ejecutan en producción y otras siguen siendo experimentos. No dice cuáles son cuáles ni da fecha de lanzamiento. La fecha de despliegue que se muestra es la de la entrada.
- La cifra del tiempo de ciclo se indica como ~33 % y se basa en un gráfico de T1 frente a T2 que no se podía leer en el texto. Las cifras por canal abarcan un solo canal de Slack, no todo el trabajo de análisis.
- Grab también ofrece una estimación de 230 a 470 días laborables de acumulación evitada. Es un supuesto de 1 a 2 días por ticket, por lo que no se utiliza aquí.
- No se indica coste, tamaño del equipo ni tiempo de desarrollo de los propios agentes.
Fuentes
- How AI is transforming analytics at Grab
Grab Engineering Blog · 2026-08-01 · Blog corporativo · engineering.grab.com
Resumido con nuestras propias palabras a partir de las fuentes anteriores. ¿Ha detectado un error? Consulte correcciones.