Fecha de revisión editorial: 2 de agosto de 2026. Aprende a generar, explicar y evaluar SQL con permisos mínimos, consultas parametrizadas, pruebas y revisión humana antes de cualquier cambio en producción.
ChatGPT puede explicar SQL, preparar una consulta a partir de un esquema, revisar un plan de ejecución y ayudar a documentar una base de datos. No conoce la estructura real, la versión del motor ni las reglas del negocio si no se las proporcionas. Tampoco debe recibir acceso de escritura a producción para “probar” una respuesta.
La forma segura de usarlo es como asistente: aportar contexto mínimo, exigir una consulta verificable, ejecutar primero con permisos de lectura en un entorno controlado y revisar resultados. Esta guía distingue el producto ChatGPT, la OpenAI API y chatgpt-gratis.chat, una interfaz independiente que actualmente utiliza esa API.
Información que debes proporcionar
Una petición como “dame las ventas mensuales” es ambigua. Indica motor y versión, tablas relevantes, columnas, tipos, relaciones, zona horaria, definición de “venta”, estados incluidos y resultado esperado. Usa un esquema reducido; no pegues un volcado completo.
Ejemplo de contexto:
Motor: PostgreSQL 17.
Tablas autorizadas:
orders(id, customer_id, status, total_amount, currency, created_at)
customers(id, country_code)
Objetivo: total mensual de pedidos pagados en 2026, por moneda.
created_at está en UTC. No conviertas monedas.
Salida: SQL de solo lectura y explicación breve de supuestos.
No inventes columnas. Si falta una definición, pregunta.El modelo puede señalar que sumar monedas diferentes sería incorrecto o que “pagado” necesita una lista de estados. Esa pregunta es más valiosa que una consulta rápida basada en un supuesto oculto.
Aprender SQL con ChatGPT
Para estudiar, pide un ejemplo pequeño, resultado esperado y variaciones. Solicita que explique la diferencia entre WHERE y HAVING, un JOIN y una subconsulta, o una función de ventana, y ejecuta los ejemplos en una base temporal.
No memorices una explicación sin consultar la documentación del motor. SQL tiene dialectos: funciones de fecha, comillas, tipos JSON, paginación y procedimientos cambian. La referencia SQL de PostgreSQL, la referencia de MySQL o la documentación oficial del motor correspondiente deben resolver la sintaxis final.
Generar una consulta de solo lectura
Pide primero una versión que solo lea. Revisa tablas, uniones, filtros, agrupaciones y tratamiento de nulos. Ejecuta con un usuario de lectura, un límite de tiempo y un conjunto controlado. LIMIT reduce filas devueltas, pero no garantiza que la consulta sea barata: una agregación o unión puede procesar muchos datos antes de limitar el resultado.
Comprueba el resultado con casos conocidos. Si esperas cinco pedidos de prueba, identifica cuáles y por qué. Revisa filas duplicadas por una unión uno-a-muchos, zonas horarias y filtros que convierten un LEFT JOIN en comportamiento equivalente a INNER JOIN.
Explicar una consulta existente
Entrega la consulta, esquema mínimo y finalidad. Pide una explicación por bloques: fuentes, filtros, cardinalidad, agregación, orden y resultado. Solicita además una lista de condiciones que podrían cambiar el resultado.
Si el SQL contiene datos o nombres sensibles, reemplázalos. No necesitas compartir valores reales para explicar la estructura. Para consultas generadas dinámicamente, incluye el código que construye parámetros; ver solo el SQL final puede ocultar un riesgo de inyección.
Optimización: hipótesis, no recetas
Una sugerencia de índice sin plan de ejecución, volumen y patrón de consultas es una hipótesis. Recopila el plan con la herramienta oficial del motor y oculta literales sensibles. En PostgreSQL, la documentación de EXPLAIN explica cómo interpretar el plan.
Proporciona:
- consulta parametrizada;
- plan de ejecución;
- filas aproximadas y distribución relevante;
- índices existentes;
- tiempo y recursos observados;
- frecuencia y concurrencia;
- restricciones de escritura y almacenamiento.
Prueba cada cambio en staging con datos representativos. Un índice puede acelerar lectura y encarecer escritura, almacenamiento y mantenimiento. El modelo no debe recomendar “aplícalo en producción” sin un plan de prueba y rollback.
Escrituras, migraciones y cambios de esquema
Trata INSERT, UPDATE, DELETE, ALTER y migraciones como operaciones de alto riesgo. Pide primero una consulta de previsualización que seleccione exactamente las filas afectadas. Haz copia o snapshot según la política, prueba en un entorno separado y utiliza una transacción cuando el motor y la operación lo permitan.
Una migración responsable incluye versión previa, cambio, compatibilidad, bloqueo esperado, verificación y rollback. Para tablas grandes, consulta documentación del motor sobre operaciones en línea y bloqueos. No ejecutes un script generado directamente desde el chat.
Evitar inyección SQL
No construyas SQL concatenando texto del usuario. Usa consultas parametrizadas o prepared statements del driver. La guía de OWASP sobre prevención de inyección SQL prioriza consultas preparadas y diseño seguro.
Los parámetros protegen valores, pero normalmente no nombres arbitrarios de tablas, columnas u órdenes. Para esos elementos, usa una lista permitida definida por la aplicación. Un modelo no debe poder producir cualquier identificador y enviarlo a la base sin validación.
