Agente de Auditoría de Presupuestos: Text-to-SQL y GraphRAG

📌 Puntos Clave (Key Takeaways)

• El Objetivo: Construir un agente de IA autónomo capaz de auditar presupuestos públicos anuales de $500B, rastreando contrataciones gubernamentales, libros contables y documentos HWPX no estructurados para detectar sobrecostos y cárteles de licitación.
• Prevención Arquitectónica: Eliminamos las alucinaciones numéricas delegando cálculos a un motor Text-to-SQL Determinista, aislando las redes de colusión en un Grafo de Conocimiento Heterogéneo (GraphRAG) en una arquitectura Dual-Brain.
• Errores Reales Resueltos: (1) Solucionamos la fragmentación de nombres comerciales y direcciones que rompía la detección de cárteles con EntityResolver; (2) Capturamos la división temporal de contratos con ventanas deslizantes de 30 días; (3) Superamos la desconfianza del auditor integrando un generador XAI vinculado a leyes y jurisprudencia.
• Resultados: 11 suites de pruebas de regresión pasadas al 100%, desarticulando un cártel de contratación de 38.5M KRW con domicilio compartido y un 70% de fuga en gastos indirectos.

---

Lecciones de Producción:

1. Delega las matemáticas a la base de datos: Los LLMs no deben calcular; deben traducir a SQL estricto.
2. Los datos reales siempre están fragmentados: Normalizar entidades corporativas y domicilios es esencial para que los grafos no colapsen.
3. La explicabilidad otorga validez legal: Un puntaje probabilístico no basta; vincular las alertas a estatutos legales y precedentes es indispensable.