El 8 de octubre, Anthropic lanzó Claude Dashboards. Conecta una fuente de datos, describe en lenguaje natural lo que necesitas y Claude puede escribir el SQL, crear visualizaciones y construir un panel que se sigue actualizando.
Mi primera reacción fue: esto se solapa con varias ideas que he estado explorando en DuckLocal.
DuckLocal es una herramienta de datos de escritorio local-first que estoy construyendo con DuckDB y GPUI. Más allá de consultar y explorar archivos, he estado trabajando en paneles declarativos que permiten que los agentes de IA participen en el análisis y la visualización.
Por eso Claude Dashboards fue más que un lanzamiento interesante. Me hizo replantear hacia dónde debe ir DuckLocal a continuación.
1. ¿Qué hace Claude Dashboards?
Crear un panel de forma tradicional significa conectar una base de datos, entender su esquema, escribir SQL, elegir gráficos y métricas, configurar filtros, ordenar el diseño y publicar el resultado. Ninguno de esos pasos es especialmente raro para un analista, pero juntos siguen siendo una barrera importante para el resto.
Claude Dashboards lleva esos pasos a una interacción en lenguaje natural. Un usuario podría preguntar:
Analiza la evolución de nuestros ingresos en los últimos seis meses, desglósala por región y muéstrame la parte del negocio que más está creciendo.
Claude puede generar las consultas y los gráficos a partir de los datos conectados. Admite plataformas como Snowflake, BigQuery, Redshift, Databricks y ClickHouse, y los conectores pueden traer datos de sistemas de negocio como Salesforce.
Dos decisiones de diseño me llamaron la atención.
Un panel se convierte en un objeto de análisis que sigue evolucionando
El panel no es solo una presentación final. El usuario puede seguir pidiendo a Claude que cambie un gráfico, añada un filtro o investigue otra dimensión sin rehacer el panel a mano.
El SQL detrás de cada gráfico sigue siendo visible
Los usuarios pueden inspeccionar no solo el resultado, sino también cómo se calculó. La IA puede bajar la barrera del análisis, pero no debería convertirlo en una caja negra que no se pueda inspeccionar.
2. ¿Qué confirma Claude Dashboards?
He mantenido una idea durante todo el desarrollo de DuckLocal:
Un panel no debería ser una página estática al final de un flujo de BI. Debería ser un espacio de trabajo donde personas y agentes de IA analizan datos juntos.
El BI tradicional suele consistir en que un analista crea un panel y se lo entrega a los usuarios de negocio. Cuando alguien cuestiona una métrica, vuelve al analista, que actualiza el SQL o añade otro gráfico.
Un agente de IA puede cambiar ese bucle. Una persona hace una pregunta; el agente explora los datos y crea un panel. Cuando la persona nota algo inesperado, pide al agente que ajuste la consulta o investigue más.
El panel pasa de la información en un solo sentido a una interacción analítica en dos sentidos. Claude Dashboards me dio más confianza en que esta dirección merece explorarse.
Que una gran empresa entre en un espacio no demuestra por sí solo que haya demanda comercial. Sí muestra que el análisis en lenguaje natural, el SQL y los paneles se han convertido en un área de inversión activa para los productos de IA. Puede que los usuarios no necesiten más gráficos, sino un camino más rápido hacia respuestas fiables.
3. Dos lecciones que saqué de Claude Dashboards
DuckLocal v0.2.1 incorpora dos capacidades relacionadas con esta dirección.
Que personas y agentes colaboren en torno a un gráfico
La primera son los comentarios en paneles (Dashboard Comments). Una persona puede dejar una pregunta directamente sobre un gráfico de DuckLocal:
¿Por qué se disparó la tasa de errores en este periodo? Investígalo, por favor.
Un agente puede leer el comentario a través de la CLI de DuckLocal, analizar el problema y responder. La persona puede continuar la conversación o marcar el hilo como resuelto cuando la pregunta queda cerrada. Los comentarios viven junto al panel, en un archivo .dash.comments.json, así que el flujo de trabajo no necesita un servicio de colaboración en la nube.
.dash, donde un agente puede leerlo y responderlo con ducklocal comments.El modelo que quiero establecer es:
La persona hace preguntas y emite juicios. El agente ejecuta el análisis. El panel es su contexto compartido.
El análisis útil rara vez llega de una sola vez. Emerge de preguntas, pruebas y correcciones.
Hacer del SQL la base inspeccionable del análisis
La segunda capacidad es la inspección del SQL de los gráficos. DuckLocal v0.2.1 puede mostrar el último SQL ejecutado realmente para cada gráfico de un panel, con las fuentes de datos y los valores actuales de los filtros expandidos. El usuario puede copiar ese SQL o abrirlo en una pestaña de consulta para modificarlo y ejecutarlo.
Un gráfico generado por IA puede parecer correcto aunque su cálculo sea erróneo. Una métrica de crecimiento puede usar un rango de tiempo equivocado u omitir parte del negocio. Mostrar solo la imagen final hace que esos errores sean difíciles de detectar.
Exponer el SQL hace que el análisis sea más transparente. En el trabajo financiero, de auditoría y de seguridad en particular, un resultado debería ser inspeccionable y reproducible, no solo fácil de entender.
