Los agentes basados en modelos de lenguaje prometen consultar datos en lenguaje natural y generar SQL automáticamente.
Sin embargo, en la práctica, muchos equipos se encuentran con consultas incorrectas, joins erróneos o resultados difíciles de explicar.

En esta charla veremos por qué el problema rara vez está en el agente y casi siempre en cómo están modelados los datos.

A través de ejemplos prácticos, analizaremos:

Por qué los agentes funcionan bien con tablas simples y empiezan a fallar a medida que el modelo se complica

Qué patrones de modelado (tablas planas, modelos en estrella, capas de consumo) facilitan la generación de SQL fiable

Qué lecciones del BI clásico siguen siendo válidas en la era de los agentes

Cuándo tiene sentido limitar el contexto o especializar agentes por dominio.