Cómo crear un Data Agent en Microsoft Fabric: paso a paso

Un Data Agent en Microsoft Fabric es un asistente de IA que responde preguntas sobre tus datos en lenguaje natural, sin obligar a nadie a escribir SQL. Es una de las capacidades de Copilot en Fabric: en lugar de abrir varios informes, alguien pregunta "¿Cuál fue la facturación por región el último trimestre?" y obtiene la respuesta al instante. Es una forma sencilla de dar autonomía a quienes trabajan con datos pero no escriben consultas.

Requisitos previos

• Un área de trabajo (workspace) de Fabric en una capacidad con Copilot activado — F2 o superior, o una versión de prueba de Fabric.
• Al menos una fuente de datos con tablas, por ejemplo un Lakehouse o un Warehouse que ya tenga datos cargados.
• Permisos para crear elementos en el área de trabajo y para leer las tablas que vas a usar.

Paso 1: Crear el Data Agent

Abre tu área de trabajo en Fabric y elige + Nuevo elemento. En la lista de elementos, busca Data agent y selecciónalo. Dale un nombre claro — por ejemplo Agente-Vendas — porque ese nombre identificará quién responde las preguntas. Al confirmar, Fabric abre la página del agente y muestra automáticamente el catálogo de OneLake, listo para conectar datos.

Paso 2: Conectar las fuentes de datos

En el catálogo de OneLake, selecciona la fuente que quieres usar — un Lakehouse, un Warehouse, un modelo semántico de Power BI o una base de datos KQL — y haz clic en Agregar. Cada fuente se agrega individualmente y puedes conectar hasta cinco fuentes en total, en cualquier combinación. Si más adelante necesitas añadir otra, usa el panel Explorer, a la izquierda, y el botón + Fuente de datos.

Paso 3: Elegir las tablas visibles

Una vez conectada la fuente, el Explorer muestra las tablas disponibles. Usa las casillas de verificación para dejar visibles solo las tablas relevantes para las preguntas que esperas recibir. Menos tablas, pero las correctas, ayudan al agente a elegir los datos adecuados y a responder con más precisión. Deja fuera las tablas técnicas o auxiliares que no interesan al negocio — reduces el ruido y evitas respuestas confusas.

Paso 4: Dar instrucciones y ejemplos al agente

Esta es la parte que marca la diferencia. En el panel de instrucciones, escribe el contexto del negocio en lenguaje sencillo: el significado de las columnas, los filtros que siempre se aplican y el vocabulario que usa el equipo. También puedes añadir algunos ejemplos de preguntas. Una buena instrucción podría decir:

La facturación corresponde a la columna total_liquido de la tabla Vendas. La región viene de la columna regiao de la tabla Lojas. Considera solo los pedidos cuyo estado sea igual a Concluída.

El agente combina el esquema de las tablas (nombres de tablas y columnas) con estas notas para construir la consulta correcta. Cuanto más claras sean las instrucciones, menos ambiguas serán las respuestas.

Paso 5: Probar las preguntas

En el panel de conversación, a la derecha, escribe una pregunta en lenguaje natural y envíala. El agente identifica la fuente más relevante, convierte la pregunta en una consulta (por ejemplo, genera SQL para un Lakehouse o Warehouse), la ejecuta y devuelve una respuesta legible. Prueba variaciones de la misma pregunta — con otras palabras — para confirmar que el resultado se mantiene coherente.

Verificar el resultado

Para confiar en el agente, haz una pregunta cuya respuesta ya conozcas y compara los números. Muchos agentes te permiten ver la consulta generada: ábrela y confirma que usa las tablas y los filtros que definiste. En nuestro ejemplo, la consulta debería parecerse a esto:

SELECT r.regiao, SUM(v.total_liquido) AS faturacao
FROM Vendas AS v
JOIN Lojas AS r ON v.loja_id = r.id
WHERE v.estado = 'Concluída'
GROUP BY r.regiao;

Si la respuesta es incorrecta, vuelve al Paso 4 y mejora las instrucciones o los ejemplos. Si falta contexto, comprueba en el Paso 3 si la tabla correcta está visible.

Conclusión

En pocos pasos, has convertido tus datos en un asistente que responde preguntas en lenguaje natural. El siguiente paso es publicar el agente y ponerlo a disposición del equipo — por ejemplo, consumiéndolo desde Copilot en Power BI — para que cualquier persona pueda preguntar sin escribir una sola línea de código. ¿Qué pregunta te gustaría que tu equipo pudiera hacerle a los datos hoy mismo?