🏢 La empresa

Hex es una plataforma de análisis de datos colaborativa en la nube — hex.tech — fundada en 2019 por un grupo de ingenieros que venían de Palantir. Los fundadores se curtieron construyendo productos de datos en Palantir, y arrastraron una costumbre de aquella época: escribir el código y las conclusiones en el mismo notebook, y luego envolverlo todo en colaboración y publicación para el resto.

La apuesta de la compañía es que a los equipos de datos no les faltan herramientas, les falta un sitio donde SQL, Python y los cuadros de mando convivan en la misma página. Hex se vende como el sustituto moderno de Jupyter más una herramienta de BI independiente: ni un notebook de puro código ni un dashboard de arrastrar y soltar, sino el punto medio. En abril de 2025 compró Hashboard, una empresa de visualización BI y modelado semántico, y ese mismo año cerró una Serie C de 70 millones de dólares con Snowflake, a16z, Sequoia y Amplify. Que Snowflake esté detrás es una señal de que Hex tiene asiento en el stack de datos moderno.

📅 Cuándo salió

Hex se lanzó en 2019. Para entonces Jupyter ya llevaba casi una década siendo popular, pero la colaboración y la publicación seguían siendo su punto flaco — Hex apuntó justo a ese hueco.

Los hitos desde entonces: en abril de 2025, la compra de Hashboard para completar la visualización BI y el modelado semántico; más tarde en 2025, la Serie C de 70 millones. En 2024 los ingresos rondaban los 19,8 millones de dólares y más de 1.500 equipos usaban la plataforma. El recorrido se lee así: primero afianzar el notebook colaborativo, después comprar y recaudar para subir de mercado.

🧩 Qué hace

En una frase: deja mezclar celdas de SQL, Python, R y sin código en una interfaz tipo notebook, y luego publicar el resultado como una app de datos interactiva que cualquiera puede abrir. Por partes:

Notebooks multilingües: SQL, Python, R y celdas sin código conviven, de modo que consultas, calculas, graficas y escribes conclusiones en una sola página.
Hex Magic: genera SQL o Python en lenguaje natural y entrega borradores revisables, no resultados de caja negra.
Notebook Agent: un agente impulsado por Claude que planifica y ejecuta análisis de varios pasos — consulta tablas, monta gráficos, escribe conclusiones.
Threads agent: preguntas y respuestas de datos en lenguaje natural, pensado para usuarios de negocio.
Semantic model agent y capa semántica dbt: una sola fuente de verdad para las definiciones de métricas, para que todos citen el mismo número.
Apps de datos interactivas con un clic: convierte un análisis en un cuadro de mando con filtros y desplegables que tus colegas pueden usar de verdad.
Colaboración en tiempo real: edición multiusuario estilo Google Docs, historial de versiones y comentarios en línea.
Ejecuciones programadas y notificaciones: programa un trabajo y recibe el resultado por correo o Slack.
Incrustación: mete resultados dentro de tu propio producto.
Conectores: Snowflake, BigQuery, Databricks, Redshift, Postgres, MySQL y otras fuentes principales.

✨ Puntos fuertes

SQL + Python + cuadros de mando en un entorno: se acabó saltar entre Jupyter, una herramienta de BI y un dashboard — dejas de pagar el impuesto del cambio de contexto.
La ciencia de datos es de primera clase: pandas, scikit-learn, TensorFlow y D3.js corren directamente, así que modelar y presentar van en la misma línea.
La colaboración se siente como Google Docs: edición multiusuario en vivo, comentarios e historial de versiones — lo que siempre les ha faltado a los notebooks.
IA que va de asistir a actuar: Magic genera código, Notebook Agent ejecuta un análisis entero; el nivel de automatización sube por escalones.

🤖 La IA, con franqueza

La IA de Hex no es un chat pegado encima, va por capas:

Hex Magic: describes lo que quieres en una celda y te redacta SQL o Python. Lo importante es que te entrega un borrador para revisar antes de ejecutarlo, no una respuesta final.
Notebook Agent: un agente impulsado por Claude. Le das un objetivo y descompone la tarea, consulta tablas, escribe código, grafica y aterriza en una conclusión. Pensado para trabajos abiertos como «¿por qué cayó la conversión este mes?».
Threads agent: una entrada de preguntas y respuestas para usuarios de negocio, apoyada en la capa semántica para que los números sean consistentes.
Semantic model agent: trabaja con la capa semántica dbt para unificar definiciones de métricas y recortar el «mismo número, dos valores distintos».

La decisión de diseño acertada es que el código generado siempre es revisable y cada paso del agente queda visible en el notebook — nada es una caja negra de un solo disparo.

