Tu SQL Server no necesita otra pantalla llena de métricas. Necesita entender qué está pasando.

CASO REAL DE LA DEMOSTRACIÓN

De una instancia con múltiples síntomas a una investigación basada en evidencia

En el video, el agente analiza una instancia SQL Server 2025 con varios problemas de performance activados deliberadamente dentro de un entorno de pruebas controlado. El agente no conoce de antemano qué se activó y no consulta la respuesta del entorno de pruebas — investiga únicamente con la información que tendría un DBA real: DMVs, metadata, Query Store, wait statistics, estadísticas, índices, configuración, locks, transacciones y telemetría histórica. El objetivo no es mostrar una lista de alertas, sino transformar cientos de señales en evidencia, hipótesis de causa raíz, recomendaciones, evaluación de riesgo y remediaciones controladas.

Durante esta prueba, el agente no consulta la tabla que contiene la respuesta correcta del entorno de pruebas — investiga como lo haría un DBA externo. Esto permite medir sus resultados de forma objetiva.

SQLDISCOVERY AGENT · FREE SQL SERVER HEALTH CHECK

Detecta qué merece atención antes de que se convierta en un problema de performance.

SQLDiscovery Agent ejecuta un Health Check read-only sobre una instancia y una base de SQL Server, analiza configuración, waits, Query Store, planes, índices, estadísticas, archivos, log, backups, TempDB y blocking, y genera un informe HTML priorizado por severidad. Sin modificar tu instancia.

QUÉ ANALIZA

Seis áreas técnicas, una sola pasada de solo lectura

El mismo criterio que aplicaría un DBA senior en una revisión manual — solo que en minutos y de forma consistente.

Un índice no debe eliminarse únicamente porque aparezca sin lecturas en esta fotografía puntual.

Tu instancia no cambia

SQLDiscovery Agent analiza tu instancia y genera evidencia. No cambia la configuración ni modifica datos.

Durante el Health Check, SQLDiscovery Agent no ejecuta:

No cambia configuración del servidor ni de la base, índices, estadísticas, contraseñas ni datos de negocio.

Si SQL Server obliga a cambiar la contraseña del usuario utilizado, SQLDiscovery Agent se detiene y solicita realizar el cambio desde SQL Server Management Studio antes de continuar.

MÁS QUE DETECTAR PROBLEMAS

Más que detectar problemas

SQL Server puede generar miles de métricas. ConsultorDBA AI Health Agent transforma esas señales en evidencia, anomalías, causa raíz y acciones concretas — no es un DMV seguido de una regla seguido de una alerta.

1 · RECOLECCIÓN NO INVASIVA

Evidencia sin poner en riesgo tu instancia

El agente recolecta evidencia mediante DMVs, Query Store, waits, metadata, configuración, índices, estadísticas, locks, blocking, transacciones, TempDB, I/O, performance counters y Extended Events cuando corresponde. Está diseñado para minimizar el impacto sobre la instancia y evita leer datos de negocio cuando no es necesario.

3 · QUERY STORE INTELLIGENCE

Identifica degradaciones reales, no solo planes distintos

El agente analiza Query Store para identificar degradaciones reales de performance. Un plan distinto no significa un plan malo — tiene que existir un impacto medible para calificar como regresión.

QUERY 0x91AB... — Ejemplo ilustrativo, no corresponde a telemetría real de un cliente.

5 · FEATURE ENGINEERING

De valores crudos a señales técnicas útiles

Wait times, I/O, CPU, planes de ejecución, blocking y estadísticas se transforman en ratios, desviaciones, cambios, tendencias e indicadores de carga de trabajo — las señales que realmente pueden usar las reglas de DBA y el Machine Learning, no los números crudos.

7 · MACHINE LEARNING / DETECCIÓN DE ANOMALÍAS

Detecta cambios que un threshold fijo puede ignorar

El sistema usa análisis estadístico y Machine Learning para identificar spikes, change points, desviaciones persistentes, cambios de carga de trabajo, anomalías de latencia de queries, anomalías de I/O, anomalías de waits y cambios de blocking. El Machine Learning no reemplaza las reglas de DBA — es una arquitectura híbrida.

9 · AI INVESTIGATION

Acciones, evidencia e hipótesis — no el razonamiento interno del modelo

La investigación se muestra como lo revisaría un DBA: qué se verificó, qué evidencia se encontró y qué hipótesis explica mejor los síntomas — nunca el chain-of-thought interno del modelo.

11 · CONFIDENCE SCORE

Toda hipótesis muestra su propia evidencia

Una hipótesis de causa raíz siempre incluye evidencia que la respalda, evidencia que la contradice (si existe) y evidencia faltante — no solo un porcentaje sin sustento.

13 · REMEDIATION RISK ENGINE

Detectar un problema y ejecutar una corrección son dos decisiones diferentes

Cada remediación propuesta incluye nivel de riesgo, beneficio esperado, confianza, blast radius, reversibilidad, si requiere aprobación humana, plan de validación y plan de rollback. El agente no promete resultados universales.

15 · BEFORE / AFTER VALIDATION

No asumimos que una corrección funcionó. La medimos.

Ejemplo ilustrativo. Los resultados dependen del workload y de la causa del problema.

17 · SEGURIDAD

Inteligencia sin entregar control irrestricto a la IA

• Diagnóstico no invasivo, pensado para minimizar impacto sobre la instancia
• Timeouts controlados en cada consulta de observación
• Solo queries de observación — nunca modifica datos durante el diagnóstico
• No almacena contraseñas
• No almacena connection strings de forma insegura
• Evita acceder a filas de datos de negocio
• El texto SQL puede configurarse según la política del cliente
• El LLM no ejecuta SQL arbitrario por sí mismo
• Remediación controlada, nunca automática sin aprobación
• Human-in-the-loop en cada acción de remediación