De los datos financieros a decisiones listas para la IA: Power BI, Microsoft Fabric, modelos semánticos y agentes de IA con Rishi Sapra [MVP]

¿Qué ocurre cuando los agentes de IA empiezan a dar sentido a los datos financieros y de negocio, en lugar de limitarse a mostrarlos?En este episodio de M365.FM, Mirko Peters conversa con Rishi Sapra, Microsoft MVP, sobre la arquitectura necesaria para ir más allá de los paneles tradicionales y avanzar hacia una analítica con IA y consciente del contexto, con Microsoft Fabric, Power BI, Copilot Studio, modelos semánticos, ontologías y agentes de datos.Las organizaciones ya disponen de enormes cantidades de información repartidas entre sistemas ERP, libros de Excel, informes de Power BI, Microsoft Fabric, SharePoint, sistemas financieros, presupuestos, previsiones y aplicaciones operativas.Añadir IA sobre esos datos no significa automáticamente que la IA comprenda el negocio.¿Qué significa realmente "ingresos"? ¿Qué definición de margen debe usar un agente de IA? ¿Qué KPI representan la versión oficial de la verdad? ¿Y cómo entiende un agente las relaciones entre clientes, productos, regiones, centros de coste, contratos y procesos de negocio?La respuesta reside cada vez más en la capa de contexto que existe entre los datos brutos y la IA.

DEL BI DE AUTOSERVICIO A LA IA DE AUTOSERVICIO
Rishi explica su trayectoria desde el modelado financiero y Excel, pasando por Power Query y los primeros días de Power BI, hasta el ecosistema actual de Microsoft Fabric y la IA.Power BI ayudó a sacar la inteligencia de negocio de los departamentos de TI centralizados y a ponerla en manos de los usuarios de negocio.Pero la plataforma también se ha vuelto significativamente más sofisticada.Modelos semánticos, DAX, lakehouses, OneLake, Direct Lake, Copilot Studio, agentes de datos, ontologías, herramientas basadas en MCP, gobierno y IA configuran hoy una arquitectura que puede volverse rápidamente difícil de entender para los usuarios de negocio individuales.Los agentes de IA podrían cambiar esa relación.En lugar de exigir que cada usuario de negocio se convierta en ingeniero de datos, desarrollador de BI e ingeniero de IA, los agentes podrían construir y operar cada vez más partes de la arquitectura técnica mientras las personas aportan el contexto de negocio.

POR QUÉ EL CONTEXTO DE NEGOCIO IMPORTA PARA LA IA
Una de las preguntas centrales del episodio es sorprendentemente sencilla:¿Qué tan bien documentados están tus procesos y decisiones de negocio?Gran parte del conocimiento real de una organización no vive en una base de datos. Existe en fórmulas de Excel, medidas de Power BI, archivos de SharePoint, procesos de negocio, documentación y en la cabeza de las personas.Para que los agentes de IA produzcan información de negocio significativa, las organizaciones necesitan capturar algo más que datos.Necesitan capturar contexto.¿Quién hace la pregunta?¿Qué decisiones necesita tomar esa persona?¿Qué KPI importan?¿Qué reglas de negocio se aplican?¿Qué significa una métrica específica en ese contexto concreto?Esto lleva al concepto de información guiada por persona: diseñar la analítica en torno a las decisiones y preguntas de usuarios de negocio concretos, en lugar de limitarse a exponer más datos.

MODELOS DE DATOS, MODELOS SEMÁNTICOS Y ONTOLOGÍAS
La conversación explora tres conceptos cada vez más importantes en la arquitectura analítica moderna de Microsoft.Un modelo de datos estructura los datos subyacentes y sus relaciones.Un modelo semántico de Power BI añade lógica de negocio, medidas, cálculos, relaciones y seguridad, creando una capa analítica gobernada y una fuente fiable para los KPI.Pero la IA suele necesitar más.Una ontología puede describir entidades y relaciones de negocio de forma que permita a la IA razonar sobre conceptos como clientes, productos, tiendas, empleados, regiones, contratos, ingresos y procesos de negocio.Los modelos semánticos ayudan a responder:"¿Cuál es el número?"Las ontologías y el contexto adicional pueden ayudar a la IA a investigar:"¿Por qué cambió el número?"Juntas, estas capas proporcionan una base mucho más sólida para los agentes de IA.

