SQL desde cero con IA: convierte preguntas en consultas

Cómo los profesionales de datos usan prompts para construir SQL con precisión quirúrgica

Por Jose Luis Rueda · 12 min lectura · 2026-07-10

Construir una consulta SQL desde cero sigue siendo uno de los cuellos de botella silenciosos en los equipos de datos. La sintaxis no es el problema. El verdadero desafío aparece cuando la pregunta del negocio no encaja de forma obvia en el esquema de la base de datos. Ahí es donde un analista pierde minutos valiosos, o incluso horas, probando joins y cláusulas WHERE.

Una buena IA, entrenada para asistir en SQL, cambia las reglas. Pero no como un generador mágico de código. La clave está en el prompt. Este artículo toma como base una solicitud real de un usuario y la respuesta inicial de la IA: '¿puedes explicar por favor qué tipo de análisis de datos te gustaría hacer?'. Esa pregunta, simple y directa, es el punto de partida para construir consultas que funcionen a la primera.

Exploraremos el concepto de un 'terminal SQL' conversacional, es decir, ese espacio donde convertir una necesidad de análisis en sentencias SQL optimizadas. Usaremos ejemplos prácticos y te mostraremos cómo HolaGPT actúa como ese terminal inteligente para profesionales que no quieren perder tiempo en sintaxis, sino obtener respuestas.

El terminal SQL no es una línea de comandos, es una conversación

Cuando hablamos de 'SQL terminal' no nos referimos a una consola fría. Hablamos del flujo de trabajo entre un analista y una IA. La IA se convierte en el intérprete de sus necesidades de datos. Al igual que en una terminal tradicional tecleas comandos y ves resultados, aquí introduces descripciones de análisis y recibes código SQL listo para ejecutar. El salto de calidad llega cuando la interacción no es un simple copiar y pegar, sino un diálogo iterativo.

El prompt inicial del ejemplo captura bien la filosofía: antes de escribir una sola línea de SQL, la IA detiene al usuario y pregunta por el tipo de análisis. Esto evita el sesgo de empezar con una consulta abstracta que luego hay que reescribir por completo. Para un profesional, esa pregunta es el equivalente a un analista senior que pide aclarar objetivos antes de tocar el teclado.

En la práctica, usar HolaGPT como terminal SQL implica seguir un patrón de prompts estructurados. No basta con pedir 'dame los clientes'. Hay que informar sobre el esquema, las columnas relevantes, el filtro temporal, el nivel de agregación y el formato de salida deseado. Cada prompt es una capa de precisión.

Paso 1: declara el objetivo de análisis sin ambigüedad

El error más frecuente en prompts para SQL es saltar directamente a la solicitud técnica. El usuario escribe 'quiero un join entre clientes y pedidos' en lugar de explicar qué métrica de negocio persigue. La IA entrenada para SQL, como la que describe el prompt, responde devolviendo la pregunta clave: ¿qué análisis quieres hacer? Esto obliga a reformular el problema.

Un buen objetivo de análisis suena a algo como: 'necesito identificar los productos con mayor tasa de devolución en el último trimestre, segmentados por canal de venta'. Con eso, la IA puede decidir si necesita subconsultas, ventanas analíticas o agrupaciones condicionales. Si el objetivo es vago ('quiero ver ventas'), la consulta será genérica e ineficiente. Dedicar dos minutos extra a perfilar la pregunta reduce drásticamente los ciclos de iteración posteriores.

Ejemplo práctico: un ecommerce quiere reducir el abandono de carrito. El objetivo no es 'dame datos del carrito', sino 'quiero una tabla con la tasa de abandono por usuario en los últimos 30 días, incluyendo el número de productos en el carrito y la categoría principal de esos productos, para usuarios que se hayan logueado al menos una vez'. Con ese nivel de detalle, el terminal SQL generará una consulta con los CTEs necesarios y los filtros correctos.

Paso 2: entrega contexto del esquema o usa descripción guiada

Una IA no conoce tus tablas. Si el prompt solo pide 'ventas mensuales por región', la respuesta será artificial porque asume nombres inventados. Para que el terminal SQL funcione, debes incluir una descripción del esquema, aunque sea mínima. Algo así: 'Tengo una tabla transacciones con columnas fecha, monto, id_producto, id_cliente. La tabla clientes tiene ciudad y fecha_registro. La tabla productos tiene categoria y precio_costo.'

