Cómo gastar menos tokens al analizar datos con IA sin perder precisión

Definir la pregunta antes de cargar el archivo

“Analiza todo” obliga al sistema a explorar sin criterio. Escribe la decisión que quieres tomar, el período, las métricas y el nivel de detalle. Una pregunta como “qué fuentes aumentaron leads válidos y bajaron ventas en junio” permite seleccionar muchas menos columnas y registros.

Perfilar los datos con herramientas exactas

Obtén número de filas, tipos, valores nulos, duplicados, rangos y categorías con SQL, Python, R o tu herramienta de BI. El modelo puede ayudar a escribir el código, pero el resultado numérico debe venir de una ejecución verificable.

• Esquema y diccionario de campos.
• Conteos, nulos y duplicados.
• Distribuciones y valores fuera de rango.
• Consulta o script guardado para reproducir el resultado.

Enviar esquema, muestra y agregados

Comparte solo las columnas necesarias, una muestra representativa y tablas agregadas. Si necesitas investigar un grupo anómalo, recupera después esas filas específicas. Este patrón reduce tokens y hace más fácil revisar qué evidencia sustentó cada conclusión.

Contar tokens y aprovechar caché

Usa el contador del proveedor antes de ejecutar tareas grandes. Cuando repites el mismo manual, esquema o conjunto de instrucciones, colócalo como prefijo estable y revisa las métricas de tokens cacheados. En Gemini, el caché implícito depende de modelo, tamaño mínimo y similitud del prefijo.

• Tokens de entrada, salida y caché por ejecución.
• Prefijo común estable; pregunta variable al final.
• Modelo pequeño para clasificación y modelo mayor solo cuando haga falta.
• Límite de salida y formato estructurado.

Validar con una consulta de control

Compara cifras clave contra SQL o el sistema de origen. Pide al modelo que cite la tabla, consulta o fragmento usado y que declare qué no puede concluir. Si el análisis se repetirá, conviértelo en un pipeline reproducible en lugar de una conversación manual.