Resumen
PromptQL es el agente de datos con IA de Hasura: apuntas a tus bases de datos, almacenes de datos y herramientas, y luego haces preguntas y creas flujos de trabajo en inglés sencillo. Se lanzó a mediados de 2025 como "el sucesor espiritual de GraphQL", y en 2026 la página principal lo reposicionó como un "agente de IA multijugador" con hilos compartidos y un cerebro de equipo compartido. Dos descripciones, un mismo motor debajo.
La idea que vale la pena llevarse es esta: 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 confiar en que el LLM haga la aritmética mentalmente. El marketing de "100 % de precisión" es exagerado (Hasura lo admite), pero la arquitectura de planificar y luego ejecutar es la historia real, y encaja con equipos de datos y análisis con datos desordenados que atraviesan varios sistemas, no con alguien que quiere un chatbot listo para usar.
Los precios son puro consumo: 0,20 $ por OLU (0,14 $ introductorio), gratis para empezar, Enterprise requiere cotización. Si llegaste aquí como equipo de soporte esperando que PromptQL responda tus tickets, es la herramienta equivocada para eso, y explicaré por qué al final. Para la idea de un "agente fundamentado que muestra su trabajo" aplicada al helpdesk, eso está más cerca de lo que trabajo en eesel AI.
Qué es PromptQL realmente
Paso mis días pensando en cómo la gente busca herramientas como esta, y "qué es PromptQL" es una consulta sorprendentemente cargada, porque el producto responde a dos descripciones distintas según cuándo hayas mirado el sitio.
PromptQL viene de Hasura, la empresa detrás del motor de código abierto GraphQL que superó los 100 millones de descargas en dos años. Los fundadores Tanmai Gopal y Rajoshi Ghosh recaudaron una Serie B de 25 millones de dólares y una Serie C de 100 millones de dólares, y a finales de 2025 VentureBeat describía a la empresa como un negocio de más de mil millones de dólares que vendía "ingenieros de IA a 900 $ la hora". El enfoque de Tanmai es que el cliente para tus datos cambió:
"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 discurso de 2025 era una capa fiable en lenguaje natural sobre los datos empresariales, posicionada frente a text-to-SQL, el tool-calling y RAG. Luego la página principal cambió. Hoy promptql.io empieza con "un agente de IA multijugador, piensa en Claude o ChatGPT, pero con hilos compartidos y un cerebro compartido", y el problema central es el deterioro del contexto entre Slack, documentos, tickets, CRM y tablas del data warehouse. Los logos mencionados son de peso: Cisco, McDonald's, Instacart, Swiggy y Lightspeed.
Ambas descripciones son ciertas y apuntan al mismo motor. Pero si llegas sin contexto, pensarías que PromptQL es una herramienta de conocimiento de equipo parecida a Glean o una base de conocimiento interna compartida. Por debajo sigue siendo un agente de datos, y los precios, la documentación y los benchmarks giran todos en torno a ese motor, no al envoltorio de wiki. Si te llevas una sola cosa de esta explicación, que sea esta.
Cómo funciona PromptQL: primero planificar, luego ejecutar
Esta es la parte que hace que valga la pena explicar PromptQL en lugar de encogerse de hombros. La mayoría de las herramientas de "IA sobre tus datos" le entregan todo el trabajo al modelo de una vez: leer los datos, hacer los cálculos, escribir la respuesta, todo en una misma 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 extraerá, filtrará y procesará tus datos, incluyendo las suposiciones que está haciendo. Puedes leerlo y puedes editarlo, momento en el que PromptQL "lo recuerda y se autocorrige para futuros hilos". Esa transparencia es lo que no hay que pasar por alto: ves el plan antes de que se mueva ningún dato.
