- Equipos internos → Chat (Streamlit)
- Chat (Streamlit) → Modelo de lenguaje
- Modelo de lenguaje → Servidor MCP
- Servidor MCP → SQL Server
- SQL Server → Dashboard gerencial
El problema
Cada pregunta sobre los datos operativos (“¿cómo vino tal mes?”, “¿qué máquinas rinden más?”) dependía de que alguien supiera SQL y tuviera tiempo de armar la consulta. Las auditorías eran lentas por la misma razón.
Qué construí
- Un asistente de IA donde los equipos preguntan en lenguaje natural y reciben la respuesta con los datos. Por debajo, un servidor MCP expone a la base consultas acotadas y auditables.
- Un dashboard estratégico de fidelización, comportamiento y retención de clientes, y un dashboard de marketing, conectados a SQL Server.
- El análisis de rendimiento de máquinas y activos que alimenta decisiones de inversión y de distribución del salón.
Cómo funciona
El modelo no tiene acceso libre a la base: pide datos a través de las herramientas del servidor MCP, que arma y limita las consultas. La interfaz de chat está hecha en Streamlit sobre FastAPI. Los tableros están en React con Recharts, con un backend en Node.js/Express.
Estado y resultado
En producción. Las consultas que antes pasaban por una persona con SQL se resuelven en el momento, y la gerencia tiene los KPI de fidelización y retención en un solo lugar.
Stack
- Python
- MCP
- SQL Server
- FastAPI
- Streamlit
- React
- Recharts