En los artículos anteriores de esta serie hemos visto cómo un agente de IA puede utilizar herramientas para interactuar con el mundo real. Primero aprendimos qué son los agentes, cómo razonan y planifican, los diferentes niveles de autonomía y la importancia de las herramientas. Después vimos cómo funcionan la memoria, cómo construir un primer agente, los principales frameworks, los prompts, las APIs, la búsqueda en internet y la ejecución de código con Python.
Ahora podemos dar un paso más. Una de las fuentes de información más importantes para cualquier empresa son sus bases de datos. Clientes, productos, ventas, inventarios, sensores, pedidos, empleados y registros históricos suelen almacenarse en sistemas estructurados que permiten consultar grandes cantidades de información.
Tradicionalmente, para obtener información de una base de datos era necesario conocer cómo estaba organizada y utilizar un lenguaje como SQL. Sin embargo, los agentes de IA permiten construir una interfaz diferente: el usuario puede hacer una pregunta utilizando lenguaje natural y el agente puede interpretar la solicitud, consultar los datos y presentar el resultado de una forma comprensible.
Esto no significa simplemente poner una IA delante de una base de datos. Para hacerlo correctamente es necesario controlar qué información puede consultar el agente, qué operaciones puede realizar, cómo genera las consultas y qué ocurre cuando una pregunta no puede responderse con los datos disponibles.
1. ¿Por qué conectar un agente de IA con una base de datos?
Una base de datos puede contener miles o incluso millones de registros. Aunque esa información esté disponible, encontrar exactamente lo que necesitamos puede requerir conocimientos técnicos.
Por ejemplo, una empresa podría tener una base de datos con información de ventas. Un empleado podría querer saber:
"¿Cuáles fueron los cinco productos más vendidos durante el último mes?"
Una persona con conocimientos de SQL podría construir una consulta para obtener esa información. Sin embargo, un usuario que no conozca SQL tendría que pedir ayuda a otra persona o utilizar una aplicación que ya tenga preparada esa consulta.
Un agente de IA puede funcionar como intermediario entre el usuario y la base de datos.
El usuario realiza una pregunta en lenguaje natural, el agente interpreta la intención, determina qué información necesita, utiliza una herramienta para consultar la base de datos y finalmente transforma los resultados en una respuesta.
De esta manera, la inteligencia artificial no sustituye necesariamente a la base de datos. Lo que hace es facilitar la interacción con ella.
2. Del lenguaje natural a una consulta
El concepto más interesante de este tipo de agentes es la transformación de una pregunta humana en una consulta que una base de datos pueda entender.
Supongamos que tenemos una tabla llamada ventas con información como:
- producto
- fecha
- cantidad
- precio
- cliente
Un usuario podría preguntar:
"¿Cuánto dinero generaron las ventas de computadoras durante agosto?"
La base de datos no entiende directamente esa frase. El agente debe interpretar que se necesita filtrar los registros correspondientes a computadoras y agosto, calcular el valor de las ventas y sumar los resultados.
En una base de datos SQL, conceptualmente podría necesitarse una consulta parecida a:
SELECT SUM(cantidad * precio) FROM ventas WHERE producto = 'computadora' AND fecha BETWEEN '2026-08-01' AND '2026-08-31';
El usuario no tiene por qué conocer esta consulta. El agente se encarga de convertir la intención expresada en lenguaje natural en una operación sobre los datos.
Aquí aparece una de las aplicaciones más interesantes de los agentes de IA: permitir que personas sin conocimientos especializados puedan interactuar con información estructurada.
3. ¿Qué necesita saber el agente?
Para generar consultas útiles, el agente necesita conocer la estructura de la base de datos.
Por ejemplo, debe saber qué tablas existen y qué información contiene cada una.
Imaginemos una base de datos de una tienda con las tablas:
clientes
productos
ventas
inventario
El agente necesita conocer qué columnas contiene cada tabla y cómo están relacionadas.
