# Cómo consultar tus datos de IoT en lenguaje natural

> Consulta en lenguaje natural anclada en los datos de IoT: por qué una conjetura fluida es peor que un error, las dos rutas en TagoIO (TagoAI en el Admin y el MCP server para el asistente que ya usas) y los controles de permisos y privacidad que hacen viable el despliegue.

![Cómo consultar tus datos de IoT en lenguaje natural](https://tago.io/og/es/blog/query-iot-data-natural-language-ai.png)

Hoy toda plataforma IoT promete que puedes hacerle preguntas a tus datos en lenguaje corriente, y la promesa merece perseguirse. Quien lleva las operaciones y escribe "qué congeladores se salieron de rango la semana pasada" saca más de esa única frase que de un constructor de consultas que nunca iba a aprender.

Pero la mayor parte de lo que se demuestra como consulta en lenguaje natural es un modelo de lenguaje produciendo lo que parecería una respuesta plausible, no leyendo tus dispositivos. Una conjetura fluida es peor que un mensaje de error, porque la conjetura acaba dentro de un informe. La mejor forma de consultar datos de una plataforma IoT en lenguaje natural es un asistente anclado en tu cuenta: uno que trae las lecturas reales, ejecuta el cálculo real en código y puede mostrarte exactamente qué miró.

## El anclaje es todo el juego

Una respuesta fiable a una pregunta sobre datos tiene tres propiedades. Viene de una consulta en vivo contra tu cuenta, no de datos de entrenamiento ni de números pegados en un prompt. La aritmética ocurre en código, porque los modelos de lenguaje son calculadoras poco fiables. Y la base es comprobable: puedes ver qué dispositivos y qué intervalo de tiempo produjeron el resultado. Si falta cualquiera de las tres, tienes una demo y no una herramienta que pondrías delante de un cliente.

Ese es el hueco que [cierra el Model Context Protocol](https://tago.io/blog/what-is-model-context-protocol-mcp-for-iot). En lugar de pegar datos en un prompt, el asistente llama a una herramienta que consulta tu plataforma directamente y calcula sobre los valores reales.

![De una pregunta en lenguaje claro a una respuesta anclada, vía el MCP server.](https://tago.io/images/blog/query-iot-data-natural-language-ai/natural-language-query-flow.svg)

El patrón se está extendiendo por el sector por buenos motivos. ThingsBoard publica un MCP server para su plataforma, los servicios de IA de los hyperscalers se están conectando a datos de dispositivos y existen puentes de código abierto para casi todos los brokers de mensajes. Hoy el protocolo es la parte fácil. Lo que separa un montaje de otro es cuánto puede hacer el asistente una vez conectado, y cuánta configuración se interpone entre tú y la primera respuesta útil.

En TagoIO ese anclaje viene en dos formas, hechas para funcionar juntas.

## TagoAI: el asistente que ya está dentro de tu plataforma

Para la mayoría de las preguntas, el camino más corto es el asistente que vive donde viven los datos. TagoAI está en el Admin de TagoIO, detrás del icono de estrella de la barra lateral. Ábrelo y pregunta: "lista todos los dispositivos que no han reportado en 24 horas", "cuál fue la temperatura media de cadena de frío por ruta la semana pasada", "qué sedes consumieron más energía este mes". Las respuestas vienen de consultas en vivo contra tus dispositivos, no de una exportación en caché.

También es sensible al contexto. Ábrelo desde un dashboard o un script de Analysis y verá lo que estás mirando, así que "por qué está vacío este widget" es una pregunta completa. Ningún ID que pegar, ningún esquema que describir. Además de consultar, responde preguntas de arquitectura ancladas en la documentación oficial, inspecciona tus Devices, Dashboards, Actions y scripts de Analysis, y ejecuta operaciones de análisis de datos por toda tu flota.

Y cruza una línea que las herramientas de consulta pura no cruzan: actúa. Cuando "qué tanques bajaron del 20 por ciento esta semana" revela un hueco en tus alertas, la misma conversación puede redactar el script de Analysis que marca esos tanques, escrito contra tus nombres de variable y formatos de payload reales en lugar de un esbozo genérico. Preguntar y arreglar dejan de ser tareas separadas hechas por personas separadas.

Para los tipos de pregunta que funcionan mejor y los hábitos que merece la pena construir alrededor, hay un [recorrido paso a paso](https://tago.io/blog/use-ai-assistant-query-live-iot-device-data).

## MCP: trae el asistente que ya usas

La segunda forma existe porque buena parte de tu trabajo no ocurre dentro de una plataforma IoT. Escribes código en un editor, investigas incidencias en un hilo de chat y montas informes donde ya está la conversación. El [TagoIO MCP server](https://docs.tago.io/docs/tagoio/tago-ai/tagoio-mcp-ai-powered-iot-data-integration) conecta un asistente externo como Claude a tu cuenta de TagoIO, con herramientas para dispositivos, datos, analyses y dashboards.

