Puedes preguntar a Google Analytics con IA, pero debes comprobar sus respuestas antes de decidir. Define periodo, indicador y comparación; contrasta después el resultado con informes y registros del negocio. La API conversacional de Google está en versión alpha y no corrige eventos ausentes, errores de medición ni conclusiones causales que los datos no permiten demostrar.
¿Qué ha cambiado realmente en Google Analytics y por qué importa?
Hasta ahora, muchas empresas consultaban sus datos a través de informes prediseñados, exploraciones o paneles preparados por alguien con conocimientos de analítica. Si la persona responsable de marketing quería saber por qué una campaña recibía visitas pero generaba pocas solicitudes, necesitaba localizar dimensiones, métricas, filtros y periodos adecuados. La conversación empezaba fuera de la herramienta: «¿Puedes sacar este informe?». El trabajo no era solo obtener un número, sino definir exactamente qué significaba.
La documentación de Google registra el 14 de septiembre de 2026 la incorporación del método properties.chat a la Data API v1alpha. Permite enviar una pregunta en lenguaje natural, continuar la conversación mediante un identificador de sesión y recibir bloques de texto o tablas. El producto se relaciona con Ask Advisor, disponible también como experiencia de consulta en Google Analytics. Que exista una API no significa que todas las cuentas, integraciones o proveedores externos ofrezcan idéntica experiencia. Conviene verificar disponibilidad y permisos en el entorno real.
La oportunidad para una pyme no es «tener una IA que lo sabe todo». Es acercar la lectura de datos a quien decide promociones, revisa contenidos o coordina ventas. La limitación es igualmente importante: una herramienta conversacional trabaja sobre lo que se ha medido, con los errores y ausencias de esa medición. Si un formulario no dispara su evento o un consentimiento impide determinada recogida, ninguna frase bien escrita arreglará ese hueco.
¿Qué preguntas de negocio merece la pena hacer primero?
Empieza por una decisión concreta, no por pedir «analiza mi negocio». Una tienda puede preguntar qué páginas de producto reciben visitas orgánicas y cuáles llegan a una acción de interés; una empresa de servicios puede comparar las visitas a su página de contacto por canal; una academia puede observar el recorrido hasta el formulario de información. Estas son preguntas posibles, no resultados medidos de ningún cliente de meiika.
Una buena pregunta fija cuatro elementos: periodo, segmento, indicador y comparación. Por ejemplo: «Compara las sesiones de búsqueda orgánica en móvil y ordenador durante el último mes completo y muestra las páginas de destino». Después puedes pedir que separe la respuesta en tabla, interpretación y dudas. Si la pregunta mezcla usuarios, sesiones, conversiones y facturación sin precisar definiciones, el sistema puede contestar algo aparente pero difícil de contrastar.
También es útil formular preguntas negativas. «¿Qué no podemos concluir con estos datos?» obliga a revisar si falta información sobre campañas, llamadas, devoluciones o calidad del lead. Una bajada en sesiones no demuestra por sí misma una caída en ventas. Un aumento de formularios tampoco garantiza más clientes. La analítica es una descripción parcial de comportamientos registrados, no una explicación automática de todas sus causas.
Para equipos pequeños funciona bien un repertorio compartido de preguntas: adquisición, comportamiento, formularios, rendimiento de páginas y cambios frente al periodo anterior. No conviertas cada consulta en un KPI nuevo. Mantén pocas definiciones estables y documenta por qué se comparan. La continuidad hace que una conversación sobre datos sea útil en la reunión siguiente, en lugar de convertirse en una colección de capturas sin contexto.
¿Cómo comprobar una respuesta de IA antes de usarla en una decisión?
La primera comprobación es semántica. Revisa si el sistema ha entendido «usuarios» o «sesiones», si ha utilizado la zona horaria de la propiedad, qué eventos considera relevantes y si compara periodos de igual duración. La segunda es técnica: abre el informe convencional de GA4 o ejecuta una consulta equivalente con la API de informes cuando sea posible. La tercera es empresarial: contrasta lo observado con el CRM, los pedidos o las solicitudes reales, sin exigir que fuentes distintas coincidan siempre al céntimo o al evento.
Google avisa en la referencia de properties.chat de que el producto usa IA y puede mostrar información inexacta. Por eso es recomendable guardar junto a cada conclusión la pregunta exacta, el periodo, las dimensiones y la fecha de consulta. Si el resultado se usa para decidir un presupuesto, incluye una nota de qué se verificó y qué sigue siendo hipótesis. No atribuyas automáticamente a una campaña un cambio que también podría deberse a estacionalidad, etiquetado o modificaciones de la web.