Por ejemplo, clientes podría contener un identificador, nombre y correo electrónico. productos podría contener identificador, nombre, precio y categoría. ventas podría relacionar clientes y productos mediante sus identificadores.
Esta información permite que el agente entienda qué datos puede consultar.
No es suficiente decirle simplemente "tienes acceso a la base de datos". Es necesario proporcionarle el contexto adecuado para que pueda utilizarla correctamente.
4. El agente como intermediario
Podemos imaginar el proceso de una forma sencilla.
Primero, el usuario realiza una pregunta.
Después, el agente analiza qué información necesita.
A continuación, consulta la estructura disponible y determina qué datos debe buscar.
Luego genera o selecciona una consulta.
La consulta se ejecuta sobre la base de datos.
Finalmente, los resultados regresan al agente, que los interpreta y genera una respuesta para el usuario.
Por ejemplo:
Usuario:
"¿Cuántos productos quedan en inventario de la categoría electrónica?"
Agente:
"Voy a consultar el inventario de los productos pertenecientes a la categoría electrónica."
Después realiza la consulta y podría responder:
"Actualmente hay 327 productos de la categoría electrónica disponibles."
El usuario no necesita conocer las tablas ni escribir SQL.
5. ¿La IA siempre debe generar SQL?
No necesariamente.
Una de las primeras decisiones al diseñar un agente de este tipo es determinar cómo tendrá acceso a los datos.
Una opción es permitir que el modelo genere consultas SQL dinámicamente. Esto proporciona mucha flexibilidad, porque una gran cantidad de preguntas diferentes pueden convertirse en consultas.
Sin embargo, también aumenta los riesgos.
Otra posibilidad es crear herramientas específicas para determinadas operaciones.
Por ejemplo, en lugar de permitir cualquier consulta, podemos proporcionar herramientas como:
buscar_cliente()
consultar_inventario()
obtener_ventas()
buscar_pedido()
En este caso, el agente decide qué herramienta necesita utilizar, pero las operaciones están mucho más controladas.
Esto puede ser especialmente recomendable cuando la información es sensible o cuando no queremos permitir que el agente tenga acceso completo a la base de datos.
6. Consultas de lectura frente a modificaciones
Existe una diferencia fundamental entre consultar información y modificar información.
Una consulta de lectura puede utilizarse para responder preguntas como:
"¿Cuántos clientes tenemos?"
"¿Cuál fue nuestra venta total esta semana?"
"¿Qué productos tienen menos de diez unidades?"
En estos casos, el agente solamente obtiene información.
Pero una instrucción como:
"Elimina todos los clientes que no hayan comprado en los últimos cinco años"
es completamente diferente.
Aquí el agente estaría realizando una modificación destructiva.
Por esta razón, un sistema bien diseñado debería establecer permisos y restricciones muy claras.
Una estrategia común es comenzar permitiendo únicamente operaciones de lectura. De esta manera, el agente puede analizar información sin tener capacidad para modificarla.
Si posteriormente se necesita que pueda ejecutar acciones, estas deben incorporar controles adicionales.
7. Seguridad: uno de los aspectos más importantes
Dar acceso a una base de datos a un agente de IA requiere tomar medidas de seguridad.
Una IA puede interpretar incorrectamente una solicitud. También puede generar una consulta incorrecta o intentar utilizar información que no debería estar disponible.
Por ejemplo, imaginemos una base de datos que contiene:
- nombres de clientes
- teléfonos
- correos electrónicos
- direcciones
- información financiera
- contraseñas
No sería apropiado permitir que un agente pueda consultar absolutamente todo.
El acceso debe limitarse de acuerdo con la función que cumple.
Además, las credenciales de la base de datos nunca deberían incluirse directamente dentro del prompt.
La conexión debe manejarse mediante mecanismos seguros en el software, utilizando variables de entorno, gestores de secretos o sistemas equivalentes.
