Snowflake Cortex y el auge de AISQL: el futuro es SQL

Durante años hemos asociado la inteligencia artificial y los grandes modelos de lenguaje con entornos externos: APIs separadas, scripts de Python, notebooks, pipelines complejos y capas de integración difíciles de gobernar. Esa arquitectura clásica tiene una debilidad evidente: el dato tiene que salir de su entorno seguro para ser procesado.

Snowflake Cortex cambia esa lógica. La propuesta es sencilla y potente: acercar la IA al dato, no el dato a la IA. Con AISQL, muchas tareas basadas en modelos de lenguaje pueden ejecutarse directamente desde SQL, dentro del propio entorno Snowflake.

Qué aporta AISQL

AISQL permite usar funciones nativas para clasificar, resumir, generar, filtrar o analizar información no estructurada sin construir una arquitectura externa completa. El modelo hace el trabajo pesado, pero el ingeniero controla el contexto, la intención y el lugar donde se ejecuta.

AI_COMPLETE: generación universal

AI_COMPLETE es la función base para muchos casos generativos. Permite pedir resúmenes, extracciones, transformaciones o respuestas estructuradas desde una consulta SQL.

SELECT AI_COMPLETE('Resume esta opinión de cliente:', comentario) AS resumen
FROM opiniones;

Su valor real aparece cuando se usa para convertir texto desordenado en información estructurada: extraer campos, normalizar respuestas, generar JSON o preparar datos para una capa analítica posterior.

AI_FILTER: un WHERE semántico

AI_FILTER permite filtrar filas según una condición expresada en lenguaje natural. No busca solo palabras clave: intenta interpretar significado.

SELECT *
FROM articulos
WHERE AI_FILTER('Incluye solo artículos sobre sostenibilidad ambiental', contenido);

Esto abre casos interesantes: detección de spam, clasificación de relevancia, filtrado de feedback, priorización de incidencias o revisión de contenido que no sigue una terminología rígida.

AI_CLASSIFY: categorización inteligente

AI_CLASSIFY permite clasificar registros en categorías definidas. Puede usarse para tickets, comentarios, temas, intención de cliente, idioma, sentimiento o prioridad.

El valor está en que no obliga a construir un modelo desde cero para cada necesidad. Para muchos casos internos, una clasificación asistida por IA puede ser suficiente si se gobierna correctamente.

AI_SUMMARIZE_AGG y AI_AGG

El resumen de una fila es útil, pero muchas veces el negocio necesita una lectura agregada: qué dicen todos los clientes de una tienda, cuál es el tono general de un mes o qué patrones aparecen en cientos de incidencias.

Estas funciones permiten generar síntesis colectivas directamente sobre grupos de datos. Bien usadas, pueden convertir texto disperso en insights ejecutivos.

AI_SIMILARITY y búsqueda semántica

La búsqueda semántica permite encontrar registros parecidos en significado aunque no compartan las mismas palabras. Esto es especialmente valioso para documentación, contratos, reclamaciones, bases de conocimiento o agentes internos.

Pero no todo es magia

Usar IA desde SQL no elimina los riesgos de los LLMs. Hay que entender que estos modelos pueden ser no deterministas, sensibles al prompt y vulnerables a errores de interpretación. Por eso AISQL debe integrarse con controles: validación, trazabilidad, muestreo, revisión humana y límites claros de uso.

Conclusión

AISQL no convierte SQL en un juguete. Lo refuerza como interfaz de trabajo para la nueva capa de IA aplicada al dato. En lugar de desplazar al ingeniero de datos, le da una nueva superficie de diseño: consultas que combinan lógica relacional, semántica e inteligencia artificial.

El futuro no es abandonar SQL. Es ampliarlo.