En este artículo
El director comercial quiere saber qué diez clientes han caído más en ventas este trimestre frente al año pasado. La respuesta está en los datos, exacta y disponible. Pero para sacarla hay que abrir Power BI, encontrar el informe, aplicar los filtros correctos o —si no existe ese informe— escribir una medida DAX. Así que hace lo que hace siempre: se lo pide por mensaje al controller, que lo tendrá "cuando pueda".
La promesa de la IA sobre datos es eliminar ese intermediario: que el director escriba la pregunta en español y obtenga la tabla en segundos. Y hoy es real — con una condición que casi nadie cuenta: solo funciona si debajo hay un buen modelo semántico. Si todavía no tienes claro qué es eso, empieza por el artículo anterior de esta serie, qué es un modelo semántico y por qué es la base de la IA de datos. Aquí damos por hecho que ya lo tienes y vamos al cómo: cómo se consume ese modelo con IA, qué opciones hay y cuál encaja en cada caso.
Cuando preguntas a tus datos en lenguaje natural, ocurre esto:
La IA no "mira los datos" directamente. Traduce tu pregunta a una consulta (en el mundo Power BI, una consulta DAX) y la ejecuta contra el modelo semántico, que es quien sabe qué es "cliente", qué es "caída" y cómo se relacionan las tablas. La IA pone el lenguaje; el modelo pone el significado. Por eso el artículo anterior insistía tanto: la calidad de la respuesta la marca el modelo, no el chatbot.
Con esa idea clara, hay dos grandes caminos para poner IA encima de tu modelo: el de Microsoft (Copilot y el agente de datos de Fabric) y el de "trae tu propia IA" (por ejemplo, Claude vía MCP). No son excluyentes.
Copilot es la IA generativa integrada en Power BI. En palabras de Microsoft, "ayuda a usar el poder transformador de la IA generativa para sacar el máximo de tus datos" mediante experiencias de chat: desde análisis sobre la marcha para usuarios de negocio hasta generación de DAX para creadores (Microsoft Learn — Copilot for Power BI overview). En la práctica: preguntas en lenguaje natural, resúmenes de informes, generación automática de visualizaciones y escritura de medidas DAX desde una descripción.
Dos cosas que conviene saber antes de ilusionarse:
Para una PYME que ya está en Fabric, Copilot es la vía más directa: cero integración, dentro de la herramienta que ya usas. El detalle fino: hoy Copilot no está soportado en nubes soberanas, por la disponibilidad de GPU.
Un paso más allá del chat dentro de un informe está el Fabric data agent, que Microsoft describe como "una función de disponibilidad general que permite construir tus propios sistemas conversacionales de preguntas y respuestas usando IA generativa" sobre los datos que tu organización guarda en OneLake (Microsoft Learn — Fabric data agent).
Lo interesante para esta serie:
Y un detalle que abre la puerta al segundo camino: el agente de Fabric "puede integrarse con sistemas externos como Copilot Studio, Azure AI Foundry o Teams", y "orquestadores externos y entornos multi-agente pueden invocarlo". Es decir, Microsoft mismo contempla que pongas tu propia IA por delante de su agente de datos.
Aquí es donde entra el escenario que más nos preguntan las empresas que ya trabajan con un asistente concreto: "¿puedo usar mi propia IA —por ejemplo, Claude de Anthropic— para preguntar a mis datos, en vez de la IA que trae Microsoft?". La respuesta es sí, y la pieza que lo hace posible se llama MCP.
El Model Context Protocol (MCP) es, en la definición de sus creadores, "un estándar abierto para conectar aplicaciones de IA con sistemas externos" (modelcontextprotocol.io). La analogía oficial es buena: MCP es "como un puerto USB-C para aplicaciones de IA" — una forma estándar de enchufar una IA a tus fuentes de datos, herramientas y flujos de trabajo. Asistentes como Claude o ChatGPT y herramientas de desarrollo como VS Code o Cursor ya lo soportan.
¿Cómo encaja con tu modelo semántico? Por dos sitios:
El patrón, en una frase: tu IA habla MCP; un servidor MCP traduce a una consulta contra el modelo (vía el agente de Fabric o el endpoint XMLA); el modelo responde con tus números reales. Tú eliges la IA; el modelo semántico sigue siendo la única fuente de verdad.
Cuando una empresa nos pregunta "¿qué IA usamos?", casi siempre la pregunta de fondo es otra: "¿a dónde van mis datos?". Y es la pregunta correcta.
El valor del enfoque que defendemos en 480 Analytics —y que ya adelantábamos en IA para PYMEs— es que tus datos se quedan en tu propio tenant de Microsoft —su cloud, no uno gestionado por nosotros—. El modelo semántico vive ahí; el agente de Fabric trabaja en solo lectura y bajo las políticas de Purview. Y cuando traes tu propia IA, lo que viaja es la pregunta y la consulta, no un volcado de tu base de datos. Tú decides qué expones, a quién y con qué permisos, y queda auditado.
Esto no es un detalle técnico: es lo que diferencia "subir un Excel a un chatbot público" de "explotar tus datos con IA de forma gobernada". El primero es un problema de seguridad esperando a ocurrir. El segundo es una capacidad de empresa.
| | Copilot / agente de Fabric | Tu propia IA (Claude vía MCP) | |---|---|---| | Integración | Nativa, cero montaje | Requiere conectar MCP / XMLA | | Encaja si... | Ya estás en Fabric y quieres lo estándar | Ya trabajas con un asistente concreto y quieres unificarlo | | Dónde corre la IA | Servicio de Microsoft (Azure OpenAI) | El proveedor de IA que tú elijas | | Gobernanza | Purview, RLS, permisos de usuario | La defines tú en la capa de conexión | | Modelo semántico | Imprescindible | Imprescindible |
La fila importante es la última: cambies de IA o no, el modelo semántico es imprescindible en los dos casos. La IA es intercambiable; el modelo, no.
El orden sensato es siempre el mismo:
Lo que viene después —convertir estas conversaciones en patrones operativos: forecasting, alertas, extracción de documentos— es el tema del tercer artículo de la serie: explotación de datos con IA: 4 patrones que funcionan en una PYME.
¿Quieres preguntar a tus datos en lenguaje natural —con Copilot o con tu propia IA— sin que salgan de tu organización? En 480 Analytics montamos el modelo semántico y la capa de IA dentro de tu tenant, gobernada y en solo lectura. Cuéntanos tu caso y te decimos qué camino encaja contigo en 30 minutos.
// escrito por
Director de 480 Analytics
En 480 Analytics, la unidad de datos de Cuatroochenta, ayuda a empresas a ordenar y explotar sus datos con Power BI, Microsoft Fabric e IA. Escribe sobre lo que aprende por el camino.
La capa semántica define qué significan tus datos; MCP deja que tu propia IA los consulte. Explota tus datos con la IA que elijas, sin atarte a un fabricante.
Cuatro patrones de IA con retorno real en una PYME —preguntar en lenguaje natural, predecir, detectar anomalías y leer documentos— y cuándo usar cada uno.
Un modelo semántico no es un dashboard: es el diccionario común de tu empresa —qué es 'ventas', cómo se calcula el margen— y la base de la IA sobre tus datos.
Te lo cuantificamos. Empezamos por descubrir y ordenar tus datos, y los convertimos en decisiones — empezando por el reporting financiero (FP&A).