IA para analizar bases de datos: SQL y revisión
Consulta bases de datos con IA: genera SQL, revisa permisos y costes y contrasta resultados antes de tomar decisiones con un ejemplo de negocio.
- Autor: humAIns
- 9 min de lectura
índice · 5 apartados
La IA para analizar bases de datos puede convertir una pregunta de negocio en una consulta SQL, explicar código existente y acelerar la exploración de tablas relacionales. Por ejemplo, un analista puede preguntar qué categoría generó más ingresos el último trimestre y recibir una propuesta de consulta. La propuesta no es una respuesta verificada: hay que revisar el esquema, los permisos, el coste y el resultado antes de decidir. Esta guía se centra en datos estructurados consultados con SQL, no en analizar un Excel o buscar respuestas en documentos.
Qué preguntas responder con una base relacional y cómo se diferencia de una hoja
Una base relacional organiza información en tablas con columnas y filas, y permite relacionarlas mediante claves. Es útil cuando la pregunta requiere combinar registros, aplicar filtros consistentes o agregar grandes conjuntos de datos: ventas por mes y región, facturas pendientes por proveedor o evolución de un indicador entre periodos.
Una hoja de cálculo suele ser práctica para un análisis puntual, una tabla pequeña o un modelo que una persona necesita modificar visualmente. Una base de datos resulta más adecuada cuando varias tablas se relacionan, hay procesos repetibles o los datos se actualizan desde sistemas operativos. La elección no depende de que la IA «entienda» mejor un formato: depende de dónde están los datos, qué controles existen y cómo se define la métrica.
Si el trabajo consiste en preguntar sobre un CSV o Excel, consulta la guía de Julius AI para analizar hojas sin programar. Si necesitas recuperar fragmentos y respuestas desde documentos, es otro problema: RAG en inteligencia artificial explica ese patrón. Aquí la tarea es traducir preguntas a consultas estructuradas contra tablas SQL.
La IA puede ayudar a generar consultas SQL con IA, pero no conoce por arte de magia las reglas internas del negocio. «Ventas» podría significar pedidos facturados, ingresos cobrados o importe neto de devoluciones; define primero el indicador, el periodo y las exclusiones.
Gemini en BigQuery y Copilot en Microsoft Fabric
Las herramientas no son intercambiables: cada una tiene requisitos de administración, permisos y ejecución propios. Comprueba la documentación vigente y la configuración de tu organización antes de habilitarlas.
Gemini en BigQuery
La documentación de Google describe asistencia para generar SQL a partir de instrucciones en lenguaje natural, modificar consultas existentes y explicar código. También documenta generación desde el editor, una herramienta de generación SQL y funciones de autocompletado, algunas marcadas como vista previa. Para utilizar Gemini en BigQuery hay que configurarlo en el proyecto y contar con permisos de IAM; Google indica el rol Gemini for Google Cloud User (roles/cloudaicompanion.user) entre los roles que incluyen los permisos necesarios para escribir consultas con asistencia.
Hay una limitación importante para equipos hispanohablantes: la documentación consultada indica que las instrucciones en Gemini in BigQuery solo se admiten en inglés. Es posible que la interfaz o las condiciones cambien, así que verifica la página oficial antes de diseñar un flujo de trabajo en español. Google indica que sus modelos no usan prompts y respuestas de Gemini for Google Cloud para entrenar sin permiso expreso, y explica por separado el acceso a datos y metadatos requerido para ciertas funciones. Esto no elimina la necesidad de revisar las condiciones de tratamiento aplicables a tu proyecto.
El precio de Gemini y el de las consultas de BigQuery son asuntos distintos; la página oficial remite a la información de precios de Gemini in BigQuery. No presupuestes una consulta generada como gratuita: revisa el modelo de facturación y la estimación que presenta el servicio para tu configuración.
Copilot en Microsoft Fabric SQL Database
Microsoft documenta un panel de conversación contextualizado con el esquema de la base. Puede generar T-SQL, explicar y refactorizar consultas, e incluso proponer cambios de esquema o tareas de diagnóstico. La documentación exige que el administrador habilite la configuración de tenant correspondiente y que la capacidad esté en una región admitida. También señala que se requiere capacidad de pago F2 o superior o P1 o superior; no se admiten SKU de prueba. En determinados tenants o capacidades fuera de Estados Unidos o Francia, la disponibilidad depende además de una configuración administrativa de procesamiento de datos fuera de la región.
En Fabric SQL Database, la documentación describe un modo de solo lectura y otro de lectura y escritura con aprobación. El primero no ejecuta instrucciones DDL o DML que cambian los datos o el esquema; las consultas SELECT pueden ejecutarse automáticamente. En el modo de lectura y escritura, los cambios requieren aprobación. No extrapoles este comportamiento a todos los productos Copilot, a otros tipos de base de datos o a tu propia configuración: confirma el modo activo en el entorno concreto.
Consulta las fuentes oficiales antes de habilitar una función o estimar costes: Gemini en BigQuery: escribir SQL con asistencia y Copilot en Fabric SQL Database. Las tarifas varían por servicio, región y capacidad y no se resumen aquí con cifras que puedan quedar desactualizadas.