El agente debería recibir solamente las herramientas y permisos necesarios para realizar su trabajo.
8. El problema de las consultas incorrectas
Uno de los principales riesgos de utilizar IA para generar consultas es que una consulta puede parecer correcta y aun así producir resultados incorrectos.
Por ejemplo, si un usuario pregunta:
"¿Cuántas ventas tuvimos el año pasado?"
El agente necesita saber exactamente qué significa "ventas".
¿Se refiere al número de transacciones?
¿Al número de productos vendidos?
¿Al dinero generado?
¿A las ventas después de devoluciones?
La pregunta puede parecer sencilla, pero depende de cómo esté definida la información dentro de la empresa.
Por eso es importante que el agente tenga acceso a una descripción clara de los datos.
También puede ser necesario que haga preguntas adicionales.
Por ejemplo:
"¿Te refieres al número de operaciones realizadas o al importe total de las ventas?"
Esto es mucho mejor que inventar una interpretación.
9. Cuando la base de datos no contiene la respuesta
Otro aspecto importante es que el agente debe ser capaz de reconocer cuándo la información solicitada no está disponible.
Supongamos que una base de datos contiene ventas, pero no contiene información sobre campañas publicitarias.
Si alguien pregunta:
"¿Qué campaña publicitaria generó más ventas?"
El agente no debería inventar una respuesta.
Debería reconocer que necesita información que no se encuentra en las tablas disponibles.
Esta capacidad es fundamental para construir sistemas confiables.
Un agente útil no es solamente aquel que responde muchas preguntas. También es aquel que sabe decir "no tengo suficiente información para responder eso".
10. Bases de datos y agentes para empresas
Las aplicaciones empresariales son especialmente interesantes.
Una empresa puede tener diferentes sistemas que almacenan información sobre clientes, ventas, inventarios y operaciones.
Un agente podría utilizar estas fuentes para responder preguntas de manera rápida.
Por ejemplo:
"¿Qué productos tienen mayor demanda y cuáles están próximos a agotarse?"
El agente podría consultar ventas e inventario, combinar ambas fuentes y proporcionar una respuesta.
Incluso podría identificar situaciones que requieran atención:
"El producto X ha aumentado sus ventas un 30 % durante las últimas semanas y actualmente quedan solamente 12 unidades."
Aquí la IA no solamente está buscando un dato. Está utilizando información almacenada para producir una interpretación útil.
11. Agentes y bases de datos de sensores
En proyectos de ingeniería y automatización también existe una aplicación muy interesante.
Los sistemas IoT pueden almacenar continuamente información de sensores.
Por ejemplo:
- temperatura
- presión
- humedad
- corriente
- voltaje
- velocidad
- estado de dispositivos
Imaginemos una planta donde los sensores registran información cada minuto.
Después de varias semanas podemos tener cientos de miles de registros.
Un agente podría recibir preguntas como:
"¿Cuál fue la temperatura máxima registrada durante esta semana?"
O:
"¿En qué momentos la presión superó el límite establecido?"
El agente puede consultar los registros y presentar la información sin que el operador tenga que construir manualmente las consultas.
Esto permite combinar IA, bases de datos e IoT, creando interfaces más accesibles para sistemas industriales.
12. ¿Qué pasa con las bases de datos grandes?
Cuando una base de datos contiene millones de registros, no es conveniente entregar todos los datos al modelo de IA.
La base de datos debe realizar el trabajo pesado.
Por ejemplo, si existen diez millones de registros de ventas y el usuario pregunta por las ventas promedio de un producto, no tendría sentido enviar los diez millones de registros al modelo.
Es mejor que la base de datos calcule el resultado y devuelva únicamente la información necesaria.
Esto reduce costos, disminuye el tiempo de respuesta y evita enviar información innecesaria al modelo.
La IA debería utilizar la base de datos como una herramienta especializada.
13. SQL y los agentes de IA
Aunque el usuario no tenga que aprender SQL para utilizar el agente, entender sus fundamentos sigue siendo muy útil para los desarrolladores.
