html = r»’
Cuando un agente responde mal, muchas veces el problema no es el prompt. Es que está preguntando a la fuente equivocada.
Una empresa puede tener datos en Dynamics 365, Business Central, Microsoft Fabric, SharePoint, Dataverse, bases de datos, documentos y servicios externos. Eso no significa que todo deba consolidarse en un único repositorio antes de aplicar IA. La arquitectura correcta consiste en distinguir operación, analítica, conocimiento y acción.
“¿Cuál es el margen previsto de este proyecto y qué contrato explica la desviación?”
La primera parte puede exigir información operativa actual y cálculos financieros del ERP. La segunda puede requerir recuperar cláusulas de un contrato almacenado como documento. Si además queremos comparar la evolución de margen de los últimos tres años, entramos en un escenario analítico donde Fabric puede ser una pieza mucho más adecuada.
Una sola pregunta empresarial puede necesitar varias fuentes. Eso es precisamente lo que debe diseñarse.
Un agente útil no memoriza toda la empresa.
Orquesta las fuentes adecuadas y conserva contexto suficiente para responder o actuar con criterio.
Primero decide qué tipo de pregunta debe resolver el agente.
La fuente correcta depende de la naturaleza de la información. Separar estos escenarios evita replicaciones innecesarias, respuestas desactualizadas y arquitecturas difíciles de gobernar.
Cuando importa saber qué está ocurriendo ahora.
Pedidos, facturas, clientes, proveedores, oportunidades, stock, proyectos, costes, saldos, cobros, contratos operativos, disponibilidad y estados de proceso pertenecen normalmente al sistema que gobierna la transacción. Si el agente necesita información actual y con reglas de negocio vigentes, el sistema operativo o una interfaz gobernada hacia él suele ser la referencia.
Cuando la pregunta exige comparar, agregar, modelar o mirar el tiempo.
Fabric reúne datos para ingeniería, lakehouse, warehouse, tiempo real, ciencia de datos y modelos semánticos. OneLake actúa como almacenamiento común y Direct Lake permite trabajar con modelos semánticos sobre grandes volúmenes de tablas Delta. Es especialmente útil cuando el agente necesita contexto analítico, históricos, tendencias o métricas consolidadas.
Cuando la respuesta vive dentro de documentos, texto y conocimiento empresarial.
Contratos, manuales, procedimientos, normativas, ofertas, documentación técnica, políticas y grandes colecciones de contenido necesitan mecanismos de indexación y recuperación. Azure AI Search añade búsqueda textual, vectorial, semántica y capacidades de recuperación agéntica para construir bases de conocimiento orientadas a agentes.
Cuando el agente debe dejar de responder y empezar a hacer.
Crear una solicitud, aprobar, actualizar un registro, lanzar un flujo, consultar una API, escribir en un sistema o activar una herramienta exige interfaces de acción controladas. El objetivo no es dar libertad total al agente, sino exponer capacidades concretas con permisos, validación, trazabilidad y límites.
Si necesitas el estado actual del negocio, no conviertas una copia analítica en la nueva fuente de verdad.
Dynamics 365 y Business Central contienen procesos y reglas que cambian constantemente. