Resumen
PromptQL es el agente de datos de IA de Hasura: lo apuntas a tus bases de datos, warehouses y herramientas, y luego haces preguntas y construyes flujos de trabajo en lenguaje sencillo. Se lanzó a mediados de 2025 como «el sucesor espiritual de GraphQL», y en 2026 se reposicionó silenciosamente como un «multiplayer AI agent» con hilos compartidos y un cerebro de equipo compartido. Dos productos, un nombre, que es lo primero que vale la pena desenredar en cualquier análisis de PromptQL.
La idea de fondo es lo bastante buena como para copiarla: PromptQL usa el modelo solo para escribir un plan de consulta, y luego ejecuta ese plan como código real (Python y SQL) fuera del modelo. Por eso puede hablar de repetibilidad en lugar de esperar que el LLM haga bien la aritmética. El marketing del «100 % de precisión» es una exageración (lo dice el propio Hasura), pero la arquitectura de planificar-y-ejecutar es la historia real. Encaja con equipos de datos y analítica con datos desordenados y multisistema, y presupuesto para un despliegue técnico, no con alguien que quiere un chatbot plug-and-play.
Los precios son puro consumo: 0,20 $ por OLU (0,14 $ introductorio), gratis para empezar, Enterprise cotizado a medida. Si eres un equipo de soporte leyendo esto con la esperanza de que PromptQL responda tus tickets, es la herramienta equivocada, y explicaré por qué cerca del final. Para la idea de «agente fundamentado que muestra su trabajo» aplicada al helpdesk, eso está más cerca de lo que construyo en eesel AI.
Qué es PromptQL en realidad (y el giro que nadie anunció)
Me dedico a construir agentes de IA, así que PromptQL llegó a mi escritorio como llegan la mayoría de productos de agentes nuevos: con una gran afirmación de precisión y una demo que parece demasiado limpia. La forma útil de analizarlo es separar lo que el producto es de cómo se comercializa actualmente, porque esas dos cosas se han distanciado en el último año.
PromptQL viene de Hasura, la empresa que lanzó el motor GraphQL de código abierto que superó las 100 millones de descargas en dos años. Los fundadores Tanmai Gopal y Rajoshi Ghosh levantaron una Serie B de 25 M$ y una Serie C de 100 M$, y a finales de 2025 VentureBeat describía la empresa como un negocio de más de mil millones de dólares que vende ingenieros de IA a 900 $/hora. El enfoque que usa Tanmai es que el cliente de tus datos ha cambiado:
«Nos dimos cuenta de que las aplicaciones ya no son lo más importante que necesita acceso a los datos. El futuro es la IA hablando con los datos, la IA accediendo a los datos en nombre del usuario.»
Así que el mensaje de 2025 era claro: una capa fiable en lenguaje natural sobre los datos empresariales, posicionada contra text-to-SQL, el tool-calling y RAG. Luego la página de inicio cambió. Hoy promptql.io se presenta con «un multiplayer AI agent, piensa en Claude o ChatGPT, pero con hilos compartidos y un cerebro compartido», y el problema central es la degradación de contexto entre Slack, documentos, tickets, CRM y tablas de warehouse. Los logos que menciona son de peso: Cisco, McDonald's, Instacart, Swiggy y Lightspeed.
Ambas descripciones son ciertas, y apuntan al mismo motor. Pero si aterrizas en el sitio sin contexto, pensarías que PromptQL es una herramienta de conocimiento de equipo parecida a Glean o una base de conocimiento interna compartida. Bajo el capó sigue siendo un agente de datos. Ten esto en cuenta, porque el precio, la documentación y los benchmarks giran todos en torno al motor de datos, no al envoltorio tipo wiki.
Cómo funciona PromptQL: primero planifica, luego ejecuta
Esta es la parte que realmente respeto, y la razón por la que el producto merece un análisis y no solo un encogimiento de hombros. La mayoría de herramientas de «IA sobre tus datos» le entregan todo el trabajo al modelo: leer los datos, hacer los cálculos, escribir la respuesta, todo en una sola ventana de contexto. PromptQL divide eso en dos.
Cuando haces una pregunta en el Playground, PromptQL primero devuelve un plan de consulta: un desglose paso a paso en lenguaje sencillo de cómo va a extraer, filtrar y procesar tus datos, incluidas las suposiciones que está haciendo. Puedes leerlo, y puedes editarlo con un icono de lápiz, momento en el que PromptQL «lo recuerda y se autocorrige para hilos futuros». Esa transparencia es lo que quien lea por encima no debería saltarse: ves el plan antes de que se mueva ningún dato.
