Data Agents a MS Fabric
Descobreix com funcionen els Data Agents de Microsoft Fabric i com tradueixen les teves preguntes en llenguatge natural a consultes SQL, DAX i KQL
Quan sentim parlar d’eines d’«IA conversacional» per a dades, la nostra ment sol imaginar una simple caixa de xat on fem preguntes i obtenim respostes. És una idea potent, sens dubte. Fa anys que diem allò de «volem que el negoci pugui fer preguntes directament a les dades sense passar pels analistes». I durant anys, la resposta real ha estat una cosa així com:
«Perfecte, però passa’m un tiquet de Jira i en dos sprints veiem com muntem l’informe».
Amb els Data Agents de Microsoft Fabric (COMPTE! que són en preview fins al Q1 del 2026), per fi tenim una cosa que comença a donar resposta a aquesta necessitat.
Què són els Data Agents de Microsoft Fabric i com funcionen
Els Fabric Data Agents són molt més que una interfície de preguntes i respostes. Són una nova classe d’artefacte de dades que, en essència, es comporta com un traductor entre persones i dades:
D’una banda, entén preguntes en llenguatge natural. De l’altra, genera i executa consultes estructurades contra les teves fonts de dades:
- SQL per a Lakehouse i Warehouse (NL2SQL).
- DAX per a models semàntics de Power BI (NL2DAX).
- KQL per a bases de dades Kusto (NL2KQL).
Però amb una diferència important: no s’inventa res (o no ho hauria de fer) a la babalà. Perquè està molt condicionat per:
- L’esquema real de les teves dades a OneLake.
- Les instruccions de negoci que tu li dones.
- Les consultes d’exemple que fas servir per entrenar com vols que raoni.
I tot això empaquetat en un artefacte independent dins de Fabric. Un Data Agent es crea, es versiona, es publica, es desplega i es comparteix com qualsevol altre element de Fabric.
Data Agent vs Copilot: no són el mateix?
Spoiler: no.
La primera diferència, i la més important, és que un Data Agent no és una experiència preconfigurada com els copilots integrats a Fabric. És un artefacte independent, reutilitzable i portàtil que controles tu. Mentre que els copilots de Fabric són assistents integrats i dissenyats per a tasques específiques dins d’una aplicació, un Data Agent és un actiu autònom que construeixes per a un propòsit de negoci definit.
Comparteixen tecnologia de fons (LLMs + Fabric), però estan pensats per a rols i escenaris diferents.
Com tradueix un Data Agent preguntes en llenguatge natural a consultes SQL/DAX/KQL
Quan algú llança una pregunta, el flux que segueix (simplificat) és més o menys aquest:
💬 Interpreta la pregunta. El model d’IA intenta entendre quina mètrica es demana, quins filtres temporals o de segment hi ha, i a quines entitats i taules fa referència.
🎯 Selecciona la font adequada. Basant-se en:
- Les instruccions de l’agent que li haguem indicat.
- Les instruccions dels orígens que has configurat (Lakehouse, Warehouse, KQL).
🧠 Genera la consulta estructurada
- SQL si va contra Lakehouse/Warehouse.
- DAX si va contra un model semàntic.
- KQL si va contra una base Kusto.
⚙️ Executa la consulta i construeix la resposta. Retornant:
- El resultat numèric o tabular.
- Un resum en llenguatge natural.
- I, molt important, la consulta generada i els passos intermedis que ha seguit mentre l’estàs provant.
Aquesta transparència no és un detall menor: és el que et permetrà depurar l’agent, refiar-te del que fa i convertir-lo en una eina de treball real i no en una caixa negra.
Com aconseguir que el teu Data Agent funcioni de debò
Desenvolupar un agent de dades és com formar un nou analista júnior. No n’hi ha prou de donar-li accés a les carpetes de fitxers. Li has de donar un manual d’empleat que expliqui les regles del negoci i el vocabulari de l’empresa. A més, aprendrà molt més de pressa si li ensenyes exemples concrets d’informes anteriors («quan et demanin X, calcula Y d’aquesta manera»). Finalment, no el deixes sol treballant amb el client fins que has supervisat les seves primeres tasques i n’has corregit els errors.
💻 Assegurar-nos que tenim tot el que necessitem
Necessites una capacitat de Fabric de pagament (F2 o superior), i que un admin del tenant hagi activat al portal d’administració les opcions de Data Agents, Copilot i Azure OpenAI. També cal permetre el processament multiregió per a la part d’IA. Sense això, l’agent ni arrenca.
🤖✨ Crear l’agent
Des del teu workspace: Nou → Agent de dades de Fabric. Li poses un nom decent i comences a connectar-li dades.