Cuando aparecen cifras extrañas, empieza por los fundamentos: etiqueta instalada, consentimiento, eventos duplicados, parámetros UTM, conversiones o eventos clave y exclusiones aplicadas. Si una landing ha cambiado de URL, comprueba si el informe sigue agrupando las visitas como esperabas. Si comparas móvil y ordenador, verifica que el indicador es comparable. El valor de preguntar con lenguaje natural aumenta cuando existe una base de medición fiable; no la sustituye.
No compartas sin necesidad capturas con información sensible. Si un resumen sale hacia un canal de equipo, decide qué destinatarios deben verlo, cuánto tiempo se conserva y qué detalles pueden exponerse. Una respuesta útil para dirección puede no ser adecuada para una conversación abierta a toda la plantilla. La accesibilidad de la información exige una política de acceso, no solo un botón cómodo.
¿Cuándo tiene sentido automatizar un informe conversacional?
Automatizar tiene sentido cuando la misma pregunta aparece cada semana y alguien debe revisarla antes de actuar. Por ejemplo, un informe interno puede solicitar una comparación de canales y adjuntar una tabla para que la responsable de marketing revise si hay anomalías. La documentación oficial explica que la respuesta de properties.chat puede incluir bloques de texto y tablas, y que sessionId permite mantener el contexto entre consultas. También describe cuotas de tokens por hora y por día consultables en la respuesta cuando se solicita esa información.
Un diseño prudente separa extracción, interpretación y decisión. Primero se obtienen los datos; después se genera un comentario que identifique posibles cambios; finalmente, una persona decide si hay que investigar. No es recomendable conectar directamente una conclusión de IA con una subida de inversión publicitaria o con el apagado de campañas. La herramienta puede ayudar a priorizar preguntas, pero una acción económica requiere evidencias adicionales.
Define qué sucede si la API devuelve un error, una respuesta vacía o una tabla sin las columnas esperadas. Guarda un estado «sin verificar» en vez de sustituir silenciosamente el dato por cero. Un cero es una cifra; la ausencia de dato es otra cosa. Registra la consulta y la versión de la lógica que la interpreta. Así podrás revisar qué ocurrió si alguien pregunta de dónde salió una recomendación.
No hace falta empezar por un agente autónomo. Un flujo sencillo que prepare un resumen para revisión puede ser más útil y menos arriesgado. La complejidad técnica solo compensa cuando resuelve una necesidad repetida. Si nadie utiliza el informe para decidir nada, automatizarlo añade ruido. Antes de construir, identifica quién lo leerá, qué hará después y cómo sabrá que la respuesta es fiable.
¿Qué permisos y límites hay que revisar antes de integrar la API?
La referencia de Google exige OAuth con el ámbito https://www.googleapis.com/auth/analytics.chatbot.read para properties.chat. Es distinto de los permisos de otras operaciones de informes. La persona o aplicación también necesita acceso adecuado a la propiedad de Analytics. No copies credenciales en documentos compartidos ni concedas acceso administrativo por comodidad. La gestión de tokens, secretos y permisos debe corresponder al responsable técnico del sistema.
El método está documentado en v1alpha. Esa etiqueta importa: antes de incorporarlo a un proceso crítico, comprueba estabilidad, disponibilidad, cuotas, errores y cambios de documentación. Una demostración con una pregunta acertada no prueba que la integración soporte todos los casos. Incluye pruebas de periodos sin datos, nombres de eventos personalizados, preguntas ambiguas y fallos de autorización.
Hay otro límite que suele olvidarse: el de la interpretación. Una pregunta como «¿por qué bajaron los contactos?» puede generar una explicación plausible sin demostrar causalidad. Pide al sistema que diferencie hechos observados, hipótesis y comprobaciones pendientes. Mantén en el informe los enlaces o referencias al conjunto de datos que se ha consultado. No publiques cifras comerciales ni afirmaciones sobre clientes si no existe evidencia verificable.
| Comprobación | Qué registrar | Cuándo detener la decisión |
|---|---|---|
| Pregunta | Periodo, segmento y métrica | Definición ambigua |
| Respuesta | Tabla e interpretación separadas | Falta el dato consultado |
| Contraste | Informe y registro de negocio | Diferencia sin explicar |
| Acción | Responsable y evidencia revisada | Solo existe una hipótesis |
Cómo lo hemos abordado en meiika
En meiika planteamos la medición y Growth & MarTech alrededor de preguntas que permiten decidir. Antes de automatizar un resumen, conviene identificar qué datos existen, quién los revisa y qué conclusión todavía no se puede sostener.
También estudiamos sistemas a medida que conecten información y revisión humana. Aquí describimos criterios de diseño; no presentamos un panel implantado ni resultados de clientes.