El plan se ejecuta entonces como código real. PromptQL recupera tus datos y los organiza con Python, y puedes expandir cualquier paso para ver el Python y el SQL reales que se ejecutaron contra tu fuente. Esta es la frase de la que cuelga todo el producto, en palabras del fundador:
«En lugar de generar respuestas, generamos planes en un lenguaje específico del dominio, único para tu negocio. Esos planes se compilan en acciones deterministas con validaciones en tiempo de ejecución y comprobaciones de políticas.»
Los resultados llegan como artefactos: tablas estructuradas, texto o gráficos que viven fuera del contexto del modelo y que los pasos posteriores pueden referenciar. Esa es la parte inteligente para la escala, porque significa que PromptQL puede trabajar sobre datos mucho más grandes que una ventana de contexto sin que el modelo pierda el hilo en silencio. El trabajo semántico (clasificar, resumir, extraer, visualizar) lo gestionan primitivas de IA estrechas que se ejecutan cada una de forma aislada con un contexto acotado, de modo que el LLM solo razona sobre una porción pequeña y bien delimitada.
Por último, cada respuesta recibe una puntuación de fiabilidad basada en la complejidad de la consulta, la precisión de los datos y la confianza del modelo, con notas de evaluación sobre qué incluyó y qué no incluyó el análisis. Si la puntuación es baja, la corriges, y la corrección se mantiene para la próxima vez. Viniendo del mundo del soporte, este patrón me resulta familiar: es el mismo instinto que hay detrás de prevenir las alucinaciones, es decir, que el sistema te diga cuándo no está seguro en lugar de adivinar con total aplomo.
El problema de fiabilidad que PromptQL resuelve en realidad
Para ver por qué importa todo esto, fíjate en lo mal que les va a los modelos en bruto con preguntas de datos reales. Tanmai cita el Berkeley Data Agent Benchmark, donde los modelos punteros puntúan muy por debajo de lo que sugeriría una demo.
En preguntas de datos del mundo real, el benchmark de Berkeley sitúa a Opus 4.6 en 43 %, a Gemini 3 Pro en 38 % y a GPT-5.2 en 25 %, mientras que la generación de consultas de base de datos sencilla puntúa «cerca del 0 %». La propia lectura del benchmark es que los agentes «suelen seleccionar los datos correctos, pero fallan al planificar el cálculo o al implementarlo correctamente». Ese es exactamente el hueco al que apunta la separación de planificar-y-ejecutar de PromptQL, y por eso el fundador insiste una y otra vez en una palabra:
«El mayor problema no es no poder responder la pregunta con precisión. El gran problema es que la IA finge ser precisa incluso cuando no lo es. Así que la IA se equivoca con confianza. Ese es el problema.»
Hasura agrupa el fallo en cuatro modos, y este cuadrante 2x2 es lo más útil que puedes interiorizar antes de evaluar cualquier herramienta de analítica de datos con IA, sea PromptQL u otra.
Ahora, sobre ese titular de «100 % de precisión». Hasura es refrescantemente honesto al admitir que es un cebo: la empresa concede que una «afirmación de 100 % de precisión técnicamente no se sostiene», y la afirmación real es 100 % de repetibilidad, porque el cálculo se ejecuta en código, no mediante el razonamiento del modelo. En las tareas más acotadas de base de datos y numéricas de CRMArena-Pro, reportan 100 % frente a un citado 30 a 60 % para los enfoques de última generación. Trata el número redondo como un punto de partida para la conversación y la repetibilidad como la característica real del producto.
Las funciones que destacan
Más allá del ciclo principal, hay varias cosas que diferencian a PromptQL de un chatbot de base de conocimiento con IA genérico.
Automatizaciones que se convierten en APIs reales. Una vez que un flujo de trabajo funciona en el Playground, lo despliegas como un endpoint HTTP invocable desde Zapier, Slack, tareas cron o tus propias aplicaciones, sin escribir código. Eso convierte un hilo puntual en un proceso de negocio repetible, y es la función en la que más me apoyaría si dirigiera un equipo de datos.
