- Jose Luis Antonio Fiestas Patiño
- Cesar Torres Silva
- Jerson Martinez Estrada
La traducción de requerimientos analíticos expre sados en lenguaje natural hacia consultas SQL correctas y seguras constituye un cuello de botella recurrente en el sector bancario. Este trabajo presenta un agente de inteligencia artificial para generación de consultas SQL de solo lectura, entrenado sobre logs históricos reales y potenciado mediante Retrieval Augmented Generation (RAG). El sistema incorpora limpieza, anonimización, normalización semántica de SQL y validación automática mediante guardrails. Se evalúan modelos generativos especializados y un componente agéntico extensible con finetuning eficiente (LoRA). Para responder a recomendaciones académicas, se define un benchmark multi-métrica inspirado en evaluación moderna de código [10], se incluyen consultas SQL complejas, se amplía la revisión bibliográfica en text-to-SQL y se propone una estrategia en capas para mitigar alucinaciones. Adicionalmente, se evalúa el componente Agente Coder mediante benchmarks estándar de generación de código (HumanEval y DS-1000), evidenciando que, aunque los modelos compactos no resuelven problemas algorítmicos generales, el enfoque multiagente resulta efectivo para tareas de Data Science y Machine Learning en escenarios prácticos.