🎯 Casos de uso

Equipos de analytics: los analistas sacan datos con SQL, los científicos de datos modelan en Python y ambos se pasan el trabajo en el mismo notebook.
Equipos de producto y growth: retención, conversión y métricas por canal se convierten en apps interactivas que la gente de negocio consulta sola, sin hacer cola ante el analista.
Equipos de machine learning: feature engineering y modelado con pandas, scikit-learn, TensorFlow, más gráficos D3.js a medida, todo sin salir de una página.
Reporting ejecutivo: los trabajos programados se refrescan cada semana y llegan a Slack, así que los números ya están hechos cuando alguien pregunta.

Para equipos de América Latina o España, el matiz es el idioma: la interfaz es en inglés, así que conviene medir si el equipo se siente cómodo antes de comprometerse.

🛠️ Cómo se usa

Regístrate y empieza con el plan Community gratuito.
Conecta una fuente de datos — Snowflake, BigQuery, Postgres, MySQL — y mete las credenciales para leer tablas.
Crea un notebook, suelta una celda SQL y escribe una consulta; añade una celda Python cuando necesites procesar.
Usa Hex Magic para describir la petición en lenguaje natural, revisa el código generado y ejecútalo.
Para trabajo de varios pasos, dale un objetivo a Notebook Agent y deja que planifique y ejecute.
Muestra resultados en celdas de gráfico o tabla, con títulos y una conclusión escrita.
Pulsa Publish para convertirlo en una app de datos, fija filtros y permisos, y comparte el enlace.
Añade una ejecución programada con notificaciones por correo o Slack para refrescos recurrentes.

Para la primera pasada, el bucle mínimo es conectar un warehouse, sacar con SQL, que Magic escriba una transformación en Python y publicar como app. Añade agentes y colaboración cuando ese camino te resulte familiar.

💡 Consejos

Lee el SQL de Magic antes de ejecutarlo: entrega borradores, y los joins o funciones de ventana merecen un vistazo antes de fiarte del resultado.
Mete las definiciones compartidas en la capa semántica: usa Semantic model agent o dbt para que el equipo deje de discutir por métricas.
Pide a Notebook Agent que enseñe su plan primero: en preguntas de «por qué», confirma los pasos antes de que ejecute, para que no se vaya por las ramas.
No pases datos enormes por aquí: millones de filas y consultas encadenadas se arrastran — agrega primero en el warehouse y luego tráelo a Hex.
Vigila el gasto de cómputo: el cómputo se mide (de 0,32 a 4,06 dólares por hora, más o menos), así que estima antes de programar trabajos largos.
Fija filtros y permisos antes de publicar: una app compartida con usuarios de negocio es tan segura como sus controles de acceso.

📈 Casos reales

Hex declara más de 1.500 equipos en la plataforma, unos 19,8 millones de dólares de ingresos en 2024 y una nota en G2 en torno a 4,8 sobre 5. Detrás de esas cifras está la realidad del equipo mixto: científicos de datos, analistas y gente de negocio compartiendo un análisis sin que todos tengan que aprender Jupyter.

Un patrón típico es el cuadro semanal del equipo de producto — un analista monta vistas de retención, conversión y canales en una app, y los product managers la consultan a diario en vez de abrir tickets. Los equipos de ciencia de datos la usan para explorar y prototipar modelos, y luego hacen la demo entera en una página en lugar de exportar notebooks a diapositivas.

📱 Plataformas

Hex es una app web en la nube: abres hex.tech en el navegador y ya estás dentro, sin cliente que instalar. Funciona en los principales navegadores de escritorio. Como SQL y Python corren en cómputo en la nube, tu máquina local apenas importa; cualquier ordenador con navegador y conexión te sirve.

No hay app de escritorio en el sentido tradicional, y todo vive en la nube, así que cambiar de equipo o pasarse al teletrabajo no interrumpe nada.

🌐 Idiomas

Aquí «idiomas» funciona en dos niveles. Uno es el de los lenguajes de programación del notebook: SQL, Python y R, más celdas sin código, todo mezclable en un solo notebook. El otro es la interfaz del producto, que está en inglés y no tiene una interfaz multilingüe completa — conviene saberlo antes de que un equipo hispanohablante se comprometa.

En el lado de los datos, los conectores cubren Snowflake, BigQuery, Databricks, Redshift, Postgres, MySQL y la mayoría de los warehouses y bases de datos importantes.

💰 Precios

El precio es por puesto más cómputo medido, en cuatro tramos:

Community (gratis): hasta 5 notebooks/proyectos y 5 apps, créditos de IA limitados, unas 100 ejecuciones de Hex Magic al mes.
Professional, 36 $/editor/mes: notebooks/proyectos ilimitados, Magic ilimitado, Notebook Agent, 30 días de historial de versiones y ejecuciones programadas.
Team, 75 $/editor/mes: añade Threads agent, Semantic model agent, un rol Explorer, revisión y aprobación, grupos de usuarios, integraciones con GitHub/GitLab/Airflow/Dagster/dbt e historial de versiones ilimitado.
Enterprise (a medida): SSO/Okta/OIDC, single-tenant, HIPAA, registros de auditoría, Snowflake Marketplace y analítica incrustada.

