¿Se puede encargar a un asistente de IA el triaje inicial de consultas lentas y bloqueos en un PostgreSQL de producción sin arriesgarse a tumbar el servidor ni exponer los datos de las tablas? En esta nota te enseño cómo lo resuelve la versión Datasentinel 2026.10 gracias al módulo AI Connector, convirtiendo la investigación de fallos en la base de datos en un diálogo seguro en lenguaje natural.
De cientos de gráficas al diálogo con contexto: cómo funciona AI Connector sobre MCP y Skills
En torno a conectar redes neuronales a una base de datos persiste una ilusión muy tenaz: parece que hay que entregar al asistente las contraseñas de PostgreSQL y dejar que el modelo lance consultas pesadas sobre las tablas vivas. Cuando revisé la arquitectura de Datasentinel (el equipo también mantiene la extensión abierta pg_datasentinel), me enganchó precisamente su separación de plano: la IA no recibe ningún acceso de red al SGBD.
El módulo AI Connector une dos piezas: un servidor MCP de la plataforma (Model Context Protocol, el protocolo abierto que conecta modelos de lenguaje con herramientas externas) que expone la telemetría recogida, y un perfil Skill que guía el razonamiento del modelo según la metodología de un DBA. El conector funciona con Claude, ChatGPT, Gemini, Microsoft Copilot y GitHub Copilot desde cliente de escritorio, terminal o IDE.
Comprobémoslo en un escenario completo con la instancia prod-eu-1. Por la mañana abres el chat con Claude y preguntas: «¿Qué pasó en prod-eu-1 entre las 08:00 y las 10:00 y por qué la base de pedidos iba lenta a las 9:00?». El asistente pide las métricas por MCP y devuelve una lista de causas ordenada por impacto, con pruebas y el siguiente paso recomendado. El contexto de la conversación se mantiene: en un par de mensajes pasas de la vista de flota a un plan de consulta concreto o pides montar un dashboard (por ejemplo, con Claude Artifacts) o un informe en HTML.
Casos prácticos de diagnóstico y el precio de la comodidad en prod-eu-1
En el día a día sobre prod-eu-1, un diálogo así resuelve tareas rutinarias sin escribir consultas SQL farragosas contra los catálogos del sistema:
- Comparativa antes y después de desplegar: ante la petición «Compara
prod-eu-1hoy de 08:00 a 10:00 con la misma ventana de ayer: ¿hay regresión?», el modelo contrasta perfiles de carga y planes de ejecución entre ambos periodos; - Análisis vivo de bloqueos y autovacuum: el asistente muestra sesiones activas, cadenas de bloqueo (quién retiene a quién), índices ausentes o redundantes y revisa el retraso en la limpieza de tuplas muertas (
autovacuum lagging).
Comprobar planes no carga producción: la nueva función datasentinel_analytics (requiere Agent v4.0.0+) ofrece acceso de solo lectura a las estadísticas del planificador y genera planes estimados (estimated execution plans) sin ejecutar SQL físico.
Pongamos en la balanza el beneficio y el coste de esta comodidad. Ahorras tiempo en el triaje y programas resúmenes diarios con tokens revocables. El acceso está protegido por OAuth 2.1 sin contraseñas de base de datos, los permisos en el chat replican los de la interfaz web (el análisis en vivo exige un privilegio aparte) y las filas de las tablas nunca salen de la base. La otra cara de la moneda: AI Connector se distribuye como complemento de pago (hay un sandbox gratuito de solo lectura), y hacia el LLM elegido viajan métricas, texto SQL, planes de ejecución y nombres de objetos del esquema.
Además, la versión 2026.10 aceleró la generación de informes PDF compactos de Workload con detalle de bloqueos y esperas, sumó un servidor MCP de documentación, limpieza automática de instancias inactivas, filtros unificados para monitorización sin agente y parches de dependencias. Puedes comparar este planteamiento con una solución vecina en nuestro análisis de Dasha 1.10, donde MCP se usa para diagnosticar clústeres Patroni.
Para incorporar el diagnóstico con IA de forma segura en tu flujo de trabajo, ten presentes tres reglas:
- Delega al asistente el triaje inicial: usa el chat para cazar bloqueos, comparar ventanas tras un despliegue y vigilar
autovacuum; - Ten en cuenta la sensibilidad del esquema: recuerda que el texto de las consultas y los nombres de las tablas salen hacia la API externa del modelo;
- Valida las recomendaciones antes de lanzar DDL: apóyate en los planes estimados de
datasentinel_analytics, pero verifica tú mismo la creación de índices en tablas con alta escritura.
Con ese equilibrio puedes delegar con tranquilidad a la IA la analítica preliminar de fallos en PostgreSQL sin soltar el control de la base en producción.