Si no puedes describir todo el esquema, la IA te preguntará. La solicitud original es un claro ejemplo: primero pregunta, luego construye. Aprovecha esa fase para listar los campos exactos que necesitas. Incluso puedes pegar una muestra de datos de 3 o 4 filas con valores ficticios pero realistas. Eso alinea la lógica de la consulta con los tipos de datos reales.

Cuando trabajas con HolaGPT, puedes iniciar así: 'Tengo estas tablas (adjunto descripción). Quiero contar pedidos por cliente solo para aquellos que hicieron su primera compra después del 1 de enero de 2024. ¿Cómo lo harías paso a paso y qué cláusulas necesito?' La IA desglosa el razonamiento antes de escribir código, un enfoque mucho más educativo y fiable que obtener una consulta de la que no entiendes las uniones.

Paso 3: el arte del prompt estructurado para SQL

Hay una diferencia abismal entre un prompt desordenado y uno con estructura. El terminal SQL procesa mejor cuando recibe bloques de información delimitados. Por ejemplo:

• Objetivo: calcular el valor de vida del cliente (LTV) a 12 meses.
• Tablas involucradas: orders (order_id, customer_id, order_date, total_amount), customers (customer_id, signup_date, region).
• Definiciones: LTV = suma de total_amount por cliente desde su fecha de registro hasta 365 días después.
• Filtros: excluir pedidos cancelados y clientes con menos de 2 pedidos en el periodo.
• Formato de salida: columnas customer_id, ltv_12m, region, segmento_rfm (opcional).

Con este formato, la IA puede montar una consulta con funciones de ventana, filtros con HAVING y CASE WHEN para la segmentación. El ahorro de tiempo es notable: lo que a un analista le llevaría 45 minutos entre probar y depurar, el terminal SQL lo resuelve en segundos y, además, explica las decisiones de rendimiento (por ejemplo, por qué usar una tabla derivada en lugar de una subconsulta correlacionada).

Un prompt bien estructurado también incluye restricciones de compatibilidad: 'quiero SQL estándar, sin funciones exclusivas de SQL Server' o 'necesito manejo de nulos con resultados coherentes'. Cuanto más acotes, menos correcciones harás después.

Paso 4: iteración rápida, el verdadero valor del terminal

El terminal SQL no se limita a generar una consulta y ya está. Su potencia radica en el refinamiento conversacional. Lanzas el primer prompt, obtienes una consulta, y respondes: 'este resultado agrupa por producto pero me falta el precio promedio ponderado, ¿cómo lo añado sin perder la agrupación actual?' La IA modifica la consulta, añade la lógica, y devuelve la nueva versión con los cambios resaltados.

Esta dinámica es relevante en análisis exploratorios, donde las preguntas cambian sobre la marcha. Imagina que estás investigando una caída en la retención. Empiezas con una consulta de cohortes, luego la IA propone una desagregación por canal de adquisición, y más tarde una visualización de la retención en forma de heatmap a través de una simple descripción en lenguaje natural. El código SQL se adapta sin empezar de cero.

En HolaGPT, esta capacidad de iterar sin fricción está integrada. No necesitas ser un DBA para afinar una consulta compleja. Puedes pedir: 'reescribe la consulta usando window functions en lugar de subconsultas para mejorar rendimiento, y añade un comentario explicando el cambio'. El terminal SQL responde con la consulta optimizada y la explicación, educándote en el proceso.

Paso 5: prueba, depuración y optimización con un copiloto

Generar la consulta es solo la primera parte. Un buen terminal SQL también te ayuda a validarla. Después de ejecutarla, puedes pegar el plan de ejecución (EXPLAIN) y pedir: 'este plan muestra un full scan en la tabla orders, ¿podemos añadir un índice o reescribir el filtro para usar el índice que ya existe en order_date?' La IA analiza el plan y sugiere modificaciones concretas, desde cambios de sintaxis hasta recomendaciones de indexación.

Además, puedes usar el terminal para construir consultas de prueba de integridad. Por ejemplo: 'genera una consulta que compruebe cuántos registros tienen customer_id nulo en la tabla orders y si esa cantidad es aceptable (menos del 0,5%)'. Si el resultado excede el umbral, el terminal sugiere estrategias de limpieza o reglas de exclusión.

