Cómo preparar los datos para que Copilot en Power BI responda bien

Copilot en Power BI responde bien cuando el modelo semántico ya está ordenado: nombres de negocio, descripciones, relaciones limpias, medidas correctas, una lista permitida de tablas y columnas, seguridad probada y un conjunto de preguntas con respuestas esperadas. La preparación pertenece al modelo, no al informe, y no se evalúan respuestas generativas antes de completarla.

Por qué la preparación vive en el modelo, no en el informe

Microsoft describe la preparación de datos para IA como un contrato de consumo: el esquema simplificado, las instrucciones de IA y las respuestas verificadas definen qué puede usar Copilot y cómo debe responder. Eso no es decoración de un informe, es parte del modelo semántico.

El modelo semántico es el acuerdo compartido sobre qué significa cada métrica. Si el esquema permitido, las instrucciones y el estado Approved for Copilot no quedan reflejados en el modelo, la configuración se vuelve frágil y nadie sabe mantenerla después. La regla es simple: la IA no arregla un modelo pobre, lo amplifica. Preparar los datos primero es lo que evita que preguntar en lenguaje natural sea una lotería.

Nombres y descripciones que la IA pueda entender

Copilot lee metadatos. Si una tabla se llama con un código interno y una medida no tiene descripción, el modelo generativo interpreta con menos contexto y responde con más ruido.

Cada elemento expuesto necesita:

• Un nombre de negocio, tal como se nombra en comité, ventas, finanzas u operaciones.
• Una descripción que explique qué representa y cuándo usarlo.
• Un formato correcto (moneda, porcentaje, decimales) para que la respuesta se lea bien.
• Un propietario que valida la definición y acepta los cambios.

Las medidas auxiliares, los selectores, los colores, los títulos dinámicos y las tablas técnicas deben quedar ocultos o fuera del esquema expuesto a la IA. Cuando Copilot ve demasiadas tablas técnicas, responde con ruido. Reducir lo visible a lo que un humano de negocio nombraría es la primera decisión de calidad.

Relaciones y medidas: la base que Copilot amplifica

Microsoft define el modelo semántico como una descripción lógica del dominio analítico, con métricas y terminología de negocio. La documentación de modelos semánticos en Fabric explica por qué conviene trabajar con modelos explícitos, nombrados y gobernados en lugar de modelos implícitos que después nadie mantiene.

Antes de evaluar cualquier respuesta generativa:

• Verifica que las relaciones tengan la dirección y cardinalidad correctas, sin caminos ambiguos.
• Confirma que cada medida relevante calcula lo que dice calcular: filtros, exclusiones, moneda, impuestos, devoluciones y período.
• Define el grano de cada métrica, el nivel mínimo válido, para evitar sumar lo que no se debe sumar.

Una relación mal armada o una medida ambigua no se nota tanto en un informe donde el usuario ya sabe qué mira. Con Copilot sí se nota, porque la pregunta abierta expone el error tarde, cuando ya la vio dirección. Por eso conviene tratar las preguntas como una suite de validación antes de publicar, no como una demostración puntual.

Seguridad: compartir el agente no otorga permisos

Un punto que se pasa por alto: compartir un Data Agent o una experiencia de Copilot no da acceso a los datos. El usuario debe tener acceso al agente y al modelo semántico. La guía de conceptos de Fabric Data Agent describe las fuentes, los permisos y las respuestas de solo lectura.

Antes de mostrar una experiencia a dirección:

• Valida con las credenciales del usuario final, no solo con las del autor.
• Prueba RLS y OLS, la seguridad a nivel de fila y de objeto, con distintos perfiles.
• Confirma el consentimiento y las políticas de datos del tenant.

Hay una condición importante de cumplimiento: según el canal de consumo, algunas respuestas pueden procesarse fuera del límite de cumplimiento de Fabric. Eso se revisa antes de una demostración o una venta, junto con el estado de cada función, la capacidad requerida y las licencias, porque Data Agents, Copilot Studio y MCP evolucionan con rapidez.

Instrucciones y respuestas verificadas: el contrato de Prep data for AI

Simplificar el esquema significa definir una lista permitida de negocio: dimensiones, columnas y medidas que Copilot puede usar. Sobre esa lista se agregan dos piezas:

1. Instrucciones que explican el vocabulario, los períodos, la moneda, los filtros y el estilo de respuesta.
2. Respuestas verificadas que nacen de visuales revisados y sirven como ejemplos de referencia para preguntas críticas.

Esta preparación mejora la calidad de las respuestas, pero tiene un límite honesto: no garantiza una respuesta idéntica cada vez, porque el comportamiento de la IA no es determinista. La preparación reduce la variación y ancla los términos, no la elimina. Presentar Copilot como una respuesta siempre exacta es prometer algo que la tecnología no ofrece.

Una suite de pruebas antes de publicar

El criterio de publicación convierte las preguntas en una prueba, no en una sorpresa. Para cada pregunta crítica se define un período explícito, un valor esperado y un usuario final que la ejecuta.

El conjunto de verificaciones incluye:

• DAX mediante Execute Queries para confirmar los valores esperados.
• Continuidad del calendario, sin huecos que rompan comparaciones de período.
• Auditoría del TMDL exportado, para que la configuración quede persistida y no solo visible en la interfaz.
• Q&A activo, esquema simplificado, instrucciones y respuestas verificadas cargadas.
• Estado Approved for Copilot cuando corresponde.

Si una configuración solo se ve en la interfaz y no queda persistida en TMDL o LSDL, se documenta como una verificación manual de la publicación. Ese registro evita que un cambio silencioso deje al agente respondiendo distinto sin que nadie lo note. La lógica es la misma que se aplica al construir un agente de datos sobre el modelo semántico: fuentes gobernadas, límites definidos y validación antes de compartir.

Qué hacer con este checklist

Toma tu modelo semántico actual y recórrelo con esta lista antes de habilitar Copilot para cualquier área: revisa nombres y descripciones, oculta lo técnico, valida relaciones y medidas con Execute Queries, prueba RLS con un usuario real, define la lista permitida con instrucciones y respuestas verificadas, y arma tu suite de diez a quince preguntas con período y valor esperado. Recién cuando esa suite pasa se evalúan las respuestas generativas con dirección presente.

Si tu empresa aún no tiene claro en qué estado están su modelo, sus fuentes y sus permisos, conviene verlo aplicado sobre un caso concreto antes de invertir en la capa generativa. Puedes empezar por la demo gratuita, donde mostramos cómo preparar un modelo semántico para que Copilot responda con criterio de negocio.