La Fórmula 1 genera una cantidad inmensa de datos por cada fin de semana de Gran Premio: tiempos por vuelta, telemetría de los monoplazas, estrategias de neumáticos, mensajes de dirección de carrera y más. Para un analista o un aficionado técnico, cruzar toda esa información de forma manual es una tarea titánica que exige manejar hojas de cálculo, gráficos dispersos y notas inconexas. En este contexto, la combinación de fuentes de datos estructurados con modelos de lenguaje natural abre una vía completamente nueva para obtener respuestas precisas sin necesidad de ser ingeniero de datos. El enfoque consiste en construir un sistema que entienda preguntas en lenguaje cotidiano —como '¿funcionó el undercut de McLaren sobre Ferrari?'— y las responda con datos de telemetría reales, no con alucinaciones ni generalidades extraídas de Wikipedia. Para lograrlo, se emplea FastF1 como capa de acceso a la telemetría oficial (laps, compound, velocidad, posición, mensajes de pista), se almacena la información en una base de datos relacional como PostgreSQL, y se utiliza un modelo de lenguaje como Claude Sonnet para interpretar la consulta y razonar sobre el contexto recuperado mediante consultas SQL dinámicas. La clave está en que no se recurre a embeddings ni búsqueda vectorial, sino a un sistema de detección de intenciones basado en reglas y expresiones regulares que identifica si el usuario pregunta sobre clasificación, carrera, telemetría, undercut o práctica, y ejecuta las consultas apropiadas. Esto permite obtener no solo resúmenes textuales, sino también gráficos interactivos generados con Plotly que muestran, por ejemplo, la comparativa de velocidad, aceleración y frenada entre dos pilotos en una sesión de clasificación. El sistema también detecta automáticamente momentos clave como excesos de límites de pista, anomalías de ritmo o caídas bruscas de posición, y los incorpora al análisis sin que el usuario los haya solicitado explícitamente. Para controlar costes, cada consulta se limita a unos pocos centavos de API y se establece un tope diario por usuario. Esta arquitectura de agentes IA que combinan datos estructurados con procesamiento de lenguaje natural es directamente extrapolable a entornos empresariales. En lugar de datos de F1, se pueden utilizar bases de datos de ventas, inventarios, indicadores financieros o logs de sistemas; y en lugar de preguntas sobre undercuts, se pueden responder cuestiones como '¿qué producto tuvo mayor caída de margen el último trimestre?' o '¿cuál fue el tiempo medio de respuesta del servidor tras el último despliegue?'. Empresas como Q2BSTUDIO aplican este tipo de soluciones de inteligencia artificial para empresas, desarrollando aplicaciones a medida que integran servicios cloud AWS y Azure, plataformas de servicios inteligencia de negocio con Power BI y sistemas de ciberseguridad para proteger los datos críticos. La capacidad de construir bots conversacionales que accedan a datos reales y generen informes automatizados es una de las áreas de mayor demanda en el software a medida actual. En definitiva, la misma lógica que permite preguntarle a un asistente si un undercut funcionó en un Gran Premio puede adaptarse para crear asistentes de análisis financiero, supervisión de infraestructura o seguimiento de campañas de marketing. El futuro de la analítica conversacional pasa por sistemas que no solo entiendan el lenguaje, sino que sepan dónde buscar los datos y cómo representarlos de forma visual y comprensible, algo que ya es posible gracias a la combinación de telemetría, bases de datos relacionales y modelos de lenguaje avanzados.