Documentación relacionada: Revisar un panel con comentarios · Leer y responder comentarios desde la CLI
4. ¿En qué se diferencian Claude Dashboards y DuckLocal?
Ambos productos buscan bajar la barrera del análisis de datos y hacer de los paneles algo que la gente pueda seguir explorando, inspeccionando y cambiando. Aun así, su posicionamiento y sus modelos de funcionamiento son distintos.
| Dimensión | Claude Dashboards | DuckLocal |
|---|---|---|
| Posicionamiento | Análisis y paneles impulsados por IA | Espacio de trabajo de datos de escritorio local-first |
| Entorno de ejecución | Producto en la nube de Claude | Aplicación de escritorio local |
| Acceso a los datos | Conectores a plataformas de datos y sistemas de negocio | Ejecución local con DuckDB y conexiones externas explícitas cuando hacen falta |
| Modelo de panel | Se genera y se cambia con lenguaje natural | Archivos de texto declarativos con CLI y flujos de agentes |
| Colaboración con IA | Principalmente mediante una conversación con Claude | Mediante la CLI y comentarios adjuntos a los gráficos |
| Transparencia del SQL | Ver el SQL detrás de un gráfico | Ver, copiar y abrir el SQL que se ejecutó realmente |
| Modelo de código | Producto comercial cerrado | Código abierto con Apache-2.0 |
| Privacidad y control | Servicio en la nube y modelo de permisos de los conectores | Ejecución local con control explícito sobre el almacenamiento y el acceso a la red |
DuckLocal no necesita competir con Claude Dashboards función por función. Las mayores fortalezas de Claude son el modelo en sí y su integración con fuentes de datos empresariales y otras herramientas. Para una empresa que ya usa Claude y plataformas de datos en la nube, esa experiencia encaja de forma natural.
Pero sigue habiendo otro tipo de necesidad: no todos los conjuntos de datos deben estar en un servicio de IA, y no todos los análisis necesitan una plataforma de datos en la nube.
Explorar un CSV local, auditar un conjunto de datos financiero exportado o investigar registros de seguridad con información sensible puede no requerir más que un entorno de análisis local. DuckLocal es local-first para que esos trabajos ocurran en el propio dispositivo del usuario.
El software local no cumple automáticamente todos los requisitos de cumplimiento normativo. Sí da a los usuarios un control más directo sobre dónde se guardan los datos, dónde se ejecutan las consultas y cuándo se usa la red.
La privacidad tiene que ser comportamiento del producto, no una promesa en el README
En v0.2.1 cambié la forma de instalar las extensiones de DuckDB. Antes, cierto SQL podía provocar que DuckDB descargara una extensión de la red automáticamente. DuckLocal ya no lo hace por defecto; el usuario tiene que instalar una extensión de forma deliberada desde la página Extensiones. Las comprobaciones automáticas de actualización también están desactivadas por defecto.
En un producto local-first, la privacidad no puede quedarse en una línea del README. Tiene que notarse en los valores por defecto.
El código abierto es otra diferencia importante. Los usuarios pueden inspeccionar el código y la lógica de tratamiento de datos, y luego modificar el producto según sus requisitos. En trabajos con exigentes restricciones de privacidad y seguridad, esa capacidad de inspección y control puede convertirse en una ventaja duradera.
5. Siguiente paso: hacer del panel un verdadero espacio de trabajo entre personas y agentes
Los paneles de DuckLocal ya tienen configuración declarativa, consultas SQL, visualizaciones y comentarios en los gráficos. Todavía están lejos del entorno de análisis entre personas y agentes que tengo en mente.
Mi próxima prioridad no es añadir tantos tipos de gráfico como sea posible. Es conectar los pasos del análisis:
- Una persona hace una pregunta sobre un gráfico; el agente entiende los datos y el SQL del gráfico y continúa la investigación.
- El agente hace más que responder: propone cambios en el panel a partir de lo que encontró.
- La persona inspecciona el SQL, el razonamiento y los cambios antes de decidir si los acepta.
- El panel registra no solo el resultado final, sino también las preguntas, los hallazgos y las decisiones que lo produjeron.
Quiero que DuckLocal sea más que una GUI de DuckDB y más que una herramienta de BI: un espacio de trabajo de datos local donde personas y agentes de IA puedan seguir trabajando juntos sobre los mismos datos.
6. Reflexiones finales
Claude Dashboards apunta a una convergencia más profunda del lenguaje natural, el SQL y la visualización de datos.
Los paneles generados por IA son el primer paso. La colaboración sostenida entre personas e IA en torno a los datos es el problema más interesante.
Claude está pasando de asistente de IA a espacio de trabajo de análisis de datos. DuckLocal parte de la dirección contraria: una herramienta de datos local que va añadiendo colaboración con agentes. Sus orígenes y caminos difieren, pero se acercan a algunas de las mismas preguntas.
Quiero que DuckLocal siga anclado en tres principios:
Local-firstCódigo abiertoColaboración entre personas y agentes
Los usuarios deben controlar sus datos. El análisis debe ser transparente. La IA debe colaborar con la persona que analiza los datos, no convertirse en una caja negra que no puede inspeccionar. Por eso sigo construyendo DuckLocal.