MICROSOFT FABRIC COMO BASE DE DATOS PARA LA IA
Microsoft Fabric desempeña un papel central en esta arquitectura.OneLake, los Lakehouses, las tablas Delta, los modelos semánticos, Direct Lake, los agentes de datos de Fabric y la integración con Copilot Studio pueden crear una base unificada para los datos organizativos estructurados y no estructurados.El episodio también explica por qué importa Direct Lake.En lugar de importar y actualizar repetidamente los datos en modelos semánticos tradicionales de Power BI, Direct Lake permite a Power BI trabajar directamente con datos almacenados en formato Delta manteniendo el rendimiento analítico.Esto puede simplificar significativamente el camino desde los datos empresariales hasta la analítica y la IA.

LAS CINCO CAPAS DE UN "CEREBRO ORGANIZACIONAL"
Rishi describe un "cerebro organizacional" construido en torno a cinco capas interconectadas:Datos: información empresarial fiable y sistemas de origen.Lógica: DAX, SQL, Python, cálculos, KPI y reglas de negocio.Herramientas: modelos semánticos, APIs, servidores MCP, aplicaciones y otras capacidades que los agentes pueden utilizar.Habilidades: instrucciones y procesos de negocio que describen cómo los agentes deben usar esas herramientas e interpretar la información.Gobierno: permisos, políticas, seguridad, controles y reglas que definen qué puede hacer un agente.El objetivo no es simplemente dar a un LLM acceso a más datos.El objetivo es ofrecer a la IA un entorno gobernado en el que comprenda qué datos, lógica, herramientas y procesos deben usarse para una determinada pregunta de negocio.

LOS AGENTES DE IA NECESITAN DATOS DETERMINISTAS
La IA generativa es potente porque puede razonar de forma flexible.La información financiera no puede depender por completo de la flexibilidad.Los ingresos, márgenes, previsiones, costes y otras métricas de negocio suelen requerir cálculos deterministas y una fuente de verdad gobernada.El episodio explora por qué el futuro de la IA empresarial podría depender, por tanto, de combinar dos mundos:La computación determinista para cálculos y lógica de negocio fiables.La IA generativa para el razonamiento, la interpretación, la exploración y la interacción en lenguaje natural.Los modelos semánticos y Microsoft Fabric pueden proporcionar la base determinista, mientras que los agentes de IA aportan la capa de razonamiento flexible.

DEL PANEL A LA INTELIGENCIA PERSONALIZADA
Los paneles tradicionales indican a los usuarios qué ocurrió.Un panel puede mostrar que los ingresos han bajado un siete por ciento. El usuario debe entonces profundizar por dimensiones, filtros, informes y conjuntos de datos para entender por qué.Los agentes de IA pueden realizar gran parte de esta exploración de forma automática.Pero una buena narrativa sigue requiriendo contexto.El número más importante no siempre es el más grande. Una métrica de negocio puede necesitar interpretarse en relación con los ingresos, el presupuesto, los periodos anteriores, la estructura organizativa u otros factores.Aquí es donde la analítica guiada por persona cobra especial importancia.El CFO, el responsable de ventas y el gestor operativo pueden preguntar por el mismo KPI, pero necesitar explicaciones y acciones muy distintas.

COPILOT STUDIO Y LA SIGUIENTE GENERACIÓN DE AGENTES
La conversación también explora la evolución de Microsoft Copilot Studio desde las experiencias tradicionales de chatbot basadas en temas y conocimiento hacia sistemas agénticos más capaces.Los agentes modernos pueden combinar herramientas, habilidades, datos empresariales, flujos de trabajo y razonamiento.Esa capacidad adicional también introduce riesgos adicionales.Cuanta más autonomía recibe un agente, más importantes se vuelven la fundamentación, los permisos, el gobierno, la evaluación y las instrucciones claramente definidas.Los agentes de IA no deben inventar cifras financieras ni elegir arbitrariamente las fuentes de datos.Necesitan modelos semánticos fiables, datos gobernados, habilidades explícitas y barreras de protección claras.

HACER QUE EL GOBIERNO VUELVA A FUNCIONAR
El gobierno cobra aún más importancia en una organización agéntica.En lugar de tratar el gobierno como un documento que los empleados deben leer, las organizaciones pueden incorporar cada vez más el gobierno directamente en los entornos, políticas, habilidades e instrucciones que usan los agentes de IA.La discusión explora la idea de tratar a los agentes más como empleados digitales.Necesitan responsabilidades definidas, herramientas aprobadas, permisos de acceso, reglas de negocio, expectativas de rendimiento y límites.El gobierno pasa así de ser sobre todo documentación a ser, cada vez más, una aplicación automatizada.

EL MODELO OPERATIVO PARA FABRIC Y LA IA
Finalmente, el episodio examina cómo pueden las organizaciones gestionar esta