En el mundo financiero, los datos son el nuevo petróleo. Pero a diferencia del petróleo, los datos no se extraen con bombas: se acceden con consultas SQL. Y aquí radica el problema: solo los ingenieros de datos saben escribirlas. Rocket Mortgage, uno de los mayores prestamistas hipotecarios de EE.UU., enfrentaba una paradoja: tenían petabytes de información sobre clientes, pagos, riesgos y mercados… pero el 90% de sus empleados no podía extraer insights de ella sin depender de equipos técnicos.

La solución no fue contratar más ingenieros ni capacitar a todos en SQL. Fue construir un agente de IA con RAG (Retrieval-Augmented Generation) que actúa como un traductor inteligente entre el lenguaje natural y las bases de datos. Este no es un simple chatbot que responde preguntas con información previamente indexada. Es un agente autónomo: analiza la consulta del usuario, decide qué tablas consultar, genera la consulta SQL correcta, la ejecuta, interpreta los resultados y responde en lenguaje comprensible —todo en segundos.

Lo revolucionario no está en el texto a SQL en sí, sino en la arquitectura agente-RAG. Mientras que los sistemas tradicionales de texto a SQL se basan en modelos entrenados únicamente con ejemplos de consultas, Rocket Mortgage integró un sistema de recuperación dinámica. El agente no solo “recuerda” cómo se hacen consultas: busca en documentos internos, esquemas de base de datos, políticas de cumplimiento y hasta notas de reuniones anteriores para entender el contexto. ¿El usuario pregunta: “¿Cuántos préstamos se rechazaron por ingresos insuficientes en Texas el último trimestre?”? El agente no solo busca la tabla de préstamos. También revisa la definición de “ingresos insuficientes” según su política interna y el rango de fechas que usan en reportes trimestrales.

Esto elimina una de las mayores frustraciones en sistemas de inteligencia artificial empresarial: los errores por falta de contexto. Antes, un empleado preguntaba “¿cuántos clientes están en mora?” y el sistema devolvía datos de “retrasos de 30 días”, cuando la empresa define mora a partir de 60. Con RAG agente, el sistema entiende que debe consultar primero la definición operativa, no solo los datos.

La implementación no fue trivial. Rocket Mortgage tuvo que unificar fuentes de datos fragmentadas, limpiar esquemas de bases de datos obsoletos y crear un sistema de retroalimentación donde los usuarios pueden corregir errores del agente. Cada corrección se convierte en un nuevo dato de entrenamiento, mejorando el sistema en tiempo real. El resultado: un 70% de reducción en solicitudes de soporte técnico y un aumento del 40% en la toma de decisiones basadas en datos entre equipos no técnicos —desde atención al cliente hasta gestión de riesgos.

¿Por qué esto importa para profesionales tech en Latinoamérica? Porque la próxima ola de adopción de IA en empresas no será en chatbots o generación de contenido, sino en acceso democratizado a datos. Empresas como Mercado Libre, Nubank o BBVA ya están explorando este modelo. El futuro no pertenece a quienes tienen más datos, sino a quienes permiten que todos los empleados los usen sin barreras técnicas.

Rocket Mortgage demuestra que la IA no debe reemplazar a los humanos: debe empoderarlos. Y el agente con RAG es el puente más inteligente que hemos construido hasta ahora para ese fin.