📚🔍 Triar bé les fonts i les taules
Pots afegir fins a cinc orígens (Lakehouse, Warehouse, KQL, models semàntics). El truc és no ficar-ho tot «per si de cas». Connecta només les taules rellevants i assegura’t que tinguin noms que un humà raonable pugui entendre (p. ex. CustomerEmail en lloc de col1), ja que això ajuda la IA a entendre-ho millor.
🎛️ Configuració del comportament
Aquí és on realment «formes el júnior».
Li dius quin és el seu objectiu, quin to ha de fer servir i quines regles de negoci ha de seguir.
I, per a cada origen de dades, pots explicar com es relacionen les taules, quines columnes fer servir per a certs filtres o com interpretar acrònims interns. Tot el que no hi sigui… s’ho pot inventar.
🧪📘 Ensenyar-li amb exemples (Few-Shot Learning)
Amb el Few-Shot Learning pots afegir parells de pregunta → consulta esperada. És la manera més ràpida que aprengui lògica complexa o casos estranys. (En models semàntics, de moment, sense exemples. Coses de la preview.)
🔁🧷 Provar, corregir, repetir
Li fas preguntes, revises la sentència SQL/DAX/KQL que genera i ajustes on falli: instruccions poc clares, esquema estrany, exemples insuficients… És un cicle de millora contínua, com qualsevol artefacte seriós de Fabric.
🚀📢 Publicar i compartir
Quan ja respon bé, el publiques. Això crea una versió estable per als usuaris mentre tu continues iterant en esborrany. Afegeix-hi una descripció clara i revisa els permisos.
🔌🛠️ Integració i manteniment
Un cop publicat, el pots fer servir a Copilot per a Power BI, a Copilot Studio o via API/SDK. Si vols treballar seriosament, vincula el workspace a Git per tenir control de versions, pipelines de desplegament i proves automatitzades amb un conjunt de preguntes/respostes.
I de seguretat, què tal?
Una preocupació habitual amb aquestes eines és la seguretat. La bona notícia és que els Data Agents no creen un nou vector d’accés; al contrari, respecten rigorosament tots els permisos de dades de l’usuari que fa la consulta.
- L’agent de dades de Fabric respecta la seguretat a nivell de fila (RLS) i la seguretat a nivell de columna (CLS).
- L’accés a les dades s’executa sota la identitat d’usuari de Microsoft Entra ID i els permisos d’àrea de treball o de dades de l’usuari.
- L’agent només llegeix esquemes i executa consultes (SQL/DAX/KQL) si l’usuari té permís d’accés a aquelles dades.
- Les consultes generades per l’agent de dades són exclusivament de lectura. Les operacions que impliquen la creació, actualització o eliminació de dades, o qualsevol tipus de canvi de dades, no estan permeses per protegir la integritat de les dades.
Permisos mínims requerits a les fonts de dades
Perquè un usuari pugui consultar amb èxit a través d’un agent de dades de Fabric, ha de tenir els permisos mínims necessaris a la font de dades subjacent. Si l’usuari no té prou permisos, les consultes produiran un error d’autorització o retornaran resultats buits.
Tanmateix, hi ha un detall que molta gent passa per alt: perquè un usuari pugui consultar un model semàntic de Power BI a través d’un Data Agent, no n’hi ha prou amb el permís de Lectura (Read). Necessita el permís de Compilació (Build). Per què? Perquè l’agent no es limita a llegir dades precalculades. Genera i executa noves consultes DAX sobre el model semàntic en temps real, una acció que requereix el permís de Compilació. És un detall tècnic important perquè els teus usuaris puguin interactuar amb els models de Power BI sense problemes.
Els Fabric Data Agents representen un canvi de paradigma. No són només una manera més amigable de preguntar per dades; són blocs de construcció personalitzables, versionables i programables per crear solucions d’IA centrades en les dades. El seu veritable valor no és en la conversa, sinó en la configuració, l’entrenament i la integració.
I ara sí, aquí us deixo l’enllaç a la sessió on la Mónica Mesa i jo expliquem tot aquest rotllo d’una manera una mica més dinàmica. I l’enllaç a les slides.
I si has enxampat la referència amagada entre les dades… no et tallis, deixa un comentari i presumim una mica del nostre friki intern. 😉
Espero que us agradi :)
I recordeu: els Data Agents també consumeixen CUs, així que toca monitorar-los si no vols tenir problemes amb la teva capacitat.
Referències
T’ha servit? Aplaudeix, sense compte. Pots fer-ho diverses vegades.
Comentaris