Un sistema de datos e IA en Microsoft no es un inventario de conectores. Es una cadena de decisiones que empieza en la pregunta de negocio, pasa por un lugar comun donde viven los datos, se ordena en un modelo semantico que habla el idioma de la empresa y termina en las superficies donde cada rol decide. La IA se agrega al final, sobre ese contrato, no como reemplazo de el.
El sistema empieza en la pregunta, no en la herramienta
Antes de elegir un conector o un almacen, conviene definir que se quiere decidir y que indicadores gobiernan esa decision. Cuando ese orden se invierte, el resultado es un tablero moderno que no cambia la gestion.
Microsoft Fabric ofrece una plataforma unica que cubre movimiento de datos, ingenieria, almacenamiento, ciencia de datos, tiempo real y analitica sobre una base comun (Microsoft Fabric overview). Esa amplitud es util solo si cada pieza responde a una decision concreta.
Por eso el diseno separa capas con roles distintos:
- Decision: preguntas de negocio, cadencia de gestion, responsables y acciones esperadas.
- Datos: fuentes, ingesta, historico, calidad, versionado y trazabilidad.
- Semantica: hechos, dimensiones, calculos, jerarquias y seguridad.
- Experiencia: Power BI, Excel, Copilot, Teams y aplicaciones.
- Accion: escritura operativa, objetivos, aprobaciones y APIs que devuelven la accion al sistema.
- Operacion: monitoreo, calidad, capacidad, linaje y reglas para responder cuando algo falla.
Si quieres ubicar donde esta tu organizacion antes de disenar el sistema, revisa las seis areas de una empresa lista para IA.
OneLake convierte fuentes dispersas en un flujo auditable
Las fuentes tipicas son ERP, CRM, hojas de Excel, APIs, bases y archivos. El primer trabajo del sistema es moverlas a un lugar comun sin multiplicar copias. En Fabric ese lugar es OneLake, con rutas como Shortcuts, Mirroring, Copy Job y Pipelines segun la latencia y el patron operativo.
La decision importante no es cual conector usar, sino que ruta de ingesta conviene a cada fuente. Un dato transaccional que se consulta cada hora no se trata igual que un maestro que cambia una vez por semana. Documentar ese criterio evita que cada nueva fuente entre por el camino de menor esfuerzo y termine sin trazabilidad.
Sobre OneLake se ordena la arquitectura medallion, que separa el dato en capas segun su madurez:
- Bronze: el dato como llega, con trazabilidad de origen.
- Silver: dato limpio, unido y normalizado.
- Gold: dato listo para decisiones.
Cada salto entre capas es una decision de transformacion registrable, no un paso automatico. Si quieres el detalle de esa organizacion, revisa la arquitectura medallion en Fabric.
El modelo semantico es el contrato del sistema
Una vez que el dato esta en Gold, falta lo que convierte datos en decisiones: el modelo semantico. Microsoft lo describe como una descripcion logica del dominio analitico, con metricas, terminologia de negocio y una representacion amigable (Semantic models en Fabric).
Un modelo bien hecho permite que la direccion pregunte, que finanzas analice en Excel, que ventas vea su pipeline y que un agente responda con contexto. Un modelo pobre solo traslada el desorden a una interfaz mas nueva.
Hay decisiones de arquitectura que conviene fijar aqui:
- Cuando el modelo ya esta publicado en Fabric y es la referencia del repositorio, la logica de negocio se trabaja sobre ese modelo en la nube. El diseno en Desktop queda para el trabajo visual o correcciones puntuales, no como una fuente paralela de logica.
- Microsoft dejo de crear automaticamente modelos semanticos predeterminados para nuevos lakehouses, warehouses y elementos reflejados. Conviene trabajar con modelos explicitos, nombrados y gobernados, no con modelos implicitos que despues nadie sabe mantener.
La preparacion para IA tambien vive en esta capa. El esquema permitido, las instrucciones de IA y las respuestas verificadas forman parte del contrato del modelo, no del informe. Si algo se configura solo por interfaz y no queda reflejado en la definicion del modelo, se documenta como una verificacion manual de la publicacion. El modelo semantico en Power BI desarrolla esa idea de contrato comun.
El mismo modelo responde distinto segun el rol
El sistema no termina en un informe. Termina cuando cada area consulta la misma verdad desde la herramienta con la que decide. El modelo semantico es unico, la superficie de consumo cambia:
| Canal | Uso natural | Criterio |
|---|---|---|
| Power BI | Seguimiento visual, analisis ejecutivo y exploracion del detalle | Informes ligeros sobre un modelo comun, sin duplicar logica en cada pagina |
| Excel | Escenarios, tablas dinamicas y conciliaciones | Excel conectado al modelo, para evitar archivos convertidos en fuente paralela |
| Copilot y Teams | Preguntas, resumen y colaboracion | Agentes con instrucciones, permisos y preguntas de validacion antes de publicar |
| Fabric App | Objetivos, clasificaciones y flujos operativos | Lectura desde el modelo y escritura en una capa operativa preparada |
| API o MCP | Consumo por agentes externos o automatizaciones | Contrato gobernado, con listas permitidas, autenticacion y registros |
La regla de arquitectura es simple: la capa de consumo no debe saltarse el gobierno. Debe traducir el modelo a experiencias utiles para cada rol.
