Excel y SQL: el trabajo del despacho 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 contratos, escritos e informes, pero se queda corto cuando la verdad está en filas, cabeceras, claves que enlazan tablas o agregaciones sobre miles de registros. dragonSAC trata los datos tabulares como parte de primera clase del conocimiento del despacho: 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, 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 una fila muy avanzada no ‘conversa’ con la pregunta salvo por casualidad semántica.
El resultado puede ser respuestas aproximadas o errores sobre cifras, algo especialmente delicado en honorarios, liquidaciones, cuadros de vencimientos, cronologías procesales o seguimientos 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 cómo están montados los datos, no en una paráfrasis del contenido como si fuera un artículo redactado.
Así se abren preguntas que un RAG textual apenas resuelve bien: comparativas entre periodos, cruces entre categorías, detección de incoherencias evidentes o síntesis condicionadas por estado, cliente, fase o rango de fechas.
De una tabla a varias: esquemas de negocio relacionados
La operativa del despacho rara vez cabe en una sola hoja: asuntos ligados a clientes, hitos ligados a expedientes, imputaciones ligadas a profesionales, facturas ligadas a partidas, vencimientos ligados a actuaciones. 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 legal o de gestión.
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 y datos corporativos donde ya viven
Muchos despachos ya tienen información crítica en bases SQL: reporting interno, cuadros de seguimiento, aplicaciones de gestión o consultas mantenidas por terceros. Conectar SQL permite que el asistente se apoye en esas fuentes con respuestas deterministas cuando la pregunta lo exige.
No sustituye al software de gestión ni a los permisos que cada aplicación impone: el alcance es el que definís en el proyecto, con ámbitos de datos, lectura controlada y segregación acorde a vuestra política interna y al secreto profesional.
En la práctica, eso permite cruzar lo documental (contrato, informe, escrito o expediente) con lo operativo (tabla de hechos, tiempos, importes o estados en SQL) en un solo flujo de respuesta: algo que un RAG puramente textual suele resolver con menor fiabilidad.
Misma herramienta, mismos usuarios: documentos + datos
El mismo asistente puede combinar recuperación documental sobre contratos, informes o precedentes con análisis tabular sobre Excel o SQL. Así el abogado no tiene que saltar entre ‘el chat de los PDF’ y ‘la herramienta de reporting’ para responder una misma pregunta.
Las preguntas reales mezclan ambos mundos: ‘¿Qué dice esta cláusula?’ y ‘¿qué importe, fecha o estado figura en la tabla vigente para este asunto?’ En dragonSAC ese tipo de pregunta cruzada es el caso de uso central, no una excepción.
Ejemplos de preguntas mixtas
¿Qué contratos tienen renovación automática este trimestre y qué importe aparece asociado a cada asunto en la tabla de seguimiento?
¿Qué expedientes superan el plazo previsto y qué informe interno explica la causa?
¿Qué clientes tienen facturación pendiente y qué cláusula contractual regula los intereses o penalizaciones?
Qué implica para el despacho: gobernanza y calidad del dato
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 quedar acotadas a lo necesario.
La recompensa es una IA realmente 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 cada respuesta.