Documentar el esquema y las reglas del negocio
ChatGPT puede convertir DDL, comentarios y diccionario de datos en documentación inicial. Exige que cada descripción señale su fuente. Si el nombre status no explica valores y transiciones, el modelo debe marcarlo como desconocido, no inventar significados.
Documenta propietario, clasificación, unidad, zona horaria, nulabilidad, claves, retención y consumidores. Mantén esta documentación cerca de migraciones y pruebas para que cambie con el sistema.
Analizar archivos no equivale a conectarse a la base
Si tu cuenta muestra una herramienta de carga y análisis de archivos, confirma en la documentación oficial vigente los formatos, límites y controles aplicables antes de exportar datos de una base. Subir un CSV es diferente de conceder acceso a una base. Exporta solo columnas y filas necesarias, elimina identificadores y verifica que la política permita hacerlo.
Si una herramienta o aplicación ofrece un conector, revisa permisos y alcance antes de autorizarlo. Prefiere acceso de lectura, vistas limitadas y credenciales separadas. No entregues una cuenta administrativa a un agente de IA.
Antes de consultar una exportación, puedes limpiar y validar los datos. Si vas a construir una aplicación, revisa también los fundamentos de Responses API y Structured Outputs.
Automatizar lenguaje natural a SQL con la OpenAI API
Un sistema que convierte preguntas en SQL requiere más que un prompt. Una arquitectura prudente es:
- Autenticar al usuario y determinar qué datos puede consultar.
- Exponer un esquema semántico reducido, no toda la base.
- Solicitar una intención y una consulta candidata mediante Responses API.
- Analizar el SQL y rechazar escritura, múltiples sentencias, funciones prohibidas o tablas fuera de la lista.
- Ejecutar con un rol de solo lectura, timeout y límites de recursos.
- Registrar consulta, modelo, usuario y decisión sin guardar datos sensibles innecesarios.
- Mostrar SQL, fuentes y limitaciones al usuario; requerir aprobación para cualquier ampliación.
No confíes únicamente en una instrucción “genera solo SELECT”. Aplica controles fuera del modelo. Considera vistas que incorporen seguridad por fila y una capa semántica con métricas autorizadas.
Salidas estructuradas
Structured Outputs permite pedir campos como sql, parameters, tables_used, assumptions y needs_clarification. El esquema facilita validación, pero no hace segura la consulta. Un parser, permisos de base y reglas de negocio siguen siendo obligatorios.
Elegir un modelo GPT‑5.6
El catálogo actual de OpenAI presenta GPT‑5.6 Sol para tareas difíciles, Terra como equilibrio y Luna para volumen sensible al coste. Prueba modelos con consultas representativas de tu dialecto, esquema y reglas. Una clasificación simple puede no necesitar el mismo modelo que una explicación de plan compleja.
Mide SQL ejecutable, exactitud de resultados, uso de tablas permitidas, decisión de preguntar ante ambigüedad, latencia y coste por consulta aceptada. Ningún modelo debe recibir más privilegios porque obtuvo una buena puntuación.
Evaluaciones y casos adversariales
Crea un conjunto con uniones uno-a-muchos, nulos, zonas horarias, monedas, nombres ambiguos, tablas no autorizadas e instrucciones maliciosas dentro de metadatos. La guía de evals ayuda a repetir pruebas al cambiar modelo o prompt.
Comprueba el resultado, no solo si el SQL se ejecuta. Una consulta válida puede responder otra pregunta. Incluye expected rows o agregados para un dataset de prueba y revisa falsos accesos a datos.
Privacidad y conservación
No envíes filas reales si el esquema y datos sintéticos bastan. En ChatGPT, revisa los controles de cuenta y workspace. En la API, OpenAI indica que los datos no se usan para entrenar modelos de forma predeterminada. La guía de datos explica registros de supervisión de abuso y opciones para organizaciones elegibles. store:false no equivale automáticamente a retención cero.
Lista de comprobación
- Motor, versión y zona horaria declarados.
- Esquema mínimo y reglas de negocio confirmadas.
- Consulta parametrizada y revisada.
- Rol de solo lectura para pruebas.
- Plan de ejecución y límites comprobados.
- Backup, transacción y rollback para cambios.
- Datos sensibles eliminados.
- Aprobación humana antes de producción.
Limitaciones
ChatGPT puede inventar columnas, elegir una unión incorrecta, ignorar una condición y proponer una optimización perjudicial. No sustituye a un administrador de bases de datos, un ingeniero de seguridad ni las pruebas. Para producción, la responsabilidad permanece en el equipo que diseña, ejecuta y aprueba.
Conserva además un registro de las consultas aceptadas y de las correcciones humanas, sin almacenar resultados sensibles innecesarios. Ese historial permite detectar patrones de error y mejorar las evaluaciones. Si una pregunta no puede responderse con las vistas autorizadas, el sistema debe indicarlo y escalar, no ampliar permisos de forma automática.
Fuentes oficiales
- OpenAI API: catálogo de modelos.
- OpenAI API: Responses API.
- OpenAI API: Structured Outputs.
- OpenAI API: evaluaciones.
- OpenAI API: datos y conservación.
- PostgreSQL: comandos SQL.
- PostgreSQL: uso de EXPLAIN.
- OWASP: prevención de inyección SQL.
Divulgación: chatgpt-gratis.chat es un sitio independiente que actualmente utiliza la API de OpenAI. No está afiliado, patrocinado ni respaldado por OpenAI ni por los proveedores de bases de datos citados. Este contenido se preparó con asistencia de inteligencia artificial y fue revisado editorialmente frente a las fuentes oficiales citadas.
