Nadie memoriza DAX de verdad. Ni los analistas con 5 años escribiendo medidas en Power BI se acuerdan de memoria de la sintaxis de CALCULATE con múltiples filtros — la buscan, la ajustan y la prueban. La diferencia en 2026 es que ya no hace falta buscarla en un foro: se la pides a una IA, revisas el resultado y lo ajustas al contexto de tu modelo de datos. Eso es justo lo que enseña la Especialización en Analítica de Datos con IA en su sesión dedicada a DAX, y te lo muestro con ejemplos reales de prompts.
Por qué DAX es distinto a pedirle código a un chatbot
Pedirle a ChatGPT o Claude una fórmula DAX suelta casi nunca funciona a la primera, y no es porque la IA "no sepa DAX". El problema es de contexto: DAX depende totalmente de tu modelo de datos — qué tablas están relacionadas, en qué dirección, si hay una tabla de fechas marcada como tal, si la medida necesita ignorar filtros o respetarlos. Sin ese contexto, la IA te devuelve una fórmula sintácticamente correcta que calcula mal en tu dashboard. El truco no es "mejor prompting" genérico: es describirle tu modelo antes de pedir la medida.
El prompt que sí funciona (con ejemplo)
En vez de escribir "dame una medida DAX para calcular el crecimiento año contra año", el prompt que de verdad produce algo usable describe el modelo primero:
"Tengo una tabla Ventas relacionada con una tabla Calendario marcada como tabla de fechas (relación uno a muchos desde Calendario). Necesito una medida que calcule el crecimiento porcentual de la suma de Ventas[Monto] contra el mismo período del año anterior, usando SAMEPERIODLASTYEAR. Debe devolver en blanco si no hay datos del año anterior."
Esa diferencia —describir la relación entre tablas y el comportamiento esperado en los bordes (qué pasa si no hay dato previo)— es lo que separa una medida que compila de una que calcula bien. Es también la parte que un curso de YouTube de 10 minutos no te enseña, porque requiere mostrarte un modelo de datos real, no una fórmula aislada.
Tres medidas donde la IA ahorra más tiempo
- ▸Comparativas de período (mes contra mes, año contra año, acumulado del año) — son las que más varían según cómo esté armada tu tabla de calendario.
- ▸Medidas con múltiples condiciones anidadas (SWITCH con varios escenarios) — fáciles de pedir, tediosas de depurar a mano cuando hay cinco o seis condiciones.
- ▸Rankings y percentiles dinámicos que cambian según el filtro que el usuario aplica en el dashboard — ahí el contexto de filtros (ALL, ALLEXCEPT) es justo donde más se traban los analistas junior.
Lo que nadie te dice al usar IA para DAX: la IA te ahorra escribir la sintaxis, no te ahorra entender el modelo. Si tu modelo de datos está mal armado (relaciones bidireccionales donde no debían, sin tabla de calendario), la IA va a reproducir el error con una fórmula que "se ve bien" pero calcula mal.
Depurar errores de DAX con IA sin perder la tarde
El otro uso que ahorra más tiempo no es escribir la medida desde cero, es depurar una que ya tienes y que da un número raro. En vez de pegar solo la fórmula, pega la medida completa, el resultado que esperabas, el que obtuviste y una descripción corta de las tablas involucradas. La IA suele detectar el error clásico —filtro de contexto mal propagado, división entre cero sin manejar, o una relación inactiva que necesitabas activar con USERELATIONSHIP— mucho más rápido que revisando línea por línea. Eso sí: siempre valida el resultado contra un cálculo manual en un caso simple antes de confiar en la medida para un reporte que va a leer gerencia.
De la medida al dashboard que se explica solo
Escribir la medida es la mitad del trabajo. La otra mitad, que la especialización cubre en su última sesión, es usar Copilot para generar narrativas automáticas que acompañen el dashboard: en vez de que el gerente tenga que interpretar por qué bajó un indicador, el propio reporte redacta en texto plano qué cambió y por qué, apoyado en las mismas medidas DAX que ya construiste. Ahí es donde un dashboard deja de ser una tabla bonita y empieza a ahorrarle tiempo real a quien lo lee.
Si quieres ir más allá de Power BI
La misma lógica de "describe el contexto antes de pedir la fórmula" aplica a SQL sobre BigQuery, que es la otra mitad del temario de esta especialización. Si tu stack vive más en BigQuery que en Power BI, el curso BigQuery de Cero a Héroe profundiza esa parte. Y si tu meta es construir una carrera completa de análisis de datos con IA, no solo dominar una herramienta suelta, la ruta Analista de Datos con IA ordena el recorrido completo.
La Especialización en Analítica de Datos con IA dedica 19 horas en 7 sesiones a justo este tipo de flujo: de la pregunta de negocio a la query, el diseño del dashboard, la limpieza de datos automática, DAX con IA y las narrativas que cierran el reporte. Si quieres dejar de perder horas buscando sintaxis en foros, revisa el temario completo en la ficha del curso.
