¿Cómo se puede potenciar el uso de consultas SQL con los Modelos de Lenguaje (LLMs)?

Ian Spektor
Ian Spektor
October 20, 2025
|
4 min read
¿Cómo se puede potenciar el uso de consultas SQL con los Modelos de Lenguaje (LLMs)?
Case Studies

¿Cómo se puede potenciar el uso de consultas SQL con los Modelos de Lenguaje (LLMs)?

Vivimos en un mundo donde los datos lo son todo

Pero más importante que tener datos, es poder acceder a ellos de una manera sencilla y útil, especialmente para personas que no están familiarizadas con herramientas de visualización o lenguajes de consulta.

Por eso, en Puppeteer buscamos una forma de permitir que los usuarios interactúen con sus datos de forma natural: usando lenguaje natural.

Creemos que darle a las personas acceso y propiedad sobre sus datos de salud es extremadamente valioso. Hacer que sea más fácil acceder a ellos fomenta una actitud más proactiva frente al propio bienestar.

Un caso de uso: consultas en lenguaje natural

Imagina que tienes un tracker que mide tu actividad diaria y quieres un reporte de cuántos pasos diste, calorías quemaste y escalones subiste en la última semana.

Para alguien que no sabe SQL, esto podría parecer una consulta compleja. Pero con IA, simplemente puedes preguntar lo que quieres saber en lenguaje natural, y el sistema genera la consulta SQL correcta para recuperar esos datos.

Una vez obtenida la información, las posibilidades son amplias:

  • Visualizarla en gráficos.
  • Dejar que un modelo LLM la interprete.
  • Recibir insights conversacionales claros sin tener que saber cómo analizar datos.

Este enfoque se conoce como Retrieval Augmented Generation (RAG).
En lugar de usar solo texto y una base vectorial (lo cual también hacemos en otros casos), ampliamos el contexto del modelo con los datos del usuario y una base SQL, lo que reduce al mínimo las alucinaciones y permite entregar información precisa.

Detrás de escena: uso de una SQL Query Chain

El mayor desafío técnico es traducir lenguaje natural a SQL, que tiene una estructura definida (por ejemplo: SELECT ... FROM ... WHERE).

Para resolver esto, usamos LangChain’s SQL Query Chain junto con LLMs.

  • Conectamos la cadena a la base de datos.
  • Damos al modelo información sobre las tablas y columnas disponibles.
  • Definimos parámetros como número de filas, ordenamiento, filtros, etc.
  • Aplicamos few-shot prompting con ejemplos de consultas correctas, almacenados en un índice vectorial para seleccionar los más relevantes.

Una vez generada la consulta:

  • Se verifica que esté bien formada.
  • Se asegura que no intente borrar ni modificar datos.
  • Si pasa las validaciones, se ejecuta y se devuelve la información.

Privacidad y seguridad ante todo

Como se trata de información de salud, la seguridad es prioritaria.

  • Las bases de datos están cifradas en reposo.
  • La transmisión de datos es segura.
  • Nadie excepto el usuario puede acceder a su información.

Aprovechando datos de salud con Puppeteer

La capacidad de consultar datos en lenguaje natural es solo una de las muchas funcionalidades que ofrecemos.

En Puppeteer cerramos la brecha entre salud e IA generativa, permitiendo a empresas de salud construir sus propios agentes de IA con comportamiento humano avanzado.

  • No más formularios extensos en papel.
  • No más dudas sobre si tus métricas son buenas o malas.
  • Solo una conversación rápida y clara.

Si quieres saber más sobre Puppeteer y sus funcionalidades, puedes agendar una demo con uno de nuestros fundadores.

Start scaling your care from $450/month

Designed for every stage of your journey.
Go to Pricing

Creemos juntos tu próximo agente de atención.

Agendá una llamada de 20 minutos con nuestro equipo para explorar cómo Puppeteer AI puede apoyar tus flujos clínicos con agentes de IA a medida.

Mujer feliz usando el celular