05 de mayo de 2026
IA en Finanzas en el Sector Alimentario: Traducción de Lenguaje Natural a SQL
Lucas Prado Nogueira; Ricardo Antônio Câmara Da Silva
Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción.
La industria alimentaria desempeña un papel fundamental para la subsistencia de la población mundial, garantizando la seguridad alimentaria a través de innovaciones constantes en los procesos productivos y en la oferta de productos asequibles. En el escenario brasileño, este sector asume una relevancia aún mayor, representando aproximadamente el 10% del Producto Interno Bruto nacional y siendo responsable de la generación de empleo para millones de ciudadanos. Con el avance de la transformación digital, las grandes corporaciones de este segmento pasaron a operar bajo un régimen de intensa digitalización, en el cual la utilización de bases de datos estructuradas y relacionales se convirtió en la columna vertebral para el mantenimiento de la integridad de la información y para el soporte a la toma de decisiones estratégicas. Conforme señalan Silberschatz, Korth y Sudarshan (2020), la gestión eficiente de estos datos es lo que permite la agilidad necesaria en mercados competitivos. Sin embargo, la interacción con estos repositorios de datos generalmente exige el dominio del Structured Query Language, un lenguaje de programación estandarizado orientado a la manipulación y consulta de datos en sistemas relacionales.
A pesar de la omnipresencia de las bases de datos en las estructuras corporativas, el acceso directo a la información estratégica aún configura un desafío sustancial para profesionales ubicados en departamentos como Finanzas y Control de Gestión. Estos colaboradores frecuentemente enfrentan una barrera técnica, dependiendo de equipos especializados en tecnología de la información para la extracción de informes o para la ejecución de consultas específicas. Esta dependencia genera cuellos de botella operativos, retrabajos y limita la autonomía de los gestores, dificultando respuestas en tiempo real a las fluctuaciones del mercado. La necesidad de transformar datos brutos en información accionable exige, a menudo, conocimientos avanzados en programación o en la construcción de paneles de visualización complejos, lo que demanda un tiempo considerable para la estructuración de las búsquedas. En este contexto, la inteligencia artificial surge como un elemento transformador, definida por Russell y Norvig (2016) como la capacidad de las máquinas de simular procesos cognitivos humanos, incluyendo el aprendizaje y el razonamiento lógico para la resolución de problemas complejos.
Dentro del campo de la inteligencia artificial, el procesamiento del lenguaje natural destaca como la subárea dedicada a hacer la comunicación entre seres humanos y computadoras más eficiente e intuitiva. Según Jurafsky y Martin (2021), el desarrollo de modelos capaces de comprender los matices del habla y la escritura humana permite que usuarios sin formación técnica en computación interactúen con sistemas complejos de forma simplificada. La evolución reciente de los modelos de lenguaje a gran escala ha posibilitado que la traducción de preguntas formuladas en lenguaje natural a comandos técnicos, como el código SQL, se convierta en una realidad viable para el entorno corporativo. Zhou, Zhang y Lin (2022) corroboran esta perspectiva al demostrar que la aplicación de técnicas de procesamiento del lenguaje natural en bases de datos estructuradas democratiza el acceso a la información, permitiendo que la intuición del negocio guíe la exploración de los datos sin las ataduras de la sintaxis de programación.
La justificación para la implementación de soluciones de esta naturaleza reside en la búsqueda de la eficiencia gerencial y en la reducción del tiempo de respuesta para el análisis de indicadores económicos. El objetivo central es desarrollar una herramienta que actúe como un puente entre el usuario final y la base de datos, traduciendo intenciones de búsqueda en consultas precisas. La aplicación se enfoca en el Estado de Resultados, también conocido como Profit and Loss, que es uno de los pilares de la contabilidad corporativa. Este estado es esencial para que los empleados de finanzas analicen el desempeño de las compañías, especialmente aquellas de capital abierto, que exigen transparencia y rigor en la presentación de sus resultados. Al automatizar la generación de consultas sobre el beneficio, gastos e ingresos, la solución propuesta apunta no solo a la productividad, sino también al refuerzo del conocimiento sobre el potencial de las tecnologías emergentes en el sector financiero.