El cómputo es un extra: unos 0,32 $/hora en un tramo de 16 GB hasta 4,06 $/hora en un tramo de GPU A10G. La letra pequeña — la medición por minuto — hace que el presupuesto sea difuso, y la sección de desventajas entra en eso.

👥 Para quién es

Equipos mixtos de ciencia de datos y analytics: gente que necesita SQL y Python a la vez y al final quiere un cuadro de mando.
Equipos centrados en ML: pandas, scikit-learn, TensorFlow y D3.js corren de forma nativa, así que modelar y presentar no se separan.
Equipos que necesitan colaboración en vivo: edición multiusuario, comentarios e historial como requisito duro.
Equipos que quieren autoservicio de negocio: publican el análisis como apps y dejan que los usuarios de negocio hagan clic.

El caso inverso: los usuarios puramente de negocio que no escriben SQL ni Python no desbloquean la mayor parte del valor, y una BI de arrastrar y soltar puede servirles mejor. Los equipos pequeños con presupuesto justo también deberían sopesar el precio enterprise.

👍 Ventajas

Un entorno para SQL + Python + cuadros de mando: poco coste de cambio y resultados que de verdad se pueden entregar.
Flujo de ciencia de datos/ML sólido: las librerías habituales corren directamente, con D3.js para gráficos a medida, de modelar a presentar.
Colaboración en tiempo real excelente: la edición y los comentarios estilo Google Docs ganan por goleada a los notebooks tradicionales.
Encaja en equipos mixtos: programadores y no programadores trabajan en la misma página.
IA por capas: de Magic a los agentes, con código revisable y pasos visibles.

⚠️ Desventajas y límites

Las funciones avanzadas asumen SQL/Python: sin código, la mitad del valor de Hex queda fuera de alcance.
Con datos grandes se arrastra: millones de filas y consultas encadenadas ralentizan; conviene agregar primero en el warehouse.
La medición por minuto es difícil de predecir: el cómputo es por uso, y los trabajos por lotes pesados pueden sorprender la factura.
La IA a veces se pone sermoneadora: la salida generada suele venir envuelta en explicaciones y advertencias que te frenan.
Las funciones se solapan y confunden la interfaz: Magic, Notebook Agent y Threads tienen fronteras borrosas, y los nuevos se pierden.
El precio enterprise es alto: Team arranca en 75 $/editor/mes y a escala se suma rápido.

❓ Preguntas frecuentes

¿Hay plan gratis?

Sí: Community es gratis, con tope de 5 notebooks/proyectos y 5 apps, créditos de IA limitados y unas 100 ejecuciones de Magic al mes.

¿En qué se diferencia de Jupyter?

Hex lleva la idea de notebook de Jupyter a la nube y suma colaboración en vivo, historial de versiones, publicación de apps con un clic e IA. Jupyter es más local, individual y de código abierto.

¿Puedo usar Hex sin código?

Puedes hacer preguntas con Threads agent o abrir apps que otros hayan publicado, pero sacar todo el valor exige escribir SQL o Python.

¿Qué es Notebook Agent?

Un agente impulsado por Claude que planifica y ejecuta análisis de varios pasos — consulta tablas, monta gráficos, escribe conclusiones — y te deja revisar su plan antes de ejecutar.

¿Cómo se factura el cómputo?

El cómputo se mide como extra, de unos 0,32 $/hora (16 GB) a 4,06 $/hora (GPU A10G), facturado por minuto.

¿Qué fuentes de datos soporta?

Snowflake, BigQuery, Databricks, Redshift, Postgres, MySQL y otros warehouses y bases de datos importantes.

¿Puedo incrustar Hex en mi producto?

Sí, con el plan Enterprise, que incluye analítica incrustada.

🔄 Comparativa con herramientas similares

Jupyter Notebook: gratis, de código abierto y local, pero sin colaboración ni publicación. Hex gana en colaboración en la nube, publicación de apps e IA, a cambio de una suscripción y de amarrarte a la nube.
Deepnote: ambos son notebooks en la nube; Deepnote tira más a desarrollador y es ligero, mientras Hex empuja más hacia enterprise con agentes de IA y capa semántica más pesados.
Mode: también es analítica SQL-first, pero las capacidades de Python/ML y agentes de IA de Hex destacan más.
Databricks: una plataforma lakehouse pesada para procesar datos a gran escala; Hex encaja en equipos con datos más pequeños que quieren colaboración rápida y publicación de apps.
Tableau / Power BI: BI de arrastrar y soltar, amable con el usuario de negocio; Hex tira más hacia el código y los flujos de ML, que es lo que prefieren analistas y científicos de datos.

Hex