En entornos profesionales, una auditoría rápida de datos antes de lanzar un dashboard evita decisiones erróneas. El terminal SQL actúa como un par de ojos extra que detecta valores atípicos, duplicados o fechas inconsistentes, todo mediante prompts en lenguaje natural.

Ejemplos prácticos de análisis reales

Análisis de ventas con segmentación RFM

Prompt: 'Tengo una tabla ventas con customer_id, fecha, monto. Quiero una consulta que calcule Recencia (días desde última compra), Frecuencia (número de compras en 12 meses) y Valor Monetario (suma de montos en el mismo periodo) para cada cliente activo. Luego, clasifica en 3 segmentos: alto, medio, bajo usando percentiles aproximados. La salida debe incluir el customer_id y su segmento RFM concatenado, por ejemplo 'AAB'. La base de datos es PostgreSQL.'

Resultado: la IA generará CTEs para calcular cada métrica, usará NTILE(3) para segmentar, y concatenará códigos. Además, propondrá una tabla derivada para no reptir cálculos.

Churn en suscripciones SaaS

Prompt: 'Tengo tabla subscriptions con subscription_id, customer_id, start_date, end_date, plan, is_canceled. Necesito una consulta que calcule la tasa de cancelación mensual (churn) de los últimos 6 meses, segmentada por plan. Definimos churn como la división de cancelaciones del mes entre el total de suscripciones activas al inicio del mes. Incluye también el churn acumulado trimestral.'

El terminal SQL construirá el cálculo con series mensuales generadas dinámicamente y joins entre cohortes, evitando bucles o dependencias procedimentales.

Tráfico web y conversión

Prompt: 'En la tabla pageviews tengo user_id, timestamp, page_type (home, product, checkout). Quiero una consulta que cuente usuarios únicos que visitaron 'product' y luego 'checkout' en la misma sesión (misma hora). La agrupación es por día y página de entrada.'

La solución incluirá funciones de ventana LAG para secuenciar eventos por usuario, filtros condicionales y agrupaciones precisas.

HolaGPT como terminal SQL en tu flujo diario

HolaGPT está diseñado para profesionales hispanos que necesitan respuestas rápidas sin intermediarios. Cuando integras la generación de SQL en tu rutina, la plataforma actúa como un experto en bases de datos con disponibilidad 24/7. Acepta descripciones de esquemas en español, entiende jerga de negocio y devuelve código comentado.

Una ventaja adicional es que el terminal SQL de HolaGPT no solo devuelve consultas, sino que también te guía en la interpretación de resultados. Puedes encadenar prompts: 'esta consulta me devuelve 0 filas, ¿es porque el filtro de fecha es demasiado restrictivo o porque no hay datos? Escribe una versión de diagnóstico que cuente registros por mes sin filtro adicional.' Así reduces el tiempo de depuración.

Errores comunes y cómo evitarlos

Incluso con un terminal inteligente, hay tropiezos típicos. El primero es asumir que la IA conoce la distribución de los datos. No es así. Si dices 'dame los clientes con mayor gasto', la IA asumirá una agregación simple, pero no sabrá si hay que excluir clientes de prueba, si los montos negativos son reembolsos o si el gasto incluye impuestos. Siempre añade contexto de negocio en el prompt.

Otro error es no validar el rendimiento. Una consulta perfectamente sintáctica puede ser ineficiente con tablas grandes. Pide siempre un análisis de complejidad o sugiere: 'esta consulta se ejecutará sobre 50 millones de registros, revisa si los joins y los filtros pueden usar índices. Si no, reescríbela priorizando escaneos secuenciales solo donde sea estrictamente necesario.'

Finalmente, no trates al terminal SQL como una caja negra. Lee los comentarios que incluye, pregunta por qué se eligió una estructura sobre otra. Cada interacción es una oportunidad de aprendizaje que fortalece tu perfil profesional.

El terminal SQL basado en IA no reemplaza al analista. Lo potencia. Al devolver la conversación a la fase de entendimiento del problema, como hace el prompt original al preguntar por el tipo de análisis, se garantiza que cada consulta tenga un propósito claro y un diseño coherente. Probar este flujo con HolaGPT te permitirá reducir ciclos de desarrollo, mejorar la calidad del dato y dedicar más tiempo a la parte estratégica del análisis.