Autoservicio en lenguaje natural basado en una arquitectura agéntica para la generación de inteligencia de negocio destinada a entidades financieras

Abstract

En entornos de consultoría estratégica, el acceso a datos financieros agregados está mediado por perfiles técnicos, lo que introduce fricciones operativas que limitan la velocidad de análisis, la capacidad de iteración y la escalabilidad del conocimiento interno. Este trabajo diseña, implementa y evalúa un sistema de autoservicio analítico que permite a socios y consultores explorar un dataset financiero multibanco en lenguaje natural, sin conocimiento de SQL y sin intermediación técnica, obteniendo respuestas auditables con trazabilidad del procedimiento seguido y visualizaciones directamente reutilizables en presentaciones y análisis de cliente. El sistema se apoya en una arquitectura agéntica de siete nodos especializados orquestados mediante LangGraph, con GPT-4o como modelo de razonamiento y DuckDB como motor de ejecución analítica. Cada nodo encapsula una responsabilidad funcional delimitada: generación de SQL a partir de lenguaje natural, ejecución sobre el dataset, validación automática del resultado, interpretación en lenguaje natural, trazabilidad del procedimiento seguido y generación de visualizaciones cuando el análisis lo requiere. El sistema se despliega en producción sobre infraestructura Azure e integra en un panel analítico preexistente construido en Streamlit. La evaluación se realiza mediante un pipeline automatizado con metodología LLM-as-judge sobre un conjunto cerrado de 38 preguntas extraídas de análisis financieros reales, clasificadas en cuatro niveles de complejidad. La versión final alcanza una precisión del 92% y un 86% de valoraciones positivas en producción. Los resultados demuestran la viabilidad del autoservicio analítico conversacional para perfiles no técnicos en entornos de consultoría, transformando un activo de datos subutilizado en una capacidad interna repetible y alineada con el ritmo real de la firma.

In management consulting settings, access to aggregated financial data is mediated by technical specialists, introducing operational friction that constrains analytical throughput, limits iterative exploration, and reduces the scalability of internal knowledge. This work designs, implements and evaluates an analytical self-service system that enables partners and consultants to explore a multi-bank financial dataset in natural language, without SQL knowledge and without technical mediation, obtaining auditable responses with full procedural traceability and visualisations ready for direct use in client presentations and analyses. The system is built on an agentic architecture of seven specialised nodes orchestrated via LangGraph, with GPT-4o as the reasoning model and DuckDB as the analytical execution engine. Each node encapsulates a well-defined functional responsibility: natural language to SQL generation, dataset execution, automatic result validation, natural language interpretation, procedural traceability, and visualisation generation when the analysis warrants it. The system is deployed in production on Azure infrastructure and integrated into a pre-existing analytical dashboard built in Streamlit. Evaluation is conducted through an automated pipeline using an LLM-as-judge methodology over a closed benchmark of 38 questions drawn from real financial analyses, classified across four complexity levels. The final version achieves 92% accuracy and 86% positive ratings in production. The results demonstrate the viability of conversational analytical self-service for non-technical profiles in consulting environments, transforming an underutilised data asset into a repeatable internal capability aligned with the firm's operational pace.