El equipo de análisis de Grab redujo la participación del trabajo mecánico realizado por analistas humanos del 44% al 30% entre febrero y junio de 2026. La caída de 14 puntos porcentuales fue impulsada por delegación agentica en preparación de datos, alertas e informes. El resultado es un cuello de botella menor de analistas y una separación más clara entre lo que las máquinas deben gestionar y lo que aún requiere juicio humano.
La arquitectura se ejecuta en una escalera de autonomía de cinco niveles, tomada de marcos de codificación con IA. En el Nivel 3 — donde se encuentran la mayoría de las cargas de trabajo de producción de Grab — los humanos enmarcan la pregunta y revisan el resultado. Los agentes manejan todo en el medio: descubrimiento de datos, autoría de consultas, ejecución, verificación de cordura y redacción de borradores. El Nivel 4 desplaza la planificación y orquestación al agente; los humanos revisan en puertas definidas en lugar de cada paso. El Nivel 5 es autonomía de un extremo a otro con humanos estableciendo objetivos, umbrales de calidad y reglas de escalamiento. La responsabilidad humana por definiciones de métricas, interpretación causal y decisiones finales se preserva explícitamente en cada nivel.
El sistema central es Spartan, un flujo de trabajo de análisis agentico de un extremo a otro integrado en Slack. Enruta solicitudes en lenguaje natural a través de 50+ habilidades y 120+ marcos de análisis. Una pregunta de causa raíz—"¿por qué los ingresos cayeron en el segmento de mercado medio de Filipinas en las últimas dos semanas de junio?"—desencadena una ruta de diagnóstico a través de segmento, mercado y tipo de campaña contra métricas certificadas. Una pregunta sobre experimentos extrae un cuadro de mando precomputado de la plataforma de experimentos en lugar de re-consultar el data lake. La distinción de enrutamiento importa: el sistema evita computación innecesaria leyendo la intención de la pregunta antes de tocar ningún dato.
La base de datos que sustenta Spartan es deliberadamente pesada. Grab mantiene 5.000+ tablas y métricas certificadas, 4.000 documentos de contexto y 2.000 registros dorados. ContextIQ — la plataforma que gestiona esta capa — trata el contexto como teniendo un ciclo de vida en lugar de como un documento estático. Una habilidad lee una especificación de instrumentación entrante, propone los cambios SQL que siguen y actualiza el documento de contexto en el mismo paso. El equipo estableció la lógica: "Un agente que no conoce la granularidad de una métrica, sus exclusiones y sus advertencias adivinará y producirá confiadamente resultados erróneos con velocidad y a escala." El contexto es el techo de la calidad del agente; cada fallo de producción se retroalimenta en él.
Scarlet, un agente separado, cubre el lado de las operaciones. Maneja fallos de pipeline ejecutando análisis de causa raíz, aplica correcciones de runbook documentadas automáticamente y escala cuando ninguna puerta definida o runbook cubre el problema. Las excepciones aparecen en Slack. Los tiempos de ciclo en operaciones de análisis cayeron aproximadamente 33% comparando Q1 con Q2 2026.
Los números de autoservicio revelan la parte más notable de la historia. Entre marzo y mayo, la participación de hilos de análisis resueltos sin ninguna participación humana aumentó del 53% al 67% para preguntas de métricas, del 63% al 90% para extracciones de datos y del 50% al 81% para solicitudes SQL. Tres cuartas partes de los hilos ahora se originan fuera del equipo de análisis—de vendedores de publicidad, administradores de campañas y equipos de país. 85% reciben una primera respuesta dentro de un minuto. El portal BriX, que aloja desarrollo de flujos de trabajo de análisis, creció más de 10× en uso desde septiembre y envió 31 implementaciones de producción, 283 solicitudes de extracción y 60 características en H1.
El líder de análisis de Grab, Maanas Prabhakar, planteó la tensión central: "La pregunta más difícil es qué hace un analista cuando un agente maneja la preparación de datos, el análisis y todo lo demás." La respuesta de Grab es que los analistas poseen el encuadre del problema, definiciones de métricas, la historia causal detrás de un movimiento, supuestos comerciales y la decisión de ir/no ir — el bucle, no los pasos dentro de él.
Para equipos de plataforma ML que evalúan delegación agentica: el resultado 44-a-30 requiere una base de 5.000 métricas certificadas. Instrumente su capa de datos antes de instrumentar sus agentes.