SQL permite realizar operaciones como seleccionar información, filtrar registros, ordenar resultados, agrupar datos y calcular valores.
Por eso, un desarrollador que conozca SQL puede comprender mejor lo que el agente está intentando hacer.
También puede detectar errores más fácilmente.
La inteligencia artificial facilita la interacción con las bases de datos, pero no elimina la necesidad de comprender cómo funcionan los datos.
De hecho, cuanto más complejo sea el sistema, más importante resulta que exista una persona capaz de revisar su funcionamiento.
14. Cómo diseñar una herramienta de consulta
Una buena herramienta para un agente debe tener una función claramente definida.
Por ejemplo, en lugar de proporcionar acceso completamente abierto a una base de datos, podemos crear una herramienta llamada consultar_ventas.
Esta herramienta podría recibir parámetros como:
- fecha inicial
- fecha final
- producto
- categoría
El agente decide cuándo utilizarla y proporciona los parámetros correspondientes.
La herramienta se encarga de realizar la consulta real.
Este enfoque tiene una ventaja importante: el desarrollador conserva mayor control sobre lo que puede hacer el agente.
Además, facilita validar los parámetros antes de ejecutar una operación.
15. ¿Puede el agente analizar los resultados?
Sí. Esta es precisamente una de las características más interesantes.
La base de datos puede devolver datos estructurados, mientras que el agente puede convertirlos en una explicación.
Por ejemplo, la consulta podría devolver:
Producto A: 850 unidades Producto B: 720 unidades Producto C: 610 unidades
El agente puede convertir esto en:
"El Producto A fue el más vendido con 850 unidades, seguido del Producto B con 720 y del Producto C con 610. El Producto A tuvo una ventaja de 130 unidades sobre el segundo lugar."
En este caso, la base de datos proporciona los datos y la IA ayuda a interpretarlos.
Es importante diferenciar ambas funciones.
La base de datos es responsable de almacenar y consultar información de manera estructurada.
El modelo de IA es responsable de interpretar la solicitud y comunicar los resultados.
16. Combinar bases de datos con otras herramientas
Un agente no tiene que limitarse a una sola fuente de información.
En los artículos anteriores vimos que puede utilizar APIs, búsqueda web y ejecución de código.
Ahora podemos añadir una base de datos.
Por ejemplo, un agente empresarial podría:
- Consultar las ventas en una base de datos.
- Consultar el inventario.
- Obtener información adicional mediante una API.
- Utilizar Python para calcular estadísticas.
- Generar un resumen para el usuario.
Aquí podemos ver cómo las herramientas comienzan a combinarse.
El agente funciona como un sistema capaz de decidir qué herramienta utilizar dependiendo del problema que tenga que resolver.
17. Un ejemplo completo
Imaginemos una empresa que vende componentes electrónicos.
Tiene una base de datos con productos, clientes y ventas.
Un empleado pregunta:
"¿Cuáles fueron los componentes más vendidos durante los últimos tres meses y cuáles tienen poco inventario?"
El agente podría dividir la tarea en varias partes.
Primero necesita consultar las ventas de los últimos tres meses.
Después puede agrupar los resultados por producto para identificar cuáles tuvieron mayor demanda.
Luego consulta el inventario actual.
Finalmente compara ambas fuentes.
El resultado podría ser algo como:
"Los tres componentes con mayor demanda fueron el sensor A, el microcontrolador B y el módulo C. El sensor A es el que presenta mayor riesgo de agotarse porque mantiene una demanda elevada y actualmente quedan pocas unidades."
Aquí podemos observar que el agente no se limitó a buscar un registro.
Tuvo que interpretar la pregunta, utilizar varias consultas, combinar información y presentar una conclusión.
Esto es precisamente lo que diferencia a una interfaz inteligente de una simple búsqueda dentro de una base de datos.
