Generador de consultas SQL desde lenguaje natural
Convierte una pregunta en lenguaje natural sobre tus datos en una consulta SQL lista para ejecutar. Especialmente útil para perfiles no técnicos que necesitan responder preguntas de negocio sin depender siempre del equipo de datos.
Actúa como analista de datos experto en SQL. Dado el siguiente esquema de tablas: [PEGA EL ESQUEMA, ej. nombres de tabla, columnas y tipos de dato], escribe una consulta SQL para el motor [POSTGRESQL/MYSQL/SQL SERVER] que responda a esta pregunta: [TU PREGUNTA EN LENGUAJE NATURAL]. Explica brevemente qué hace cada parte de la consulta (JOIN, WHERE, GROUP BY) y advierte si la consulta podría ser lenta en tablas muy grandes.
Caso de uso
Análisis de datos
Incluir el esquema de tablas en el prompt es el paso que más gente se salta y el que más mejora el resultado: sin conocer nombres exactos de columnas, el modelo tiene que adivinar y a menudo se equivoca. Pedir la explicación de cada parte de la consulta también ayuda a detectar errores de lógica antes de ejecutarla.
Por qué funciona esta estructura
La técnica principal es proporcionar el esquema real de la base de datos antes de pedir la consulta, en lugar de esperar que el modelo adivine nombres de tabla y columna. Sin esquema, el modelo genera SQL sintácticamente correcto pero con nombres inventados que no corresponden a tu base de datos real. Pedir también la explicación de cada cláusula convierte al usuario no técnico en alguien capaz de detectar si la lógica tiene sentido, sin necesidad de saber escribir SQL desde cero.
Antes vs. después
Antes: pedir dame el SQL para ver las ventas del último mes sin aportar el esquema produce una consulta que asume nombres de tabla genéricos como sales o orders que probablemente no coinciden con tu base de datos real.
Después: con el esquema real pegado (por ejemplo, tabla pedidos con columnas fecha_pedido, id_cliente, monto_total), la consulta generada usa los nombres exactos y correctos, además de explicar por qué usa un filtro de fecha con BETWEEN en vez de comparaciones sueltas, y advierte si conviene un índice en la columna de fecha para tablas con millones de registros.
Variaciones útiles
- Para reportes recurrentes: pide que la consulta incluya parámetros claramente marcados (como un rango de fechas variable) para poder reutilizarla fácilmente cada mes.
- Para consultas de rendimiento crítico: pide explícitamente que sugiera índices adicionales que podrían acelerar la consulta si la tabla es muy grande.
- Para validar datos antes de una migración: pide una consulta que detecte inconsistencias (valores nulos donde no deberían estar, duplicados) en lugar de solo extraer datos.
Qué IA usar
ChatGPT y Claude son ambos excelentes para SQL estándar. Si tu flujo de trabajo incluye ejecutar y verificar la consulta directamente, ChatGPT con modo de ejecución de código tiene ventaja al poder simular el resultado sobre datos de ejemplo antes de que la ejecutes en tu base de datos real.
Publicidad
Conclusión
Nunca ejecutes una consulta SQL generada por IA directamente en producción sin revisarla, especialmente si incluye DELETE, UPDATE o joins complejos. El tiempo invertido en verificar el esquema y revisar la consulta antes de ejecutarla es mucho menor que el que tomaría recuperarse de un borrado accidental de datos.
Preguntas frecuentes
Explora más prompts en Análisis de datos con IA o revisa nuestras guías de prompt engineering.