Un detalle facil de olvidar es el inventario de activos de consumo. No solo importan los elementos de Fabric, tambien los libros de OneDrive, las URL de Excel Online, las aplicaciones publicadas, los agentes y los informes reconectados. Si un activo muestra el modelo al usuario, forma parte del sistema aunque no aparezca en el workspace.
Los agentes consultan el contrato, no lo reemplazan
Un agente de datos no inventa metricas. Hace consultable en lenguaje natural el contrato que ya existe. El patron reutilizable es publicar un Fabric Data Agent sobre fuentes gobernadas y conectarlo a Copilot, Teams o clientes MCP.
Fabric Data Agent esta en disponibilidad general, opera en solo lectura y respeta los permisos del usuario y las politicas de Purview (Fabric Data Agent). Eso fija un limite claro: el agente responde dentro de lo que el modelo y los permisos ya autorizan.
Para que funcione, el trabajo se hace antes de abrirlo:
- Preparar el modelo con nombres de negocio, descripciones, medidas certificadas, sinonimos y columnas tecnicas ocultas.
- Instruir al agente para usar solo fuentes gobernadas, declarar periodo y filtros, no inventar KPIs y pedir aclaracion cuando falte contexto.
- Validar antes de abrir, con un conjunto de preguntas de valores esperados, permisos por usuario y una prueba desde el canal final.
Una condicion que conviene respetar: publicar un agente en Microsoft 365 Copilot, conectarlo a Copilot Studio para Teams o exponerlo por MCP son rutas distintas. Cada una necesita su propia guia operativa, permisos y pruebas. No se mezclan.
Que sostiene la inversion en el tiempo
Un sistema de datos e IA vale por lo invisible: las decisiones de entrada, el linaje, las capas medallion, el modelo de metricas, los permisos y la observabilidad. Eso es lo que permite hacerlo evolucionar sin volver al caos de archivos de Excel aislados.
Cada una de estas capas es una decision documentable, con responsables y reglas de operacion. Si una queda floja, el proyecto parece terminado pero no cambia la gestion.
Para una empresa, la forma ordenada de empezar no es elegir herramientas, sino levantar el mapa real de sus fuentes, procesos, calidad, accesos y responsables. Con ese mapa en la mano, cada capa del sistema se disena con criterio y no por inercia de la herramienta. Si quieres ver como se aterriza este enfoque en un caso concreto, mira la demo gratuita y evalua con tu equipo el punto de partida.
Preguntas relacionadas
¿Que diferencia hay entre OneLake y el modelo semantico en un sistema Microsoft?
OneLake es el lugar comun donde viven los datos de todas las fuentes con su trazabilidad y sus capas Bronze, Silver y Gold. El modelo semantico es la capa logica que traduce esos datos a metricas, relaciones y vocabulario de negocio. Uno guarda el dato, el otro define que significa.
¿Necesito Fabric o me basta con Power BI para empezar?
Depende del alcance. Power BI cubre el consumo sobre un modelo semantico, pero si las fuentes son varias y requieren ingesta, historico y transformacion gobernada, Fabric aporta OneLake y el resto del ciclo de vida sobre una base comun. La decision se toma segun las fuentes y la operacion, no por defecto.
¿Un Fabric Data Agent puede modificar datos o solo consultarlos?
Segun la documentacion de Microsoft, Fabric Data Agent opera en solo lectura y respeta los permisos del usuario y las politicas de Purview. Consulta el contrato semantico en lenguaje natural, pero no escribe ni inventa metricas fuera de las fuentes aprobadas.
¿Por que Microsoft recomienda modelos semanticos explicitos y no los predeterminados?
Microsoft dejo de crear automaticamente modelos predeterminados para nuevos lakehouses, warehouses y elementos reflejados. Un modelo explicito, nombrado y gobernado tiene un responsable y una definicion clara, mientras que un modelo implicito termina sin dueno y es dificil de mantener.
¿Cuando conviene trabajar el modelo en la nube y no en Power BI Desktop?
Cuando el modelo ya esta publicado en Fabric y es la referencia del repositorio, la logica de negocio se trabaja sobre ese modelo en la nube. Desktop queda para el diseno visual o correcciones puntuales, para evitar una fuente paralela de logica que despues no coincide con la publicada.