Data Agents en MS Fabric
Descubre cómo funcionan los Data Agents de Microsoft Fabric, cómo traducen tus preguntas en lenguaje natural a consultas SQL, DAX y KQL
Cuando escuchamos hablar de herramientas de “IA conversacional” para datos, nuestra mente suele imaginarse a una simple caja de chat donde hacemos preguntas y obtenemos respuestas. Es una idea potente, sin duda. Llevamos años diciendo aquello de “queremos que el negocio pueda hacer preguntas directamente a los datos sin pasar por los analistas”. Y durante años, la respuesta real ha sido algo así como:
“Perfecto, pero pásame un ticket de Jira y en dos sprints vemos cómo montamos el informe”.
Con los Data Agents de Microsoft Fabric (¡OJO! que están en preview hasta el Q1 del 2026), por fin tenemos algo que empieza a dar respuesta a esta necesidad.
Qué son los Data Agents de Microsoft Fabric y cómo funcionan
Los Fabric Data Agents son mucho más que una interfaz de preguntas y respuestas. Son una nueva clase de artefacto de datos que, en esencia, se comporta como un traductor entre personas y datos:
Por un lado, entiende preguntas en lenguaje natural. Por otro, genera y ejecuta consultas estructuradas contra tus fuentes de datos:
- SQL para Lakehouse y Warehouse (NL2SQL).
- DAX para modelos semánticos de Power BI (NL2DAX).
- KQL para bases de datos Kusto (NL2KQL).
Pero con una diferencia importante, no inventa (o no debería) a lo loco. Porque está muy condicionado por:
- El esquema real de tus datos en OneLake.
- Las instrucciones de negocio que tú le das.
- Las consultas de ejemplo que usas para entrenar cómo quieres que razone.
Y todo esto empaquetado en un artefacto independiente dentro de Fabric. Un Data Agent se crea, versiona, publica, despliega y comparte como cualquier otro elemento de Fabric.
Data Agent vs Copilot: ¿no son lo mismo?
Spoiler: no.
La primera y más importante es que un Data Agent no es una experiencia preconfigurada como los copilotos integrados en Fabric. Es un artefacto independiente, reutilizable y portátil que tú controlas. Mientras que los copilotos de Fabric son asistentes embebidos y diseñados para tareas específicas dentro de una aplicación, un Data Agent es un activo autónomo que construyes para un propósito de negocio definido.
Comparten tecnología de fondo (LLMs + Fabric), pero están pensados para roles y escenarios diferentes.
Cómo un Data Agent traduce preguntas en lenguaje natural a consultas SQL/DAX/KQL
Cuando alguien lanza una pregunta, el flujo que sigue (simplificado) es algo así:
💬 Interpreta la pregunta. El modelo de IA intenta entender qué métrica se pide, qué filtros temporales o de segmento hay, a qué entidades y tablas hace referencia.
🎯 Selecciona la fuente adecuada. Basándose en:
- Las instrucciones del agente que hayamos indicado.
- Las instrucciones de los orígenes que has configurado (Lakehouse, Warehouse, KQL).
🧠 Genera la consulta estructurada
- SQL si va contra Lakehouse/Warehouse.
- DAX si va contra un modelo semántico.
- KQL si va contra una base Kusto.
⚙️Ejecuta la consulta y construye la respuesta. Devolviendo:
- El resultado numérico o tabular.
- Un resumen en lenguaje natural.
- Y, muy importante, la consulta generada y los pasos intermedios que ha seguido cuando lo estás testeando.
Esa transparencia no es un detalle menor, es lo que te va a permitir debuggear el agente, fiarte de lo que hace, y convertirlo en una herramienta de trabajo real y no en una caja negra.
Cómo conseguir que tu Data Agent funcione de verdad
Desarrollar un agente de datos es como capacitar a un nuevo analista junior. No basta con darle acceso a las carpetas de archivos. Necesitas darle un manual de empleado que explique las reglas del negocio y el vocabulario de la empresa. Además, aprenderá mucho más rápido si le muestras ejemplos concretos de informes anteriores (“cuando te pidan X, calcula Y de esta manera”). Finalmente, no lo dejas solo trabajando con el cliente hasta que has supervisado sus primeras tareas y corregido sus posibles errores.
💻 Asegurarnos de que tenemos todo lo que necesitamos
Necesitas una capacidad de Fabric de pago (F2 o superior), y que un admin del tenant haya activado en el portal de administración las opciones de Data Agents, Copilot y Azure OpenAI. También hay que permitir el procesamiento multirregión para la parte de IA. Sin eso, el agente ni arranca.
🤖✨ Crear el agente
Desde tu workspace: Nuevo → Agente de datos de Fabric. Le das un nombre decente y empiezas a conectarle datos.