La metodología adoptada para la conducción de este estudio se caracteriza como una investigación aplicada, de naturaleza cualitativa y carácter exploratorio. El enfoque principal fue la resolución de un problema específico dentro de una empresa multinacional del sector alimentario, buscando ampliar el conocimiento sobre la integración de modelos de lenguaje en flujos de trabajo financieros. Según Theóphilo y Martins (2009), la investigación cualitativa permite un contacto directo con el contexto real del problema, priorizando la comprensión de los fenómenos en detrimento de meras mediciones estadísticas. Para fundamentar el desarrollo, se realizó una revisión bibliográfica sistemática, abarcando artículos científicos, libros e informes técnicos que discuten los avances teóricos en modelos de lenguaje y arquitecturas de almacenes de datos. Gil (2022) enfatiza que el enfoque exploratorio es ideal para proporcionar mayor familiaridad con el tema, permitiendo que la planificación considere diversos aspectos del objeto de estudio.
El proceso operativo se dividió en etapas rigurosas, iniciándose por la recolección de percepciones de los usuarios y culminando en el desarrollo técnico de un prototipo funcional. Para comprender los desafíos que enfrentan los profesionales, se aplicó un formulario estructurado vía Google Forms a colaboradores de las áreas de Finanzas y Tecnología de la Información. El cuestionario investigó el nivel de familiaridad con el lenguaje SQL, la frecuencia de consultas realizadas y el tiempo medio empleado para la obtención de datos. Flick (2009) resalta que la experiencia previa del investigador y el contacto con los sujetos de la investigación son fundamentales para el soporte a las reflexiones y decisiones durante la producción del conocimiento. La participación fue voluntaria y anónima, garantizando la confidencialidad necesaria para que los encuestados expresaran sus reales dificultades y expectativas en cuanto al uso de herramientas automatizadas.
En el desarrollo del back-end, se utilizó el lenguaje de programación Python, integrando bibliotecas como SQLite para la persistencia de datos y SQLAlchemy para la abstracción de las consultas. La elección de estas herramientas se debió a la robustez y a la amplia documentación disponible, facilitando la comunicación con la base de datos simulada. La integración con la inteligencia artificial se realizó a través de interfaces de programación de aplicaciones de la plataforma Groq Cloud, donde se probaron diversos modelos de lenguaje. Se priorizó el modelo llama-3.1-8b-instant, que presentó un equilibrio satisfactorio entre el costo computacional y la precisión interpretativa. Para elevar la exactitud del sistema, se implementó una capa de preprocesamiento lingüístico, responsable de la normalización semántica, eliminación de acentuaciones y tratamiento de sinónimos específicos del vocabulario corporativo, garantizando que diferentes formas de preguntar sobre el mismo indicador financiero resultaran en el mismo comando SQL válido.
La interfaz de usuario, o front-end, se construyó utilizando el framework Streamlit, que permite la creación de aplicaciones web interactivas de forma ágil y con bajo costo de desarrollo. Esta interfaz posibilitó que el usuario escribiera sus dudas en portugués, visualizara el comando SQL generado en tiempo real y accediera a los resultados de la consulta directamente en la pantalla, sin necesidad de instalaciones adicionales. Se incorporaron recursos de usabilidad, como el historial de búsquedas y la opción de exportación de los datos en formato CSV, para aumentar la aplicabilidad práctica de la herramienta. El modelado de la base de datos siguió la estructura de esquema estrella, organizando la información en tablas de hechos y dimensiones, lo que es ideal para análisis rápidos en sistemas de inteligencia de negocios. La base de datos contenía información ficticia de Profit and Loss de América Latina, con detalle por país, unidad de negocio y canal de venta, reflejando la complejidad de un entorno corporativo real.
La validación del sistema se realizó en dos frentes distintas: la técnica y la perceptiva. En la dimensión técnica, se sometió el sistema a un conjunto de 110 preguntas predefinidas, abarcando diversas dimensiones de la base de datos, como ingresos netos y gastos operativos en países como Brasil, Argentina y México, referentes a los años 2023 y 2024. Cada respuesta generada por la inteligencia artificial fue comparada con un valor de referencia obtenido mediante consulta manual, permitiendo medir la exactitud del traductor. En la dimensión perceptiva, se analizaron los datos del cuestionario para identificar el nivel de aceptación de la solución. El análisis de los resultados también incluyó una comparación con métodos tradicionales, como la ejecución directa de código por expertos y el uso de herramientas de Business Intelligence, evaluando el tiempo de procesamiento y la facilidad de uso.
Los resultados obtenidos revelaron que la aplicación basada en modelos de lenguaje presenta un rendimiento altamente competitivo, especialmente en consultas de complejidad baja y media. Se observó que el 85,7% de los profesionales consultados coincide en que el uso del lenguaje natural facilita significativamente el acceso a los datos, reduciendo la dependencia de equipos técnicos para tareas rutinarias. Además, el mismo porcentaje de encuestados afirmó que apoyaría la adopción formal de una herramienta de inteligencia artificial con este propósito en la organización. En cuanto a la comodidad en el uso de interfaces conversacionales, el 78,6% de los participantes se declaró cómodo utilizando un chatbot para buscar información financiera. Estos datos sugieren que existe una demanda real y una predisposición favorable a la adopción de tecnologías que simplifiquen la interacción con datos estructurados.
Durante las pruebas técnicas, el modelo llama-3.1-8b-instant demostró una comprensión robusta de las preguntas formuladas en portugués, logrando mapear correctamente las intenciones de los usuarios al esquema de la base de datos. Sin embargo, se identificó que preguntas excesivamente ambiguas o que utilizaban términos fuera del vocabulario normalizado podían llevar a errores de interpretación. Wang, Li y Chen (2023) destacan que, si bien los modelos de lenguaje poseen un potencial enorme para la generación automática de código, la incidencia de alucinaciones es un factor que no puede ser ignorado. En el contexto de este estudio, las alucinaciones se manifestaron en la creación de consultas que, aunque sintácticamente correctas, no encontraban respaldo en los datos disponibles o en la lógica de negocio, resultando en valores incorrectos o mensajes de error. Este fenómeno refuerza la necesidad de mecanismos de validación sistemática y de una capa de gobernanza humana sobre los resultados generados.
El análisis financiero de la operación del sistema también arrojó datos relevantes. Durante un solo día de pruebas intensivas, el consumo de tokens fue de aproximadamente 16.049 tokens de entrada y 4.648 tokens de salida. Si bien la etapa experimental se viabilizó por los límites gratuitos de la plataforma Groq Cloud, la transición a un entorno de producción a gran escala requeriría una planificación presupuestaria detallada. El costo por adquisición de información está directamente ligado al volumen de solicitudes y al patrón de uso de los modelos. Por lo tanto, la escalabilidad de la solución depende de un equilibrio entre el costo computacional y la calidad de las respuestas, siendo necesario evaluar si modelos más pequeños y económicos son suficientes o si la complejidad de las consultas exige instancias más avanzadas y onerosas.
La discusión sobre la seguridad de los datos surgió como un punto crítico en las respuestas cualitativas del formulario. Los usuarios expresaron temores sobre el riesgo de fuga de información sensible al utilizar plataformas de terceros o conexiones externas. Muchos participantes indicaron que se sentirían más seguros si la herramienta fuera formalmente homologada por el equipo de tecnología de la información y si hubiera un control riguroso de accesos. Esta preocupación es legítima, dado que los datos financieros tienen un alto impacto estratégico. Como forma de mitigación, se sugiere el aislamiento de los modelos en entornos controlados y la implementación de protocolos de autenticación robustos. La pérdida de autonomía analítica también fue mencionada como un riesgo, en caso de que los equipos se vuelvan excesivamente dependientes de la herramienta y pierdan la capacidad de realizar análisis críticos independientes.
Comparando la solución desarrollada con las herramientas de Business Intelligence tradicionales, se notó que la principal ventaja de la inteligencia artificial es la flexibilidad. Mientras que los paneles de Business Intelligence son generalmente estáticos y limitados a vistas predefinidas, la interfaz en lenguaje natural permite consultas ad hoc, atendiendo a necesidades específicas que pueden no haber sido previstas en el desarrollo original del panel. Por otro lado, las herramientas tradicionales aún ofrecen mayor confiabilidad estadística y menor riesgo de interpretaciones erróneas. Así, la aplicación propuesta no debe ser vista como un sustituto definitivo del conocimiento técnico en SQL o de las herramientas de visualización consolidadas, sino como un complemento que amplía la autonomía y acelera la toma de decisiones en entornos complejos.
