Excel y SQL: el negocio municipal no cabe solo en trozos de texto
Un sistema RAG convencional trocea documentos y recupera fragmentos similares al texto de la pregunta. Eso sirve para ordenanzas y informes, pero se queda corto cuando la verdad está en filas, en cabeceras de columnas, en claves que enlazan tablas o en agregaciones sobre miles de registros. dragonSAC trata los datos tabulares como parte de primera clase del conocimiento: no como párrafos disfrazados, sino como estructuras que la IA debe entender para razonar sobre ellas.
El límite del RAG solo documental sobre Excel
Si indexáis un Excel como si fuera un PDF —palabra sobre palabra— el modelo solo ve trozos de texto sueltos. La columna de importe queda lejos de la cabecera; los filtros y los tipos se pierden; una celda en la fila 2.400 no “conversa” con la pregunta salvo por casualidad semántica.
El resultado son respuestas aproximadas o invenciones sobre cifras: inaceptable en tasas, subvenciones, padrones agregados o inventarios internos. Por eso hace falta una capa que interprete la tabla como tabla: tipos, relaciones entre columnas, bloques de datos y significado de cada campo.
Inteligencia sobre la estructura, no solo sobre el texto
dragonSAC incorpora los datos tabulares de forma que el sistema puede trabajar con la estructura real: cabeceras, tipos lógicos, filas y relaciones dentro de la hoja o entre hojas del mismo libro cuando el proyecto lo admite.
El usuario pregunta en lenguaje natural; por detrás la analítica apoya la respuesta en la forma en que están montados los datos, no en una parafrasis del contenido como si fuera un artículo.
Así se abren preguntas que un RAG textual apenas puede encajar bien: comparativas entre ejercicios, cruces entre categorías, detección de outliers evidentes o síntesis condicionadas (“solo los expedientes en este estado y este tramo de fechas”).
De una tabla a varias: esquemas de negocio relacionados
La vida municipal rara vez cabe en una sola hoja: expedientes ligados a personas o parcelas, líneas de liquidación ligadas a cuotas, contratos ligados a lotes y certificaciones. Son esquemas formados por varias tablas relacionadas por claves.
dragonSAC está orientado a que el asistente pueda operar sobre ese tipo de modelo cuando lo configuráis: no se limita a responder sobre “una tabla bonita”, sino a plantear lecturas coherentes sobre datos enlazados que representan el mismo proceso administrativo.
La diferencia práctica es enorme frente a un chat que solo busca párrafos parecidos: aquí la pregunta puede depender de integridad referencial, cardinalidades y rutas entre entidades que un chunk de texto nunca representaría bien.
SQL Server: datos corporativos donde ya viven
Muchos ayuntamientos ya tienen información crítica en bases SQL: vistas para reporting, consultas mantenidas por el proveedor o cuadros de mando exportados periódicamente. Conectar SQL permite que el asistente se apoye en esas fuentes con respuestas deterministas cuando la pregunta lo exige.
No sustituye al sistema de gestión ni a los permisos que cada aplicación ya impone: el alcance es el que definís en el proyecto —ámbitos de datos, lectura controlada y segregación acorde a políticas internas.
En la práctica, eso permite cruzar lo normativo (ordenanza en PDF) con lo operativo (tabla de hechos en SQL) en un solo flujo de respuesta: algo que un RAG puramente textual no puede garantizar.
Misma herramienta, mismos usuarios: documentos + datos
El mismo asistente puede combinar recuperación documental sobre normativa y análisis tabular sobre Excel o SQL. Así el SAC o un técnico no tienen que saltar entre “el chat de los PDF” y “la herramienta de Business Intelligence”.
Las preguntas reales mezclan ambos mundos: “¿Qué establece la ordenanza sobre esta tasa?” y “¿Cuánto figura en el cuadro vigente para este supuesto?” En dragonSAC ese tipo de pregunta cruzada es el caso de uso central, no una excepción.
Qué implica para el ayuntamiento (gobernanza y calidad)
Cuanto más sensible sea el dato, más claros deben ser el origen, la vigencia y quién autoriza la ingesta. Los Excel deben estar actualizados y nombrados de forma que el proyecto refleje la versión correcta; las vistas SQL deben estar acotadas a lo necesario.
La recompensa es una IA útil en el día a día: menos errores en cifras, menos tiempo en cruces manuales entre carpetas y hojas, y más trazabilidad cuando la configuración muestra en qué fuentes se apoya la respuesta.