Tus dispositivos están reportando. Temperaturas, niveles de batería, ubicaciones, tiempo de actividad, todo fluye hacia tu cuenta de TagoIO y se queda allí, listo para consultar. Y cuando alguien de tu equipo hace una pregunta operativa sencilla, los datos para responderla ya existen.
Pero llegar a la respuesta rara vez es tan simple como la pregunta. “¿Qué dispositivos no se han reportado desde ayer?” suena como una sola línea. En la práctica significa abrir la plataforma, filtrar dispositivos, revisar las marcas de tiempo de la última entrada, quizá escribir un pequeño script de Analysis o armar un widget de dashboard. Los datos están ahí mismo, pero el camino de la pregunta a la respuesta todavía pasa por construir consultas, escribir scripts o trabajar en dashboards.
Por eso: conecta un asistente de IA a tus datos de TagoIO mediante el Model Context Protocol, y podrás simplemente preguntar. El servidor MCP de TagoIO enlaza asistentes como Claude, ChatGPT y Cursor directamente con tu despliegue. Escribes la pregunta en lenguaje natural, el asistente lee tus dispositivos y datos reales, y responde, o genera el script o el dashboard que habrías construido a mano. Este artículo recorre cómo se ve eso en la práctica.
Esta guía asume que la conexión MCP ya está configurada. Si no lo está, empieza con nuestra guía de configuración, Cómo conectar Claude y otros asistentes de IA a tu plataforma de IoT con MCP, y luego vuelve aquí.
Tarea 1: Comprobaciones rápidas de estado
Las preguntas más comunes también son las más simples. Quieres conocer el estado actual de tu flota sin pasar por listas de dispositivos.
Prompt: “¿Qué dispositivos no se han reportado en las últimas 24 horas?”
El asistente consulta tus dispositivos a través de la conexión MCP, compara la marca de tiempo más reciente de cada uno con las últimas 24 horas, y devuelve la lista. Obtienes los nombres de los dispositivos y cuánto tiempo lleva en silencio cada uno, en el chat, en unos segundos. Sin filtro que configurar, sin widget que construir.
Aquí es donde brillan las consultas en lenguaje natural. La pregunta cambia un poco cada vez (“las últimas 6 horas”, “solo los gateways”, “en el grupo del almacén”), y no tienes que reconstruir nada para hacer la siguiente versión. Solo la escribes.
Tarea 2: Resúmenes y agregaciones
El siguiente nivel es pedir cálculos sobre un rango de datos: promedios, totales, conteos agrupados por algún atributo.
Prompt: “Muéstrame la temperatura promedio por zona de la última semana.”
El asistente extrae el historial relevante de los dispositivos, agrupa las lecturas por zona, calcula el promedio de cada una y presenta el resultado como una pequeña tabla. Si lo quieres desglosado por día en lugar de un promedio semanal, lo dices y se ajusta.
Esto es genuinamente útil para explorar. Estás hurgando en los datos, formándote una idea, decidiendo qué importa. Para una lectura rápida de “cómo fue la semana pasada”, preguntar es más rápido que construir un gráfico. Ten en cuenta que el asistente está resumiendo lo que extrae, así que para cualquier cosa sobre la que vayas a reportar o actuar, vale la pena contrastar los números con la plataforma.
Tarea 3: Detectar anomalías
A veces la pregunta no es “cuál es el promedio” sino “qué está mal”. Estás buscando el caso atípico, eso que no debería estar pasando.
Prompt: “¿Qué pallets en la zona C llevan más de 72 horas inmóviles?”
Esta es una pregunta más difícil. El asistente tiene que mirar los datos de ubicación o movimiento por dispositivo, calcular cuánto tiempo lleva cada pallet en su posición y filtrar por la zona C y el umbral de 72 horas. Lee tus datos, razona sobre la condición y te da la lista de pallets que coinciden, con cuánto tiempo lleva detenido cada uno.
Para una investigación puntual, esto le gana a escribir una consulta a mano. Describes la condición con palabras en lugar de traducirla a código. Solo recuerda que el asistente puede equivocarse en una lógica como esta, así que si la respuesta impulsa una decisión, verifica tú mismo un par de los elementos marcados antes de actuar.