📚🔍 Elegir bien las fuentes y tablas
Puedes añadir hasta cinco orígenes (Lakehouse, Warehouse, KQL, modelos semánticos). El truco está en no meterlo todo “por si acaso”. Conecta solo las tablas relevantes y asegúrate de que tengan nombres que un humano razonable pueda entender (ej. CustomerEmail en lugar de col1), ya que esto ayuda a la IA a entender mejor.
🎛️ Configuración del comportamiento
Aquí es donde realmente “formas al junior”.
Le dices cuál es su objetivo, qué tono usar y qué reglas de negocio seguir.
Y, por cada origen de datos, puedes explicar cómo se relacionan las tablas, qué columnas usar para ciertos filtros o cómo interpretar acrónimos internos. Todo lo que no esté aquí…se lo puede inventar.
🧪📘 Enseñarle con ejemplos (Few-Shot Learning)
Con el Few-Shot Learning puedes añadir pares de pregunta → consulta esperada. Es la forma más rápida de que aprenda lógica compleja o casos raros. (En modelos semánticos, de momento, sin ejemplos. Cosas de la preview.)
🔁🧷 Probar, corregir, repetir
Le haces preguntas, revisas la sentencia SQL/DAX/KQL que genera y ajustas donde falle: instrucciones poco claras, esquema raro, ejemplos insuficientes… Es un ciclo de mejora continua, como cualquier artefacto serio de Fabric.
🚀📢 Publicar y compartir
Cuando ya responde bien, lo publicas. Eso crea una versión estable para usuarios mientras tú sigues iterando en borrador. Añade una descripción clara y revisa permisos.
🔌🛠️ Integración y mantenimiento
Ya publicado, puedes usarlo en Copilot para Power BI, Copilot Studio o vía API/SDK. Si quieres trabajar en serio, vincula la workspace a Git para tener control de versiones, pipelines de despliegue y pruebas automatizadas con un conjunto de preguntas/respuestas.
¿Y de seguridad qué tal?
Una preocupación común con estas herramientas es la seguridad. La buena noticia es que los Data Agents no crean un nuevo vector de acceso, al contrario, respetan rigurosamente todos los permisos de datos del usuario que realiza la consulta.
- El Agente de datos de Fabric respeta la seguridad a nivel de fila (RLS) y la seguridad de nivel de columna (CLS).
- El acceso a los datos se ejecuta bajo la identidad de usuario de Microsoft Entra ID y los permisos de área de trabajo o datos del usuario.
- El agente solo lee esquemas y ejecuta consultas (SQL/DAX/KQL) si el usuario tiene permiso de acceso a esos datos.
- Las consultas generadas por el agente de datos son exclusivamente de lectura. Las operaciones que implican la creación, actualización o eliminación de datos, o cualquier tipo de cambio de datos, no están permitidas para proteger la integridad de los datos.
Permisos mínimos requeridos en las fuentes de datos
Para que un usuario pueda consultar con éxito a través de un Agente de datos de Fabric, debe tener los permisos mínimos necesarios en la fuente de datos subyacente. Si el usuario tiene permisos insuficientes, las consultas producirán un error de autorización o devolverán resultados vacíos.
Sin embargo, hay un detalle que muchos pasan por alto: para que un usuario pueda consultar un modelo semántico de Power BI a través de un Data Agent, no basta con el permiso de Lectura (Read). Necesita el permiso de Compilación (Build). ¿Por qué? Porque el agente no se limita a leer datos precalculados. Genera y ejecuta nuevas consultas DAX sobre el modelo semántico en tiempo real, una acción que requiere el permiso de Compilación para poder realizarse. Este es un detalle técnico importante para asegurar que tus usuarios puedan interactuar con los modelos de Power BI sin problemas.
Los Fabric Data Agents representan un cambio de paradigma. No son solo una forma más amigable de preguntar por datos, son bloques de construcción personalizables, versionables y programables para crear soluciones de IA centradas en los datos. Su verdadero valor no está en la conversación, sino en la configuración, el entrenamiento y la integración.
Y ahora sí, aquí os dejo el enlace a la sesión donde Mónica Mesa y yo explicamos toda esta chapa de una forma algo más dinámica. Y el enlace a las slides.
Y si has pillado la referencia escondida entre los datos… no te cortes, deja un comentario y presumamos un poco de nuestro friki interno. 😉
Espero que os guste :)
Y recordad, los Data Agents también consumen CUs, así que toca monitorizarlos si no quieres tener problemas con tu capacidad.
Referencias
Creación de un agente de datos de Fabric (versión preliminar) - Microsoft Fabric
*Aprenda a crear un agente de datos de Fabric.*learn.microsoft.com
fabric-docs/docs/data-science/how-to-create-data-agent.md at main · MicrosoftDocs/fabric-docs
*Public repo for the fabric-docs-pr pair. Contribute to MicrosoftDocs/fabric-docs development by creating an account on…*github.co
¿Te ha servido? Aplaude, sin cuenta. Puedes hacerlo varias veces.
Comentarios