Una vez conectado, "trae las lecturas de la semana pasada de la sede de Austin y compáralas con la línea base del contrato" es una pregunta que haces a mitad de conversación, y la respuesta viene de una consulta en vivo y no de lo último que exportaste. Para quien desarrolla, esa es la diferencia entre un asistente que habla de tu sistema y uno que lo lee. La configuración es un paso único, cubierto en [cómo conectar Claude y otros asistentes de IA a tu plataforma IoT](https://tago.io/blog/connect-claude-ai-assistants-iot-platform-mcp).

## Elegir entre los dos es la pregunta equivocada

Los dos se complementan, no compiten. TagoAI encaja con el trabajo que ocurre en la plataforma: explorar datos, depurar un script, montar un dashboard, endurecer una [Action](https://docs.tago.io/docs/tagoio/actions/). MCP encaja con las preguntas que surgen en otro sitio: en tu editor, en un análisis más largo, en un flujo que abarca sistemas más allá de TagoIO.

![Dos rutas ancladas hacia los mismos datos en vivo: una pregunta en lenguaje claro encaminada por TagoAI dentro del Admin o por Claude con el MCP server, ambas ejecutando consultas en vivo contra tu cuenta de TagoIO](https://tago.io/images/blog/query-iot-data-natural-language-ai/natural-language-two-paths.svg)

Los equipos que usan ambos encuentran un patrón rápido. La gente de operaciones se queda en TagoAI porque no hay nada que instalar, y quien desarrolla añade el MCP server porque su asistente ya está abierto en otra ventana.

## La parte que hace viable el despliegue: permisos y privacidad

Las herramientas de lenguaje natural ganan adopción por comodidad y la pierden por confianza, y por eso los controles importan tanto como las respuestas.

TagoAI empieza cada sesión en solo lectura. Puede traer, inspeccionar y analizar, pero no puede cambiar nada hasta que subas su permiso para esa sesión, y nunca crea, edita ni borra en silencio. También actúa dentro de los permisos de tu propia cuenta, así que no alcanza nada que tú no pudieras alcanzar. Cada acción queda registrada en el Audit Log, con quién la ejecutó, cuándo y qué cambió.

En cuanto a la privacidad, los proveedores por defecto operan bajo acuerdos que impiden que tus datos se usen para entrenar sus modelos. Si quieres control directo, trae tu propio proveedor de IA: OpenAI, Anthropic, AWS Bedrock, Google Gemini u OpenRouter, con tus claves guardadas cifradas en TagoIO Secrets. Traer tu propio proveedor también levanta el límite mensual de prompts. TagoAI se puede desactivar por perfil y, en perfiles de la región de la Unión Europea, viene apagado por defecto, así que la decisión de enviar datos a un modelo siempre es tuya.

Del lado de MCP, el servidor actúa con el token que le entregas. Limita ese token al caso de uso y mantén las cuentas sensibles con tokens de solo lectura. El diseño mantiene todo local salvo las llamadas a la API, pero la buena higiene de tokens sigue siendo tu responsabilidad.

Dos hábitos mantienen fiable el conjunto. Trata al asistente como un analista rápido, no como un oráculo: pídele que muestre qué dispositivos y qué intervalo usó, para poder comprobar la base de la respuesta. Anclado no significa infalible; significa comprobable. Y quédate en el permiso más bajo que sirva para la tarea.

## Míralo antes de abrirlo a todo el mundo

El webinar grabado [AI Meets IoT: A Practical Experience with TagoAI](https://tago.io/videos/ai-meets-iot-a-practical-experience-with-tagoai) recorre esto en directo: preguntas reales contra una cuenta real, incluidos los momentos en los que comprobar la base de una respuesta marca la diferencia. Ver una sesión de principio a fin es la forma más rápida de calibrar qué esperar antes de poner un asistente delante de tu equipo.

## La barrera nunca fueron los datos

La consulta en lenguaje natural no va de sustituir tus dashboards. Los dashboards siguen siendo la superficie operativa. Va de abrir los datos a las personas que el lenguaje de consulta dejaba fuera, y de acelerar a las que no. Quien lleva las operaciones obtiene su respuesta sin esperar un informe. Quien desarrolla se ahorra el viaje del CSV. Y el integrador puede ofrecer esto como servicio, que es una de las formas más claras de [diferenciar un servicio gestionado](https://tago.io/blog/how-to-differentiate-your-iot-managed-service) ahora mismo.

Tu plataforma ha tenido las respuestas todo el tiempo. La barrera era la habilidad de consulta necesaria para preguntar. Abre TagoAI desde el icono de estrella de tu Admin y haz la pregunta que tu equipo lleva derivando a ingeniería, o conecta Claude por el MCP server y pregúntalo desde donde ya trabajas. [Empieza gratis](https://admin.tago.io) si aún no tienes cuenta, o [agenda una demo](https://tago.io/request-demo) para verlo con tu propio caso de uso.

[llms.txt](https://tago.io/llms.txt)