Muchas organizaciones quieren un asistente de IA que responda preguntas de negocio en lenguaje natural, y la mayoría empieza por elegir el asistente. El mejor punto de partida es la plataforma que está debajo. Un asistente que puede leer varias versiones de los ingresos terminará por citar la equivocada. Un asistente que no ve las reglas de acceso mostrará a las personas lo que no deberían ver. Un asistente que nadie monitorea fallará en silencio, y la primera persona en notarlo será un directivo.
Microsoft Fabric reúne la ingeniería de datos, el almacenamiento analítico, los datos en tiempo real y Power BI en una sola plataforma, con una sola copia de los datos en OneLake, el repositorio único que Fabric ofrece a toda la organización. Eso hace posible una plataforma lista para la IA, pero no automática. Cinco propiedades distinguen una plataforma que la IA puede leer con seguridad de una que solo guarda datos.
Una sola copia gobernada de los datos
Cada copia adicional de un conjunto de datos es una oportunidad de obtener dos respuestas distintas a la misma pregunta. En Fabric, los datos pueden llegar una sola vez a OneLake y compartirse desde ahí, de modo que finanzas, ventas y operaciones lean los mismos pedidos, facturas y clientes en lugar de sus propios extractos. Los datos pasan por etapas claras, de crudos tal como se cargaron a depurados y homologados, y luego listos para el negocio, y cada etapa tiene un responsable designado.
La prueba es sencilla. Para cada dominio clave, ¿puede señalar el único lugar donde vive la versión lista para el negocio y nombrar a la persona responsable de ella? Si la respuesta honesta incluye varios extractos y una hoja de cálculo mantenida a mano, de ahí saldrán las respuestas equivocadas.
Modelos semánticos certificados como contrato
Cuando la IA responde una pregunta de negocio en Power BI, lee el modelo semántico: las tablas, relaciones, medidas, nombres y descripciones que convierten los datos crudos en términos de negocio. Ese modelo es el contrato entre los datos y todos los que les hacen preguntas, personas y asistentes por igual. Una sola definición certificada por medida, nombres que un gerente reconocería, descripciones en lenguaje claro y columnas técnicas ocultas aportan más a la calidad de las respuestas que la elección del modelo de IA.
La certificación debe significar algo concreto: el responsable de negocio aprobó las definiciones, las cifras concilian con el sistema de registro y cada cambio pasa por una revisión. Los modelos no certificados pueden seguir sirviendo para explorar, pero el asistente en el que confía la dirección solo debería leer modelos certificados.
Un linaje que se puede mostrar
Cuando un directivo cuestiona una cifra, la plataforma debería responder en minutos: de qué sistema fuente proviene, por qué transformaciones pasó y qué medida la produjo. Fabric registra cómo dependen sus elementos unos de otros. El trabajo consiste en mantener completa esa cadena, haciendo las transformaciones dentro de la plataforma y no en archivos personales y bases de datos paralelas que ninguna vista de linaje puede ver.
El linaje importa todavía más cuando interviene la IA. Una respuesta que nombra la medida certificada que usó, y que puede rastrearse desde ahí hasta la fuente, es una respuesta que la gente puede verificar. Una respuesta que no puede rastrearse será cuestionada, y el primer cuestionamiento serio suele ser el fin del piloto.
Seguridad de la información que la IA hereda
El acceso por rol debe definirse una sola vez, junto con los datos y el modelo semántico, y no reconstruirse en cada reporte. Cuando es así, cada reporte, cada exportación y cada asistente de IA que lee el modelo aplica las mismas reglas a la persona que pregunta: una gerente regional que consulta el margen ve su propia región y nada más. Las etiquetas de confidencialidad que acompañan a los datos en los archivos exportados cierran una brecha que los reportes por sí solos dejan abierta.
Si las reglas de acceso solo existen en los filtros de los reportes, un asistente que lee el modelo subyacente no las aplicará. Esa sola decisión de diseño determina si la IA puede abrirse a toda la organización o debe quedarse en un grupo pequeño y de confianza.
Monitoreo antes de que el negocio lo note
Una plataforma lista para la IA conoce su propio estado. Las actualizaciones que fallaron o terminaron tarde, los datos más antiguos de lo que deberían, los controles de calidad que no pasaron y los modelos cuyos totales ya no concilian deberían alertar al responsable antes de que alguien haga una pregunta. El monitoreo del uso completa el panorama: qué modelos, reportes y preguntas se usan de verdad y, por lo tanto, adónde debe ir la siguiente inversión.
Para los asistentes, agregue un control más: un conjunto de preguntas de negocio reales con respuestas conocidas, que se ejecuta después de cada cambio en los datos o en el modelo. Cuando baja la proporción de respuestas correctas, usted se entera por la prueba y no por el comité de dirección.
Qué construir primero y qué puede esperar
No todo tiene que estar listo antes de que el primer asistente entre en operación. Para el primer dominio o los dos primeros que cubrirá el asistente, construya la copia gobernada, un modelo semántico certificado y con descripciones, el acceso por rol y el monitoreo de las actualizaciones y de la vigencia de los datos. El linaje de los demás dominios llegará a medida que cada uno pase a la plataforma.
Varias cosas pueden esperar: los flujos en tiempo real para decisiones que se toman cada semana, un catálogo completo de todos los conjuntos de datos de la organización, la migración de cada reporte heredado y el aprendizaje automático a la medida. Todas tienen valor. Ninguna se interpone entre el negocio y respuestas confiables en los primeros dominios. Dejarlas para después no es una concesión: mantiene la primera versión lo bastante pequeña para terminarla y probarla bien.
La preparación se construye, no se compra
Estar listo para la IA no es un proyecto aparte ni una función de un producto. Es la misma disciplina que hace confiables los reportes, aplicada sabiendo que ahora una máquina, y no solo una persona, leerá cada nombre, cada definición y cada regla de acceso. Las organizaciones que incorporan estas cinco propiedades a su plataforma Fabric descubren que cada nuevo asistente llega más rápido que el anterior, porque lo más difícil ya está hecho.