Gemini-SQL2 de Google Research lidera los benchmarks de texto a SQL por un amplio margen

Google lidera la conversión de lenguaje natural a SQL con Gemini-SQL2

La capacidad de consultar bases de datos usando lenguaje cotidiano en lugar de código especializado representa uno de los desafíos más prácticos de la IA generativa. Google Research acaba de demostrar un avance significativo en este campo con Gemini-SQL2, que establece un nuevo estándar de rendimiento.

¿Qué ha pasado?

Google Research ha presentado Gemini-SQL2, un modelo especializado construido sobre Gemini 3.1 Pro que traduce instrucciones en lenguaje natural a consultas SQL ejecutables. El sistema ha alcanzado una precisión del 80.04% en el benchmark BIRD (BIg Bench for Large-scale Database Grounded Text-to-SQL Evaluation), superando ampliamente a sus competidores más cercanos.

El modelo aprovecha la arquitectura de Gemini 3.1 Pro para interpretar solicitudes complejas expresadas en lenguaje cotidiano y convertirlas automáticamente en consultas SQL funcionales que pueden ejecutarse directamente sobre bases de datos. Esta capacidad elimina la necesidad de conocimientos técnicos en SQL para extraer información de sistemas de datos estructurados.

Los resultados en BIRD muestran una ventaja considerable sobre alternativas de OpenAI y Anthropic, marcando la mayor diferencia observada hasta ahora en este tipo de evaluaciones. Google ha indicado que esta tecnología podría integrarse próximamente en sus servicios de datos empresariales, mejorando las capacidades de consulta mediante lenguaje natural.

Por qué importa

Esta tecnología tiene implicaciones directas para millones de profesionales que trabajan con datos pero carecen de formación técnica en bases de datos. Analistas de negocio, gestores de producto, ejecutivos y equipos de marketing podrían consultar información empresarial crítica simplemente preguntando en su idioma habitual, sin depender de equipos técnicos.

La precisión del 80% representa un umbral de confiabilidad que acerca esta tecnología a casos de uso productivos reales. Hasta ahora, los sistemas de texto a SQL tenían tasas de error que los hacían poco prácticos para entornos empresariales donde las consultas incorrectas pueden llevar a decisiones equivocadas basadas en datos erróneos.

Para Google Cloud y sus servicios de bases de datos como BigQuery, esta capacidad podría convertirse en un diferenciador competitivo importante frente a AWS y Azure. La posibilidad de democratizar el acceso a datos mediante interfaces conversacionales reduce la fricción en la adopción de plataformas de análisis y podría acelerar la transformación digital en organizaciones donde el conocimiento técnico es escaso.

Métrica	Gemini-SQL2	Competidores líderes
Precisión en BIRD	80.04%	Significativamente inferior
Base del modelo	Gemini 3.1 Pro	GPT-4, Claude
Ventaja	Amplio margen	-

Contexto

La conversión de lenguaje natural a SQL ha sido un objetivo persistente en la investigación de procesamiento de lenguaje natural durante años. Soluciones anteriores como Microsoft Power BI con Q&A o características similares en Tableau han ofrecido funcionalidades limitadas con esquemas predefinidos.

Los modelos de lenguaje grandes han mejorado significativamente estas capacidades, pero hasta ahora ningún sistema había superado consistentemente el 80% de precisión en benchmarks complejos. OpenAI y Anthropic han desarrollado capacidades similares en sus modelos principales, pero los resultados de BIRD sugieren que Google ha logrado optimizaciones específicas para esta tarea que ofrecen ventajas medibles frente a modelos de propósito general.

---

Fuente: The Decoder