La IA entiende preguntas como “quién ganó la mesa 900100”, “top 5 en Puno” o “cómo cambió primera vuelta vs segunda vuelta”.
Data · IA · MCP · ONPE
Construí un MCP para que la IA entienda elecciones oficiales.
Soy un profesional de data que diseñó ONPE MCP para convertir datos electorales públicos en respuestas útiles, rápidas y trazables. El resultado: una experiencia donde la IA consulta mesas exactas, rankings por región, comparaciones entre vueltas y cobertura electoral sin perder contexto ni precisión.
Cobertura 2026
92,766
Mesas presidenciales de primera vuelta (1V) y segunda vuelta (2V) integradas en el servidor MCP.
Histórico 2021
86,488
Dataset completo para comparativas entre ciclos electorales.
Calidad
600+
Tests automatizados para sostener consistencia y confiabilidad.
Latencia
<1s
Respuesta rápida con estrategia cache-first y fallback live.
Qué hace
El sistema usa información real y auditada para responder sin inventar cifras ni depender de una interfaz manual.
Permite cruzar 2021 vs 2026, primera vuelta vs segunda vuelta y geografía electoral en una sola conversación.
El proyecto expone avance, cobertura y estado de actas para responder “cuántas mesas van” y “qué falta contabilizar”.
Incluye análisis más profundo, como proyecciones y lectura del flujo de votos hacia los finalistas de segunda vuelta.
No es solo una web: es una capa de conocimiento que un agente puede usar como herramienta confiable.
Cómo lo hice
01 Data
Integración de fuentes oficiales y dataset histórico
Unifiqué scrapers, datos procesados y el histórico 2021 para que el producto pudiera responder consultas reales como mesa, región, primera vuelta, segunda vuelta y comparativas entre ciclos.
02 IA
Diseño del puente entre IA y datos
Construí el MCP para que un agente no solo “lea” datos, sino que resuelva intención, consulte, compare y razone sobre ellos con preguntas en lenguaje natural.
03 Stack
Arquitectura liviana, rápida y auditable
Python, MCP, SQLite, JSON Schema y rutas modulares para un servidor estable, portable y fácil de mantener.
04 QA
Confiabilidad por diseño
Testeé el flujo para sostener consistencia, evitar regresiones y mantener el proyecto listo para uso real en preguntas de mesa, región, cobertura y transferencia de votos.
Arquitectura
Pregunta IA → onpe_chat → cache local → API live → capa verificable
Diseñé el sistema para responder primero desde memoria local, luego desde la fuente oficial cuando hace falta, y cerrar con contexto verificable cuando la consulta necesita explicación más que solo números.
Diseñé el sistema para responder primero desde memoria local, luego desde la fuente oficial cuando hace falta, y cerrar con contexto verificable cuando la consulta necesita explicación más que solo números.
Python 3.11+
MCP
SQLite
JSON Schema
Pytest
Data pipeline
La idea es simple: que una IA pueda usar datos electorales de forma seria. La ejecución, en cambio, está pensada como producto profesional: capas de datos, trazabilidad, rendimiento y una interfaz clara.
Qué se ve en la demo
Mesa
Preguntas puntuales por mesa, acta o ubicación con respuesta directa y contexto inmediato.
Región
Lectura de resultados por departamento, provincia o distrito para storytelling electoral rápido.
2da vuelta
Comparación entre primera vuelta y segunda vuelta, cobertura y cambio de voto en 2026.
Histórico
Lectura 2021 completa para comparar primera y segunda vuelta y explicar el comportamiento electoral con data real.
Por qué importa
Este proyecto me representa como profesional de data que no solo consume IA, sino que la diseña para trabajar con datos públicos complejos, de forma útil, rápida y verificable.
Es una pieza de portfolio para mostrar criterio técnico, foco en producto y capacidad de convertir una fuente oficial como ONPE en una experiencia moderna, impresionante y realmente funcional.
Fuente: ONPE via scraper ·
Proyecto de consultas en lenguaje natural