Dashboard de Inteligencia de Negocio con IA
Problema
La toma de decisiones gerenciales era lenta por la dependencia de analistas para cruzar datos de ventas y generar reportes estáticos.
Solución
Dashboard interactivo con un agente autónomo (LangGraph) capaz de consultar la base de datos SQL en lenguaje natural, predecir ventas y generar gráficas dinámicas al instante.
Arquitectura
Front en React sobre PostgreSQL. Un grafo LangGraph orquesta herramientas de consulta SQL y de gráfico: el usuario escribe en español, el agente planifica, ejecuta lecturas parametrizadas y devuelve una figura. No hay un LLM pegado al string SQL crudo; las herramientas exponen operaciones permitidas. El mismo almacén alimenta el ERP de planta.
Cómo se midió
Cifra reportada por el operador (ingeniero único del dashboard), Towel S.A. de C.V., oct 2025–presente. Comparó el tiempo de armar el reporte semanal de ventas antes (exportación y cruce manual) con el tiempo de preguntar al agente y renderizar la gráfica. No es un estudio controlado ni una auditoría de terceros.
¿Cómo un gerente consulta ventas sin esperar al analista?
Escribe la pregunta en el dashboard. Un agente LangGraph usa herramientas de SQL parametrizado y de gráfico sobre PostgreSQL y devuelve la figura. El analista deja de ser el cuello de botella del reporte semanal.
El trabajo
Towel S.A. de C.V. fabrica textil en Puebla. Antes de este trabajo, un gerente que quería cruzar ventas con producción pedía un reporte a un analista. El analista exportaba, unía tablas y devolvía una lámina estática. Si la pregunta cambiaba, el ciclo empezaba otra vez. Eso no es un problema de “más gráficos”: es un problema de quién puede hacer la pregunta y cuánto tarda la respuesta. El viernes se volvía un mini-proyecto. El lunes la cifra ya era historia.
El sistema que construí es un dashboard en React que habla con PostgreSQL a través de un agente LangGraph. El usuario escribe en español. El grafo decide qué herramienta llamar: una lectura SQL con parámetros, no una concatenación de strings, y una herramienta de gráfico que pinta el resultado. El modelo no tiene vía libre al esquema; ve operaciones que yo expuse. Eso es deliberado en una planta donde una consulta mal formada no es un incidente de blog, es inventario mal leído. Cada herramienta nueva es una decisión de producto: o la pregunta se repetirá, o se responde una vez y se olvida.
El mismo almacén alimenta el ERP de piso. Dashboard y ERP no son dos productos de marketing: son dos caras de un registro. Si el piso carga estaciones y materiales, la gerencia puede preguntar por esas cifras sin un segundo almacén “para BI”. La predicción de ventas es un modelo sobre ese historial, no un widget desconectado. Cuando el piso y la gerencia discuten, discuten el mismo número.
Mi rol fue de extremo a extremo: modelado, herramientas del agente, UI, y el criterio de qué pregunta merece una herramienta nueva frente a un reporte de una sola vez. No hubo un equipo de datos aparte. Sigo en Towel desde octubre de 2025; el dashboard sigue en uso porque el reporte semanal dejó de ser un proyecto cada viernes. Las capturas de esta página son de ese UI, no de un mock.
Lo que no es: un producto SaaS público, un notebook de demostración, ni un LLM con acceso irrestricto a producción. Es un sistema interno, pagado, con un operador que midió el antes y el después del reporte semanal y reportó una caída de alrededor del 90% en ese tiempo. Esa cifra no tiene auditoría externa. Si un reclutador quiere el detalle del método, está en esta misma página, en “Cómo se midió”.
Capturas