Uniones entre sistemas a través de metadatos. PromptQL está construido sobre Hasura DDN, por lo que un supergraph une varios subgraphs, y las relaciones «no necesitan estar respaldadas por la misma fuente de datos». En la práctica, eso significa que puede unir Postgres con una API de SaaS y razonar sobre ambas, justo donde fallan las herramientas construidas solo para Snowflake o un único warehouse.
Una capa de contexto que se construye sola. El envoltorio de 2026 añade un wiki que se alimenta solo desde Slack, Google Docs, Snowflake, PostHog y Salesforce, mantiene historial de revisiones y registros de auditoría, y aplica un acceso acotado (externo, interno, personal, confidencial). Es el tipo de apuesta de contexto conectado que también se ve en las herramientas de IA de Salesforce. Las correcciones que haces se convierten en «habilidades» compartidas que hereda la siguiente persona, el mismo problema de gestión del conocimiento que combate todo equipo, disfrazado de agente.
Trae tu propio modelo, y eso importa para la factura. PromptQL ejecuta cualquier LLM, desde Claude y GPT hasta modelos de pesos abiertos como DeepSeek, Kimi K2 y GLM servido a través de Fireworks. Puedes cambiar de modelo por hilo o a mitad de hilo, y funciona con MCP. Ten esto en mente, porque la elección de modelo es la palanca más grande sobre el coste.
Precios de PromptQL: lo que pagarás en realidad
PromptQL no tiene precio por puesto. Es 100 % basado en consumo, facturado en una unidad normalizada llamada OLU (Operational Language Unit), que agrupa los tokens de entrada, salida, caché y creación de caché de cada modelo en un número consistente, para que tu factura no cambie de forma cuando cambias de modelo.
| Plan | Precio | Unidad facturable | Qué obtienes |
|---|---|---|---|
| Crédito gratis | 50 $ por proyecto, +20 $ por miembro del equipo | OLU | No requiere tarjeta; suficiente para miles de tareas simples con un modelo de pesos abiertos |
| Starter | 0,20 $ por OLU (0,14 $ introductorio, a coste) | OLU | Pago por uso, saldo prepago, se pausa automáticamente al llegar a cero, cuotas por usuario; todo incluido (tokens + infraestructura + sandbox) |
| Enterprise | A medida, habla con ventas | OLU | Añade SSO, BYOC/VPC, red privada, LLM propios, registros de auditoría, ingenieros desplegados sobre el terreno |
Los costes típicos de tarea que cita Hasura (a la tarifa de 0,14 $) son honestos y pequeños: menos de 2 OLU para una tarea de datos simple (menos de 0,28 $), unos 10 OLU para un informe complejo (~1,40 $) y unos 40 OLU para una investigación profunda (~5,60 $).
Aquí está la trampa, y es lo más importante en todo este análisis de PromptQL desde el punto de vista del presupuesto. El precio por OLU es fijo, pero el modelo que elijas cambia cuántos OLU consume una tarea, y el rango es enorme. Frente a una línea base de Claude Opus 4.6 de 1,0x, GPT-5.2 corre a 0,42x, Kimi K2.7 a 0,17x, y DeepSeek V4 Flash a tan solo 0,018x, algo que Hasura enmarca como hasta 57 veces más barato para el mismo trabajo. Así que el mismo informe te puede costar unos pocos dólares o unos pocos céntimos, dependiendo por completo del desplegable del modelo.
En lugar de hacerte hacer esas cuentas mentalmente, mete tus propios números:
La conclusión no es una sola cifra, es un hábito: en PromptQL, elegir un modelo de pesos abiertos para tareas rutinarias es la diferencia entre un error de redondeo y una partida real. Es el mismo pensamiento de coste total de propiedad que aplicamos a los costes de agentes de IA, solo que con el desplegable del modelo como dial.
Lo que la gente dice de verdad sobre PromptQL
Aquí tengo que ser sincero contigo, porque un análisis justo dice tan claramente lo que no pudo encontrar como lo que sí. La huella pública de PromptQL es escasa. No hay ninguna reseña en G2 ni en Capterra en el momento de escribir esto, y ambos lanzamientos oficiales «Show HN» apenas llamaron la atención: seis puntos y cuatro comentarios en uno, seis puntos y un comentario en el otro. La mayor parte de la conversación ocurre en los propios canales de Hasura.
Lo que sí se encuentra es que la base de desarrolladores ya existente de Hasura aprecia la dirección. Un usuario veterano, reaccionando al lanzamiento:
«He construido y gestionado más de 10 bases de código en producción que usan Hasura. En mi opinión, creo que es una mejor opción que Supabase, Payload y otros para construir tu backend. El hecho de que estén invirtiendo tiempo en recursos relacionados con LLM para la plataforma me alegra de que la eligiéramos en su momento.»