Caso ficticio: de la pregunta a un SELECT verificable
Imagina una tienda con dos tablas de práctica creadas para este ejemplo. No son datos reales ni describen el esquema de una empresa:
pedidos(id_pedido, fecha, id_cliente, estado)
lineas_pedido(id_pedido, categoria, unidades, precio_unitario)
La pregunta es: «¿Qué categorías tuvieron más ingresos netos de líneas en el trimestre, contando solo pedidos completados?». Antes de pedir SQL, define qué significa «ingreso»: para este ejemplo, unidades multiplicadas por precio unitario, sin impuestos, descuentos ni devoluciones porque el esquema ficticio no incluye esos campos. Si la base real los tiene, habría que incorporarlos conforme a la definición financiera aprobada.
Un prompt acotado podría ser:
Con el esquema que ves, redacta una consulta SQL que calcule unidades
por precio_unitario por categoria para pedidos completados entre
2026-07-01 (incluido) y 2026-10-01 (excluido). Explica cada JOIN y
filtro. No ejecutes cambios de datos ni inventes columnas. Señala qué
campos faltan para calcular ingresos netos si no están en el esquema.
Una consulta de ejemplo, que debe adaptarse al dialecto y al esquema reales, sería:
SELECT
l.categoria,
SUM(l.unidades * l.precio_unitario) AS ingresos_brutos
FROM pedidos AS p
JOIN lineas_pedido AS l
ON p.id_pedido = l.id_pedido
WHERE p.estado = 'completado'
AND p.fecha >= DATE '2026-07-01'
AND p.fecha < DATE '2026-10-01'
GROUP BY l.categoria
ORDER BY ingresos_brutos DESC;
La consulta usa un intervalo que incluye el primer día de julio y excluye el primero de octubre, evitando depender de cómo se representen las horas del último día. El JOIN conecta cada línea con su pedido; los filtros limitan el estado y el periodo; SUM agrupa el importe calculado por categoría. El alias se llama ingresos_brutos porque no se han modelado descuentos, impuestos ni devoluciones.
Comprobación manual del ejemplo: si una categoría tiene dos líneas ficticias, una de 2 unidades a 10 euros y otra de 1 unidad a 5 euros, el cálculo es 2 × 10 + 1 × 5 = 25 euros. Comprueba también que el resultado de prueba no duplica las líneas al unir las tablas y que solo incluye los pedidos cuyo estado y fecha cumplen los criterios. No hemos ejecutado esta consulta contra un servicio real: el esquema y los datos son inventados, y el resultado aritmético se verifica sobre esas dos líneas del ejemplo.
Control de acceso de solo lectura, protección y prueba segura
Empieza por un entorno de pruebas con datos sintéticos o anonimizados. Pide a la persona administradora una identidad con permisos mínimos para consultar solo las tablas y columnas necesarias. Un modo de lectura de la interfaz ayuda, pero no reemplaza los permisos de la base, las políticas de acceso ni la revisión del código. Si la plataforma no permite separar generación y ejecución, genera el SQL, revísalo y ejecútalo por un canal controlado con una cuenta de solo lectura cuando sea viable.
No pegues información personal, financiera identificable o confidencial en una herramienta sin autorización y sin comprobar las reglas de tu organización y las condiciones del proveedor. La AEPD recomienda no compartir con herramientas de IA datos personales ni información delicada o sensible; también aconseja seguir las políticas de información y seguridad del trabajo. Para una primera prueba, cambia nombres y valores por datos ficticios, y evita incluir credenciales, secretos o identificadores en prompts y registros.
Antes de ejecutar, inspecciona la consulta completa. Rechaza instrucciones de escritura, borrado o cambio de esquema si no forman parte de un procedimiento aprobado. En caso de duda, solicita una explicación línea a línea y revisa la consulta con alguien que conozca tanto SQL como la definición del indicador. Una respuesta convincente no es una autorización para consultar datos.
Verificar nulos, duplicados, uniones y costes
Una consulta puede ejecutarse sin errores y ser incorrecta. Antes de trasladar una cifra a un informe, revisa al menos estos puntos:
- Esquema y granularidad. ¿Cada fila representa un pedido, una línea o un evento? Una unión entre tablas de distinta granularidad puede multiplicar importes.
- Nulos y tipos. Comprueba fechas, cantidades y precios vacíos, y cómo trata el motor esos valores. No aceptes que un nulo se convierta silenciosamente en cero si eso cambia la métrica.
- Duplicados y claves. Cuenta filas antes y después de cada unión y comprueba si las claves son únicas donde deberían serlo.
- Filtros y límites temporales. Verifica estado, zona horaria, fechas inclusivas o exclusivas, moneda y exclusiones del negocio.
- Agregación. Confirma que
GROUP BYcoincide con la dimensión pedida y que el total se puede reconciliar con una consulta simple o un informe conocido. - Coste y rendimiento. Revisa la estimación de bytes o recursos antes de ejecutar una consulta amplia, evita leer columnas innecesarias y limita la muestra durante la exploración. El método exacto de estimación depende del motor y de la configuración.
Guarda la pregunta original, la consulta aprobada, la fecha, la definición del indicador y las comprobaciones realizadas de acuerdo con la política interna. Así otra persona puede reproducir el resultado y detectar qué cambió si la cifra varía.
La formación financiera puede ayudar a incorporar IA al análisis y a los procesos de negocio, pero no sustituye la formación técnica específica de SQL ni los controles de datos de tu organización.
Fuentes oficiales consultadas: