Saltar al contenido

Traducción automática — la versión en portugués es la referencia. Ver en portugués

Actualizado el 2026-09-08

Buenas prácticas de prompt (preguntas buenas × malas)

Cómo preguntarle a la IA de text-to-SQL y al Q&A para obtener respuestas útiles — con ejemplos de preguntas buenas y malas.

En esta página (7)

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#

  1. Sé específico sobre la métrica y el recorte. Di qué número, por qué dimensión y en qué período.
  2. 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).
  3. Una pregunta a la vez. Las preguntas compuestas ("ingresos y también margen y también por qué cayó") confunden; divídelas en pasos.
  4. Pide el período explícitamente. "Último trimestre", "2026", "últimos 30 días".
  5. 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#

MalaPor quéBuena
"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:

MalaPor quéBuena
"¿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 totalagrega 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.

Enlaces relacionados