Las cifras de rendimiento más contundentes las da el propio proveedor, así que pondéralas en consecuencia. El equipo de Hasura reporta «~2x precisión y ~4x repetibilidad» frente al tool-calling tradicional, y Tanmai afirma «acuerdos de siete cifras en tres a cinco meses para un producto que todavía está en beta». Son citas reales, pero es la empresa hablando de sí misma, no una prueba independiente, y todavía no existe un cuerpo de reseñas de producto de terceros con el que triangular. Para un producto con logos como Cisco y McDonald's, la comunidad silenciosa es la señal de alarma más grande de este análisis.
Dónde gana PromptQL, y dónde no
Después de vivir en la documentación, las capturas del Playground y la página de precios, aquí está mi valoración honesta.
| Puntos fuertes | Aspectos a vigilar |
|---|---|
| La arquitectura de planificar-y-ejecutar es una respuesta real a la IA que «se equivoca con confianza» | El marketing («100 % de precisión», «multiplayer») va por delante de un historial público todavía escaso |
| Cada paso es inspeccionable: plan de consulta, Python/SQL, artefactos, puntuación de fiabilidad | El montaje es un proyecto de datos real (conectores, metadatos HML, CLI de DDN), no plug-and-play |
| Uniones genuinas entre sistemas vía metadatos de Hasura DDN | La documentación más profunda está restringida a usuarios registrados, así que evaluarlo antes de darte de alta es más difícil de lo que debería |
| Precio por consumo con una gran palanca de coste en modelos de pesos abiertos | La facturación basada en OLU cuesta trabajo de prever; Enterprise se cotiza siempre a medida |
| Trae tu propio modelo, autoalojamiento o VPC | Sin reseñas independientes ni valoraciones por estrellas para contrastar las afirmaciones del proveedor |
Usa PromptQL si eres un equipo de datos o analítica con datos desordenados y multisistema, requisitos reales de fiabilidad, y el apetito de ingeniería para modelar tu capa semántica. El diseño de planificar-y-ejecutar es la respuesta más creíble que he visto a la IA que se equivoca con confianza sobre tus datos, y la función de automatizaciones como APIs es una victoria real.
Sáltatelo si querías un asistente listo para usar, si eres un equipo pequeño sin un ingeniero de datos, o si tu trabajo real es la atención al cliente. No es un reemplazo de chatbot basado en reglas, y no está pensado para el helpdesk en absoluto.
Prueba eesel para la versión de soporte de esta idea
Si has llegado hasta aquí porque la idea de un «agente fundamentado que muestra su trabajo y te dice cuándo no está seguro» te ha convencido, pero tus datos viven en un helpdesk en lugar de un warehouse, ese es exactamente el problema en el que trabajo en eesel AI. PromptQL lleva la disciplina de planificar-y-ejecutar al mundo de la analítica de datos; eesel lleva el mismo instinto de «no adivines, fundaméntalo, demuéstralo primero» al soporte.
En concreto: eesel se conecta a tu Slack, tu helpdesk y fuentes de conocimiento como Confluence y Notion, responde a partir de ese conocimiento con citas, escala en lugar de alucinar y, la parte sin la que no lanzaría nada, simula sobre tus tickets pasados antes de responder jamás a un cliente real. En más de 8000 clientes resuelve una parte real del volumen de nivel 1 en el primer mes, y el precio es de pago por uso sin cuota por puesto. Si PromptQL es el compañero de equipo fiable para los datos, eesel es el compañero de equipo fiable para el soporte.
Puedes probar eesel gratis, conectar una fuente en pocos minutos y ejecutar una simulación antes de comprometerte a nada.
Preguntas frecuentes
¿Qué es PromptQL y quién lo fabrica?
¿Cuánto cuesta PromptQL?
¿Es real la afirmación de PromptQL de «100 % de precisión»?
¿En qué se diferencia PromptQL de text-to-SQL o RAG?
¿Merece la pena PromptQL para equipos de atención al cliente?
Article by
Alicia Kirana Utomo
Kira is a writer at eesel AI with a Computer Science background and over a year of hands-on experience evaluating AI-powered customer service tools. She focuses on breaking down how helpdesk platforms and AI agents actually work so that support teams can make better buying decisions.