Tarea 4: Generar un script de Analysis
Hasta aquí el asistente ha estado respondiendo preguntas. También puede construir cosas. Los scripts de Analysis de TagoIO son JavaScript serverless que se ejecutan en tu cuenta, y describir uno en lenguaje natural suele ser más rápido que partir de un archivo en blanco.
Prompt: “Escribe un script de Analysis que marque el nivel de batería por debajo del 15 por ciento.”
El asistente genera un script de Analysis en JavaScript que lee los datos de batería de tus dispositivos, compara cada lectura con el umbral del 15 por ciento y marca las que están por debajo. Puede conectar la lógica a una Action para que una batería baja dispare una alerta, ya que las Actions y las alertas son parte de la misma plataforma que puede ver.
Aquí está la parte honesta: trata el script generado como un primer borrador, no como un despliegue terminado. Te da un punto de partida que funciona y te ahorra el código repetitivo, pero deberías leerlo, confirmar que referencia los nombres reales de tus dispositivos y variables, y probarlo antes de que corra contra datos en vivo. El asistente puede equivocarse, y un script que no has revisado es un script en el que no confías.
Tarea 5: Construir un dashboard
El asistente también puede levantar un Blueprint Dashboard a partir de una descripción, lo cual viene bien cuando quieres un diseño inicial rápido.
Prompt: “Construye un dashboard para mis dispositivos de cadena de frío.”
El asistente mira tus dispositivos de cadena de frío, elige variables relevantes como temperatura y batería, y genera un dashboard con widgets dispuestos para ellas. Obtienes algo para mirar y ajustar en lugar de un lienzo en blanco.
Es una gran forma de superar el problema de la página en blanco. Pero lleva directo al punto de honestidad más importante de todo este artículo, así que abordémoslo de frente.
Cuándo preguntar y cuándo construir
Las consultas en lenguaje natural son excelentes para un conjunto concreto de tareas: preguntas ad hoc, exploración, investigaciones puntuales y generar un primer borrador de un script o un dashboard. La fuerza está en que no te comprometes a nada. Cada pregunta puede ser distinta, y nunca tienes que construir infraestructura para hacer la siguiente.
Un dashboard guardado es mejor para un conjunto distinto de tareas. Para una métrica que tu equipo revisa todos los días, la misma vista cada mañana, un dashboard construido es más rápido y más confiable. Carga al instante, muestra lo mismo cada vez, no depende de que un asistente formule bien una consulta, y no te cuesta una ida y vuelta por una interfaz de chat. Si te descubres haciéndole al asistente la misma pregunta a diario, esa es tu señal para construir el dashboard una vez y dejar de preguntar.
Así que la regla es simple. Usa el lenguaje natural cuando la pregunta sea nueva, ocasional o exploratoria. Construye un dashboard o un Analysis guardado cuando la pregunta sea recurrente y operativa. Los dos no compiten. El asistente suele ser la forma más rápida de averiguar, para empezar, qué debería contener tu dashboard diario.
Y sobre el código generado: cualquier cosa que el asistente escriba, un script de Analysis o la configuración de un dashboard, es un borrador que es tuyo. Revísalo, pruébalo, confirma que coincide con los nombres reales de tus dispositivos y variables, y luego despliégalo. El asistente es un colaborador rápido, no uno sin supervisión.
Qué puede alcanzar el asistente
Cuando está conectado por MCP, el asistente trabaja sobre los mismos bloques que usas en la plataforma: los dispositivos con su historial y sus datos, los scripts de Analysis, los Blueprint Dashboards, las Actions y las alertas, y la API REST. Por eso puede tanto responder preguntas sobre tu despliegue como generar los scripts y dashboards que de otro modo construirías a mano.
Para cerrar
Los datos para responder tus preguntas operativas ya están en TagoIO. La fricción nunca fueron los datos; fue el trabajo de construir consultas, escribir scripts y armar dashboards entre tú y la respuesta. Conectar un asistente de IA por MCP elimina esa fricción para las preguntas que no justifican construir nada. Pregunta en lenguaje natural, obtén la respuesta o un primer borrador de script o dashboard, y reserva tu esfuerzo de construir dashboards para las métricas que vigilas todos los días.
Usa el asistente donde es fuerte, conserva tus dashboards guardados para lo que mejor hacen, y revisa cualquier cosa que genere antes de que entre en producción.