El plan luego se ejecuta como código real. PromptQL trae tus datos y los organiza con Python, y puedes expandir cualquier paso para ver el código Python y SQL real que se ejecutó contra tu fuente. Esta es la frase de la que cuelga todo el producto:
"En lugar de generar respuestas, generamos planes en un lenguaje específico de 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. Ese es el detalle inteligente para la escala, porque significa que PromptQL puede trabajar con datos mucho más grandes que una ventana de contexto sin que el modelo pierda silenciosamente el hilo. El trabajo semántico (clasificar, resumir, extraer, visualizar) lo manejan primitivas de IA estrechas que se ejecutan 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 construida a partir de la complejidad de la consulta, la precisión de los datos y la confianza del modelo, con notas sobre lo que el análisis incluyó y no incluyó. Si la puntuación es baja, la corriges, y la corrección se mantiene para la próxima vez. Viniendo del mundo del soporte, este patrón resulta familiar: es el mismo instinto detrás de prevenir las alucinaciones, donde el sistema debería avisarte cuando no está seguro en lugar de adivinar con toda seriedad.
El problema que PromptQL resuelve en realidad
Para ver por qué importa planificar y luego ejecutar, basta con mirar lo mal que les va a los modelos sin ayuda en preguntas reales sobre datos. Tanmai señala el Berkeley Data Agent Benchmark, donde los modelos de frontera quedan muy por debajo de lo que haría creer una demo.
En preguntas reales sobre datos, 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 pura de consultas a bases de datos puntúa "cerca del 0 %". La propia lectura del benchmark es que los agentes "normalmente seleccionan los datos correctos, pero fallan al planificar el cómputo o al implementarlo correctamente". Esa es exactamente la brecha que ataca la división planificar-y-ejecutar, y por eso el fundador insiste tanto 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 está equivocada con confianza. Ese es el problema."
Hasura agrupa los fallos en cuatro modos, y esta matriz 2x2 es lo más útil que puedes interiorizar antes de evaluar cualquier herramienta de análisis de datos con IA, sea PromptQL u otra.
Ahora, sobre el titular de "100 % de precisión". Hasura es refrescantemente honesta al admitir que es un anzuelo: la empresa reconoce que una "afirmación de 100 % de precisión técnicamente no se sostiene", y la afirmación real es 100 % de repetibilidad, porque el cómputo se ejecuta en código, no mediante el razonamiento del modelo. En las tareas más específicas de base de datos y numéricas de CRMArena-Pro, reportan 100 % frente a un citado 30 a 60 % para los enfoques de última generación. Lee el número redondo como un punto de partida para la conversación y la repetibilidad como la característica real.
Con qué se conecta PromptQL y qué puede hacer
Ser un agente de IA solo es útil si llega a tus datos, y aquí es donde el linaje de Hasura de PromptQL da sus frutos. Funciona sobre Hasura DDN, así que un supergrafo une varios subgrafos, y las relaciones "no necesitan estar respaldadas por la misma fuente de datos". En términos simples, puede unir Postgres con una API de SaaS y razonar sobre ambas, que es justo donde fallan las herramientas construidas solo para Snowflake o un único almacén de datos.
La lista de conectores nativos es larga: PostgreSQL, MySQL, SQL Server, Oracle, Snowflake, Amazon Redshift, BigQuery, MongoDB y Databricks, además de fuentes HTTP/API, búsqueda web en tiempo real e interoperación mediante MCP. El envoltorio de 2026 añade una capa de contexto que se construye sola, que alimenta un wiki de equipo desde Slack, Google Docs, PostHog y Salesforce, mantiene historial de revisiones y registros de auditoría, y aplica accesos delimitados.
Dos capacidades merecen mencionarse porque cambian en qué se convierte "hacer una pregunta":
- Automatizaciones que se convierten en APIs reales. Una vez que un flujo de trabajo se ejecuta en el Playground, lo despliegas como un endpoint HTTP invocable desde Zapier, Slack, tareas cron o tus propias aplicaciones, sin necesidad de programar. Un hilo puntual se convierte en un proceso de negocio repetible.
- Trae tu propio modelo. PromptQL funciona con cualquier LLM, desde Claude y GPT hasta modelos de peso abierto como DeepSeek, Kimi K2 y GLM. Puedes cambiar de modelo por hilo, y, como veremos, ese menú desplegable es la palanca más grande sobre tu factura.
Cuánto cuesta PromptQL
PromptQL no tiene precios por asiento. Es 100 % basado en el consumo, facturado en una unidad normalizada llamada OLU (Operational Language Unit), que agrupa los tokens de entrada, salida, caché y creación de caché de todos los modelos en un número consistente, para que tu factura no cambie de forma cuando cambias de modelo.
| Plan | Precio | Unidad facturable | Qué obtienes |
|---|---|---|---|
| Créditos gratis | 50 $ por proyecto, +20 $ por compañero de equipo | OLU | No requiere tarjeta; suficiente para miles de tareas simples en un modelo de peso abierto |
| Starter | 0,20 $ por OLU (0,14 $ introductorio, a costo) | OLU | Pago por uso, saldo prepagado, 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, redes privadas, LLM propios, registros de auditoría, ingenieros desplegados |
Los costos típicos por 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 $), alrededor de 10 OLU para un informe complejo (~1,40 $) y alrededor de 40 OLU para una investigación profunda (~5,60 $).
Aquí está la trampa, y es lo que la mayoría de los artículos sobre "qué es PromptQL" pasan por alto. 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 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 tan bajo como 0,018x, lo que Hasura enmarca como hasta 57 veces más barato por el mismo trabajo. Así que el mismo informe puede costar unos pocos dólares o unos pocos centavos dependiendo solo del menú de modelo. Introduce tus propios números:
La conclusión es un hábito, no un número: en PromptQL, elegir un modelo de peso abierto para tareas rutinarias es la diferencia entre un error de redondeo y una partida real. Es el mismo pensamiento de costo total de propiedad que aplicamos a los costos de los agentes de IA, con el menú de modelo como el dial.
Para quién es PromptQL (y para quién no)
Después de vivir en la documentación, las capturas del Playground y la página de precios, la lectura honesta es que PromptQL recompensa a un tipo específico de equipo y frustra a todos los demás.
Encaja con equipos de datos o análisis con datos desordenados que atraviesan varios sistemas, requisitos reales de fiabilidad y el apetito de ingeniería para modelar una capa semántica. La configuración es un proyecto de datos genuino (conectores, metadatos HML, la CLI de DDN), así que no es plug-and-play, pero la recompensa es un agente cuyo cada paso (plan de consulta, Python/SQL, artefactos, puntuación de fiabilidad) puedes inspeccionar. El diseño de planificar y luego ejecutar es la respuesta más creíble que he visto a la IA equivocada con confianza sobre tus propios datos.
No encaja si querías un asistente listo para usar, si eres un equipo pequeño sin ingeniero de datos, o si tu trabajo real es el soporte al cliente. Algo que vale la pena señalar para quien lo esté evaluando: la presencia pública de PromptQL es escasa, con ninguna reseña en G2 o Capterra todavía, y sus dos lanzamientos oficiales de Show HN atrajeron casi nada de atención (seis puntos y cuatro comentarios en uno, seis puntos y un comentario en el otro). Su propia base de desarrolladores sí es entusiasta con la dirección, eso sí:
"I have built and managed more than 10 production codebases that use Hasura. IMO, I think it's a better option than Supabase, Payload, and others to build your backend. The fact that they are investing time in LLM-related resources for the platform makes me happy we choosed it back when."
Prueba eesel para la versión de soporte de esta idea
Si has leído hasta aquí porque la idea de un "agente fundamentado que muestra su trabajo y te dice cuando no está seguro" te convenció, pero tus datos viven en un helpdesk en lugar de un data warehouse, ese es exactamente el problema en el que trabajo en eesel AI. PromptQL aporta disciplina de planificar y luego ejecutar al mundo del análisis de datos; eesel aporta 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 que no lanzaría sin ella, simula sobre tus tickets pasados antes de responder jamás a un cliente real. En más de 8.000 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 asiento. Si PromptQL es el compañero de datos fiable, eesel es el compañero de soporte fiable.
Puedes probar eesel gratis, conectar una fuente en unos minutos y ejecutar una simulación antes de comprometerte con nada.
Preguntas frecuentes
¿Qué es PromptQL en términos simples?
¿Quién crea PromptQL y para quién es?
¿Cuánto cuesta PromptQL?
¿En qué se diferencia PromptQL de text-to-SQL o RAG?
¿Es cierta la afirmación de "100 % de precisión" de PromptQL?
Article by
Kurnia Kharisma Agung Samiadjie
Kurnia is a software engineer and writer at eesel AI with two years of SEO experience, writing about AI tools, helpdesk software, and customer support. He pairs a developer's understanding of how these products are built with search-driven research into what actually ranks and resonates with the people searching for them.