Las limitaciones técnicas identificadas, como la restricción de peticiones por minuto en la versión gratuita de la API y la ejecución en entorno local, apuntan caminos para evoluciones futuras. La integración con bases de datos en la nube y la adaptación a múltiples idiomas son pasos necesarios para que la herramienta alcance un nivel de madurez industrial. Además, la implementación de restricciones semánticas adicionales en el motor de traducción podría reducir drásticamente la ocurrencia de alucinaciones, garantizando que el modelo opere dentro de límites lógicos estrictos. La realización de pruebas en entornos reales, con un volumen masivo de datos y una base de usuarios más diversificada, permitiría refinar aún más los algoritmos de preprocesamiento y la interfaz de usuario.
En síntesis, la arquitectura de la aplicación, que conecta el front-end en Streamlit al agente de procesamiento implementado con bibliotecas de orquestación y a la base de datos SQLite, demostró ser una prueba de concepto eficaz. El flujo de interacción, desde la pregunta del usuario hasta la visualización de la tabla de resultados, demostró que la barrera técnica para el acceso a datos financieros puede ser significativamente reducida. La democratización de la información corporativa, proporcionada por esta integración tecnológica, contribuye a una cultura organizacional más orientada a datos, donde la agilidad en la obtención de indicadores económicos se convierte en un diferencial competitivo. La necesidad de supervisión técnica y de conocimiento previo en finanzas por parte del usuario final permanece esencial para la validación crítica de los resultados, garantizando que la innovación tecnológica camine de la mano con el rigor analítico exigido por el sector.
Se concluye que el objetivo fue alcanzado, ya que la aplicación desarrollada validó la viabilidad técnica del uso de modelos de lenguaje a gran escala para la traducción de consultas financieras en lenguaje natural a SQL, demostrando una alta tasa de aceptación entre los profesionales de las áreas de finanzas y tecnología. La solución proporcionó ganancias relevantes en términos de agilidad y autonomía en el acceso a los datos del estado de resultados, reduciendo cuellos de botella operacionales y la dependencia de especialistas en programación para consultas rutinarias. A pesar de los desafíos identificados, como la ocurrencia de alucinaciones en modelos más pequeños y las preocupaciones con la seguridad de datos sensibles, el estudio evidenció que la integración de inteligencia artificial en flujos de trabajo corporativos es una tendencia irreversible y prometedora. El prototipo funcional cumplió su papel de simplificar la exploración de indicadores económicos, abriendo camino para futuras investigaciones que busquen la escalabilidad en la nube y el perfeccionamiento de los mecanismos de gobernanza y precisión lingüística en sistemas de soporte a la decisión.
Referencias Bibliográficas:
FLICK, U. An introduction to qualitative research. Thousand Oaks: SAGE Publications, 2009.
GIL, A. C. Como elaborar projetos de pesquisa. 57. ed. São Paulo: GEN | Atlas, 2022
JURAFSKY, D.; MARTIN, J. H. Speech and language processing: an introduction to natural language processing, computational linguistics, and speech recognition. 3. ed. New Jersey: Prentice Hall, 2021.
RUSSELL, S.; NORVIG, P. Inteligência artificial: uma abordagem moderna. 3. ed. São Paulo: Pearson Education, 2016.
SILBERSCHATZ, A.; KORTH, H. F.; SUDARSHAN, S. Database system concepts. 7. ed. New York: McGraw-Hill, 2020.
THEÓPHILO, C. R.; MARTINS, G. A. Metodologia da investigação científica para ciências sociais aplicadas. 2. ed. São Paulo: Atlas, 2009.
WANG, B.; LI, T.; CHEN, Y. GPT-powered SQL query generation: challenges and opportunities. Journal of Artificial Intelligence Research (JAIR), v. 67, n. 2, p. 112-130, 2023.
ZHOU, Y.; ZHANG, M.; LIN, C. A survey on natural language processing for database querying. ACM Computing Surveys, v. 55, n. 3, p. 1-39, 2022.
Resumen ejecutivo del Trabajo de Conclusión de Curso de la Especialización en Ingeniería de Software del MBA USP/Esalq
Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy