Última verificación documental: 29 de julio de 2026. Se revisó el diseño y la sintaxis, pero no se ejecutó SQL contra una base de prueba ni se conectaron Power BI o Tableau; una prueba reproducible requiere un dataset congelado y una API key DeepSeek con saldo.
La API V4 actual trabaja con mensajes de texto y devuelve texto o estructuras como JSON y solicitudes de herramientas; no recibe una conexión de base de datos ni abre directamente un dashboard. DeepSeek puede transformar instrucciones y datos aportados en texto o código: proponer una consulta SQL a partir de una pregunta, explicar una métrica, resumir una tabla pequeña, convertir resultados verificados en una narración o clasificar incidencias de calidad. Es una capa de lenguaje; no es una base de datos, un motor de cálculo, una herramienta de visualización ni una fuente de verdad.
El modelo no conoce el esquema de tu empresa, las definiciones de negocio ni las cifras actuales salvo que una aplicación se las entregue. Tampoco abre por sí solo un archivo de Power BI, consulta Tableau o ejecuta SQL, y la documentación oficial no presenta un conector nativo para SQL, Power BI o Tableau. Un middleware debe ejecutar únicamente consultas validadas y devolver al modelo resultados compactos. Incluso una respuesta convincente puede contener una columna inexistente, una unión incorrecta o una explicación causal no respaldada. Por eso, la integración debe separar generación, validación, ejecución y publicación.
En la API oficial, los identificadores actuales son deepseek-v4-flash y deepseek-v4-pro. Ambos admiten modo de pensamiento y no pensamiento, salida JSON y llamadas a herramientas. La ventana documentada es de 1 millón de tokens y la salida máxima, de 384.000 tokens; son límites técnicos, no una recomendación para enviar almacenes completos. Consulta el resumen de DeepSeek V4 y confirma siempre los límites oficiales antes de desplegar.
Aviso de independencia: DeepSeek Español es un sitio independiente y no oficial. No pertenece a DeepSeek ni representa a la empresa. DeepSeek no ofrece una conexión nativa con SQL, Power BI, Tableau ni con una base de datos concreta: cualquier integración descrita en esta guía debe construirla, protegerla y mantenerla un tercero mediante la API, código propio y las interfaces autorizadas de cada plataforma.
Qué significa realmente «integrar» DeepSeek con tus datos
Una integración real es una aplicación intermedia. Autentica a la persona, determina qué datos puede ver, recupera metadatos permitidos, pide al modelo una propuesta y aplica controles antes de consultar el sistema. DeepSeek solo recibe el contexto que esa aplicación envía y solo solicita herramientas que el servidor ha descrito. El servidor conserva la autoridad para rechazar cada solicitud.
| Capa | Función | Control imprescindible |
|---|---|---|
| Identidad y permisos | Determinar usuario, rol y ámbito autorizado | No confiar en una afirmación incluida en el prompt |
| Catálogo semántico | Definir tablas, métricas, relaciones y vocabulario | Versionar definiciones y propietarios |
| Orquestador | Preparar contexto y llamar a la API | Clave en servidor, timeout, límites y registro |
| DeepSeek | Proponer SQL, clasificación o explicación | Tratar la salida como no confiable |
| Validador SQL | Analizar sintaxis y aplicar políticas | Solo lectura, objetos permitidos y coste acotado |
| Motor de datos | Ejecutar la consulta autorizada | Cuenta restringida, timeout y límites de filas |
| Verificador | Comprobar cifras, fuentes y consistencia | No publicar una inferencia como hecho |
| Power BI, Tableau u otra interfaz | Presentar resultados aprobados | Respetar seguridad de filas y permisos de la plataforma |
Este diseño evita dos errores frecuentes: entregar credenciales al modelo y ejecutar directamente el texto que genera. También mantiene una ruta de auditoría: pregunta original, versión del catálogo, consulta aprobada, parámetros, resultado y revisión. No guardes más contenido del necesario para ese propósito.
Flujo seguro de lenguaje natural a SQL
1. Define el significado antes de generar la consulta
«Ingresos», «cliente activo» o «pedido devuelto» rara vez tienen un significado universal. Crea una capa semántica con definición, fórmula, zona horaria, moneda, granularidad, tablas válidas y propietario. Si una pregunta es ambigua, el sistema debe pedir aclaración. No permitas que el modelo elija silenciosamente una interpretación.
Métrica: ingresos_netos
Definición: importe_cobrado - reembolsos_confirmados
Moneda: EUR
Zona horaria del periodo: Europe/Madrid
Tablas autorizadas: analytics.fact_orders, analytics.dim_date
Datos excluidos: nombre, correo, dirección y notas del cliente
Propietario: Finanzas
Actualización: diaria a las 06:00 CET/CEST2. Recupera solo el esquema permitido
No envíes todo el catálogo ni filas de producción para responder una pregunta sencilla. Recupera descripciones de las vistas autorizadas, relaciones necesarias, ejemplos sintéticos y reglas de la métrica. Filtra columnas personales o sensibles antes de llamar al modelo. La autorización debe aplicarse al recuperar el contexto y de nuevo al ejecutar.
3. Solicita un plan estructurado
Pide al modelo que devuelva intención, supuestos, campos usados, SQL propuesto y preguntas pendientes en JSON. Una salida estructurada facilita detectar valores ausentes, pero no demuestra que el contenido sea correcto. Valida el JSON con un esquema local y rechaza campos inesperados.
{
"status": "ready | clarification_required",
"interpretation": "string",
"assumptions": ["string"],
"referenced_objects": ["analytics.view_name"],
"sql_draft": "string | null",
"parameters": {"start_date": "YYYY-MM-DD", "end_date": "YYYY-MM-DD"},
"limitations": ["string"]
}4. Analiza SQL sin ejecutarlo
Usa un parser apropiado para el dialecto y una política de lista permitida. Acepta únicamente una consulta de lectura sobre vistas concretas. Bloquea múltiples sentencias, comentarios no esperados, funciones peligrosas, acceso a metadatos, escritura, procedimientos, enlaces externos y objetos fuera del ámbito. Añade límite de filas, timeout, presupuesto de recursos y, cuando el motor lo permita, una estimación previa del plan.
- No confíes en buscar palabras prohibidas con expresiones regulares: analiza el árbol sintáctico.
- No conectes con una cuenta propietaria; usa una identidad de solo lectura y vistas preparadas.
- No permitas que el texto del usuario cambie la lista de tablas, el rol o los límites.
- No aceptes
SELECT *sobre datos detallados ni resultados sin paginación. - No ejecutes consultas generadas contra producción antes de probar el flujo en un entorno aislado.
5. Verifica el resultado, no solo la consulta
Una consulta válida puede responder a la pregunta equivocada. Compara unidades, fechas, total de filas, nulos y totales de control. Para métricas importantes, calcula el mismo indicador mediante una consulta aprobada o una capa semántica. Devuelve al usuario el periodo, filtros, fuente, hora de actualización y SQL ejecutado, cuando sea apropiado. Esa trazabilidad vale más que una explicación segura de sí misma.
Ejemplo de llamada para generar un borrador
El siguiente ejemplo en Node.js pide una propuesta JSON; no conecta con una base de datos ni ejecuta la salida. En producción todavía necesitas autenticación, filtrado, validación con esquema, parser SQL, límites, gestión de errores y revisión. La clave debe permanecer en el servidor.
import OpenAI from "openai";
const client = new OpenAI({
apiKey: process.env.DEEPSEEK_API_KEY,
baseURL: "https://api.deepseek.com",
});
const allowedCatalog = {
dialect: "PostgreSQL",
views: {
"analytics.monthly_sales": ["month", "region", "net_revenue_eur"],
},
rules: ["One SELECT only", "No personal data", "Maximum 100 rows"],
};
const response = await client.chat.completions.create({
model: "deepseek-v4-flash",
thinking: { type: "disabled" },
response_format: { type: "json_object" },
messages: [
{
role: "system",
content: "Return JSON only. Use only the supplied catalog. If the question is ambiguous, set status to clarification_required and sql_draft to null.",
},
{
role: "user",
content: JSON.stringify({
question: "Compara los ingresos netos mensuales por región en el primer semestre de 2026",
catalog: allowedCatalog,
}),
},
],
});
const untrustedDraft = JSON.parse(response.choices[0].message.content ?? "{}");
// Validar estructura y SQL. No ejecutar untrustedDraft.sql_draft directamente.La sintaxis y los parámetros de la API pueden cambiar; nuestra guía de la API de DeepSeek ofrece contexto en español, pero la documentación oficial debe prevalecer. El modo no pensamiento puede bastar para una transformación estrecha; compara ambos modelos y modos con un conjunto de evaluación propio en vez de asignar automáticamente todas las tareas complejas a una etiqueta concreta.
Power BI: patrones de integración responsables
DeepSeek no aparece documentado por su proveedor como conector nativo de Power BI. Evita colocar la clave de la API en una consulta M, un archivo PBIX o código que pueda descargar una persona usuaria. También evita una llamada al modelo por fila durante cada actualización: puede multiplicar coste, latencia y exposición de datos, además de producir narraciones distintas para la misma cifra.
Un patrón más controlable ejecuta un trabajo en servidor después de actualizar el almacén. Ese servicio lee únicamente una tabla agregada autorizada, llama a DeepSeek para crear un borrador de narración, verifica que cada cifra exista en el conjunto y guarda texto, versión, periodo y estado de aprobación en una tabla separada. Power BI consume después esa tabla como cualquier otra fuente gobernada.
Para preguntas conversacionales, utiliza una aplicación externa autenticada que consulte la capa semántica con la identidad de la persona. No envíes al modelo el modelo completo ni permitas saltarse la seguridad de nivel de fila. La interfaz debe mostrar de dónde procede cada cifra y ofrecer acceso al informe original para comprobarla.
Tableau: narraciones y preguntas sin fingir una integración nativa
DeepSeek tampoco documenta un conector nativo para Tableau. Si desarrollas una extensión o una aplicación adyacente, el componente debe hablar con tu backend, nunca directamente con la API mediante una clave incrustada. El backend vuelve a comprobar sesión, libro, vista, filtros y permisos antes de recuperar datos agregados.
Para una narración, pasa una tabla breve con etiquetas y unidades, no una imagen del gráfico como sustituto de los datos. Pide describir solo variaciones calculadas y prohíbe atribuir causas. Una coincidencia temporal no demuestra que una campaña, una incidencia o un cambio de precio causó el movimiento. Si se aporta una explicación desde otra fuente, enlázala y etiquétala como hipótesis o evidencia.
Otra opción es generar borradores fuera de Tableau y publicar únicamente los aprobados en una tabla de anotaciones. Así puedes revertir una salida, comparar versiones y mantener el dashboard disponible aunque la API de IA falle.
Llamadas a herramientas y acceso a datos actuales
Las llamadas a herramientas permiten describir funciones como get_metric o create_query_draft. El modelo puede proponer una función y argumentos; la documentación oficial aclara que la función debe proporcionarla el desarrollador y que el modelo no la ejecuta. Tu aplicación valida la solicitud, aplica permisos, consulta el sistema y devuelve un resultado limitado.
No expongas una herramienta genérica del tipo run_sql(sql) a cualquier persona. Prefiere funciones estrechas con parámetros tipados, por ejemplo get_monthly_net_revenue(start_date, end_date, region_ids). El servidor fija las regiones autorizadas, límites y consulta preparada. Una tool call no concede navegación web, acceso automático a un dashboard ni conocimiento en tiempo real.
Si amplías el sistema con otras herramientas, sigue el mismo principio descrito en nuestra guía de DeepSeek y herramientas de desarrollo: nombres específicos, esquema cerrado, permisos mínimos, ejecución aislada y aprobación proporcional al impacto.
Casos de uso que sí tienen sentido
Borrador de SQL para analistas
El analista aporta una pregunta y un esquema autorizado. DeepSeek propone la consulta y explica supuestos; el analista revisa joins, filtros, granularidad y coste antes de ejecutarla. Este uso asistido es más seguro que prometer acceso autónomo a personas sin conocimientos de datos.
Documentación de consultas existentes
El modelo puede redactar una primera explicación de un SQL ya probado: entradas, transformaciones y posibles límites. El propietario confirma el significado y evita que una descripción generada se convierta en documentación oficial sin revisión.
Narración de métricas verificadas
Entrega agregados calculados y pide un texto con cifras exactas, periodo y comparador. Un verificador determinista comprueba que cada número aparece en la entrada. La persona responsable aprueba el tono y cualquier interpretación antes de incorporarla al informe.
Clasificación inicial de incidencias de calidad
DeepSeek puede agrupar mensajes de error previamente minimizados y proponer etiquetas. No debe decidir que un dato es correcto, borrar registros ni modificar un pipeline. Usa categorías cerradas, muestreo humano y una ruta «desconocido».
Ayuda para preparar hipótesis
Con resultados observados, puede enumerar posibles explicaciones y datos necesarios para evaluarlas. No lo presentes como análisis causal. Las pruebas estadísticas, el diseño experimental y el conocimiento del negocio permanecen a cargo de especialistas.
Privacidad, confidencialidad y gobierno
Los datos analíticos pueden revelar información sobre clientes, empleados, salud, finanzas, ubicación o secretos comerciales, aunque no incluyan un nombre directo. Cuando una integración envía contenido a DeepSeek Open Platform, DeepSeek procesa las Entradas delegadas para prestar la API. Sin embargo, la documentación pública revisada no especifica para los usuarios finales de la aplicación la región exacta de tratamiento o almacenamiento, el plazo general de conservación ni el uso de esas Entradas para entrenamiento. No debe inferirse esta información de la política de privacidad del servicio directo, que excluye expresamente las aplicaciones de terceros. Evalúa el servicio, las condiciones aplicables, la base jurídica y las transferencias antes de enviar datos reales.
- Clasifica los datos y excluye categorías que no sean necesarias para el caso.
- Agrega, seudonimiza o sustituye valores antes de llamar al modelo.
- Define finalidad, base jurídica, ubicación, proveedores, acceso y conservación.
- No registres prompts completos por comodidad; protege y limita los registros imprescindibles.
- Separa desarrollo, prueba y producción, y utiliza datos sintéticos en las primeras fases.
- Prohíbe que la salida tome decisiones significativas sobre personas sin garantías específicas.
Revisa la política de privacidad de este sitio para distinguir el tratamiento realizado aquí del tratamiento de servicios externos. Si vas a implementar una integración empresarial, consulta además a responsables jurídicos, de seguridad y protección de datos.
Cómo evaluar calidad, coste y seguridad
Crea un conjunto de preguntas representativas con respuesta y SQL de referencia. Incluye ambigüedades, columnas parecidas, distintas zonas horarias, datos vacíos, intentos de inyección y peticiones no autorizadas. Ejecuta la evaluación al cambiar modelo, prompt, catálogo, parser o esquema. Una demostración acertada no predice el comportamiento de producción.
| Dimensión | Qué medir |
|---|---|
| Exactitud semántica | Métrica, filtros, joins, periodo, moneda y granularidad correctos |
| Seguridad | Solicitudes prohibidas bloqueadas y ausencia de datos fuera del rol |
| Confiabilidad | JSON válido, consultas ejecutables, manejo de ambigüedad y fallos |
| Trazabilidad | Cifras respaldadas por objetos, consulta y actualización identificables |
| Operación | Latencia total, timeout, disponibilidad y capacidad de desactivar |
| Coste | Tokens, caché, infraestructura, BI, revisión y mantenimiento |
Compara V4 Flash y V4 Pro sobre el mismo conjunto, con temperatura y contexto controlados. Mide resultado final, no solo fluidez. Los precios se calculan por tokens y pueden cambiar; consulta nuestra página de precios de DeepSeek y confirma la tabla oficial el día de presupuestar.
Plan de despliegue
- Laboratorio: usa esquema y datos sintéticos; no concedas acceso de producción.
- Modo sombra: genera propuestas para compararlas con consultas humanas, sin ejecutarlas.
- Asistente de analista: permite borradores visibles a un grupo experto con aprobación.
- Ejecución controlada: habilita solo vistas, métricas y consultas de bajo riesgo ya evaluadas.
- Publicación: exige verificación de cifras y aprobación para narraciones externas o ejecutivas.
- Supervisión: revisa muestras, cambios, costes, incidentes y permisos; conserva un interruptor de emergencia.
Mantén siempre el flujo tradicional. Una caída de DeepSeek no debe detener el almacén, la actualización de un informe ni el acceso a métricas aprobadas. Si el modelo falla o expresa dudas, deriva el caso a una persona en lugar de reintentar sin límite.
Preguntas frecuentes
¿DeepSeek se conecta directamente a SQL, Power BI o Tableau?
No existe una conexión nativa documentada por DeepSeek para esas plataformas. Un desarrollador debe crear un backend o proceso externo y usar las APIs autorizadas de cada sistema.
¿Puede ejecutar la consulta que genera?
No por sí solo. Una aplicación externa podría ejecutarla, pero debe analizarla, limitarla, aplicar permisos y, según el riesgo, solicitar aprobación humana.
¿Una ventana de 1 millón de tokens permite enviar toda la base?
No. El contexto acepta texto tokenizado, no sustituye a un motor de datos. Enviar grandes volúmenes aumenta coste, exposición y ruido. Consulta el motor y entrega agregados mínimos.
¿El modelo puede descubrir la causa de una anomalía?
Puede proponer hipótesis a partir del contexto, pero una correlación no demuestra causalidad. Verifica con datos adicionales, conocimiento del sistema y métodos analíticos adecuados.
¿Es seguro incluir la clave en Power Query o una extensión?
No es un diseño recomendable. Mantén la clave en un servidor, autentica a cada usuario y aplica controles antes de llamar a DeepSeek.
¿Debo elegir V4 Flash o V4 Pro?
Evalúa ambos con tus preguntas, dialectos y controles. Compara exactitud, latencia y coste. Para muchas transformaciones estrechas, un flujo simple y bien validado puede importar más que el modelo elegido.