18. Bases de datos tradicionales y bases de datos vectoriales
Es importante no confundir este concepto con las bases de datos vectoriales que mencionamos cuando hablamos de memoria.
Una base de datos tradicional almacena información estructurada como registros y columnas.
Por ejemplo:
| ID | Producto | Precio | Inventario |
|---|---|---|---|
| 1 | Sensor A | 150 | 20 |
| 2 | Sensor B | 230 | 8 |
Una base de datos vectorial, en cambio, está diseñada para trabajar con representaciones numéricas de información y resulta especialmente útil para buscar contenido por similitud semántica.
Ambas tecnologías pueden utilizarse dentro de un mismo sistema.
Por ejemplo, un agente podría utilizar una base de datos tradicional para consultar inventarios y una base vectorial para recuperar documentos relacionados con los productos.
Esto permite construir sistemas mucho más completos.
19. Ventajas de utilizar lenguaje natural
La principal ventaja es la accesibilidad.
Una persona no necesita conocer SQL para realizar una consulta.
También puede resultar más rápido para preguntas exploratorias.
En lugar de crear manualmente diferentes filtros y reportes, el usuario puede preguntar directamente lo que necesita.
Otra ventaja es que el agente puede combinar preguntas.
Por ejemplo:
"Muéstrame las ventas de los productos que tuvieron más de 20 % de crecimiento y dime cuáles tienen menos de diez unidades disponibles."
Una consulta de este tipo puede requerir varias operaciones. Un agente puede encargarse de coordinar ese proceso.
20. Limitaciones y riesgos
A pesar de sus ventajas, estos sistemas no son perfectos.
Un agente puede interpretar mal una pregunta, generar una consulta incorrecta o utilizar una columna equivocada.
También puede existir información incompleta o desactualizada en la propia base de datos.
Además, los datos empresariales pueden ser sensibles.
Por eso, no debemos considerar que conectar una IA con una base de datos automáticamente convierte los datos en información confiable.
Es necesario establecer permisos, validaciones, registros de actividad, pruebas y supervisión.
En sistemas críticos, una persona debe poder revisar las operaciones importantes antes de que se ejecuten.
21. El futuro de las interfaces con bases de datos
La posibilidad de realizar consultas utilizando lenguaje natural está cambiando la forma en que las personas interactúan con la información.
En lugar de pensar primero en tablas, filtros y consultas, los usuarios pueden comenzar expresando directamente el problema que quieren resolver.
Sin embargo, el verdadero potencial aparece cuando la IA no solamente consulta datos, sino que también puede combinarlos con otras herramientas.
Un agente podría consultar una base de datos, analizar los resultados con Python, obtener información actualizada mediante una API y generar un reporte automáticamente.
Esto convierte a la base de datos en una de las muchas herramientas disponibles para el agente.
La tendencia apunta hacia sistemas donde la interfaz deja de ser únicamente una aplicación con botones y formularios y comienza a convertirse en una conversación capaz de activar diferentes procesos.
Conclusiones
Las bases de datos contienen una enorme cantidad de información útil, pero acceder a ella tradicionalmente requiere conocer la estructura de los datos y herramientas como SQL. Los agentes de IA pueden funcionar como intermediarios capaces de interpretar preguntas en lenguaje natural, consultar información y explicar los resultados.
Sin embargo, conectar un agente con una base de datos requiere mucho más que darle acceso. Es necesario controlar permisos, validar consultas, proteger información sensible y establecer límites sobre las operaciones que puede realizar.
También vimos que estos agentes pueden ser especialmente útiles en empresas, sistemas IoT, inventarios, ventas y análisis de información. Cuando se combinan con APIs, Python y otras herramientas, pueden convertirse en sistemas capaces de realizar tareas mucho más complejas.
En el siguiente artículo continuaremos con otra aplicación importante: los agentes de IA que leen y procesan documentos, donde veremos cómo pueden trabajar con archivos, PDFs, reportes y grandes cantidades de información escrita.