La calidad de la respuesta de la IA depende mucho de cómo preguntas. Esta página reúne patrones prácticos para el text-to-SQL (lenguaje natural → SQL) y para el Q&A del dashboard (preguntas sobre el panel), con ejemplos de preguntas buenas y malas.
Workspace de ejemplo: Comércio Aurora Ltda (aurora).
La IA propone, tú confirmas
Trata a la IA como un asistente que propone — tú revisas y confirmas.
Los 5 principios#
- Sé específico sobre la métrica y el recorte. Di qué número, por qué dimensión y en qué período.
- Usa los nombres de tu modelo. "Ingresos", "categoría", "sucursal" — los términos de las medidas/columnas ayudan al grounding (ver Cómo la IA entiende tus datos).
- Una pregunta a la vez. Las preguntas compuestas ("ingresos y también margen y también por qué cayó") confunden; divídelas en pasos.
- Pide el período explícitamente. "Último trimestre", "2026", "últimos 30 días".
- No pidas la causa. La IA describe lo que muestran los datos; no afirma que "X causó Y" (y se niega cuando intentan forzarla).
Text-to-SQL: buenas × malas#
| Mala | Por qué | Buena |
|---|---|---|
| "muéstrame todo" | sin métrica ni recorte | "ingresos totales por mes en 2026" |
| "ventas" | ambigua | "cantidad vendida por categoría en el último trimestre" |
| "¿cuáles son los mejores?" | ¿"mejor" en qué? | "top 10 productos por ingresos en julio/2026" |
| "compara con el mercado" | datos que no tienes | "ingresos de este año vs año anterior por sucursal" |
Nota
Si la pregunta es ambigua y hay un modelo semántico publicado, la IA se niega antes de gastar tokens y lista las opciones ("¿quisiste decir Ingresos brutos o Ingresos netos?"). Elige y vuelve a preguntar — es más barato y más preciso.
Q&A del dashboard: buenas × malas#
El Q&A responde solo con base en el snapshot ya materializado y cada afirmación viene con una cita verificable. Por lo tanto:
| Mala | Por qué | Buena |
|---|---|---|
| "¿por qué cayeron las ventas?" | pide una causa | "¿qué categoría cayó más vs el mes anterior en este panel?" |
| "¿cuál es la previsión para diciembre?" | no está en el snapshot | "¿qué cliente tuvo los mayores ingresos en el período mostrado?" |
| "¿esto es bueno?" | opinión sin respaldo | "¿qué ítems están por debajo de la meta mostrada?" |
| "¿cuánto fue en total?" (en un visual que es una muestra) | una muestra no permite un total | agrega en el text-to-SQL para el total exacto |
Interpreta bien la respuesta#
- Text-to-SQL devuelve SQL de solo lectura + explicación + costo estimado. Revisa el SQL (un nombre de columna/tabla puede estar mal) antes de confiar en él. Hay autocorrección (un reintento con el error real del datalake), pero no es garantía.
- Q&A trae citas que apuntan a los datos que sustentan cada frase. Si la
respuesta llega como rechazo (
sem_evidencia,fora_do_contexto), es porque no había respaldo — no la fuerces. - Sobre una muestra, la IA tiene prohibido afirmar total/suma/"mayor"/"todos".
Cuando la IA se niega (y por qué es bueno)#
Un rechazo no es una falla — es honestidad. Los rechazos comunes:
- Ambigüedad → elige entre las opciones y vuelve a preguntar.
- Fuera de contexto → la pregunta no toca ningún término del panel; reformúlala con los nombres del modelo.
- Sin evidencia → el panel no sustenta la afirmación; agrega en SQL o cambia la pregunta.
Errores comunes#
- Pedirle tiempo real al Q&A: lee el snapshot de la última actualización, no "ahora".
- Tratar la explicación como un hecho probado: los insights y las recomendaciones son hipótesis a investigar — ver Insights.
- Pegar secretos/PII en la pregunta: no lo hagas. El texto va al proveedor (dentro de un fence, pero igual sale) — pregunta sobre estructura y números, no sobre datos personales.
Relacionados#
Última revisión: 2026-09-08.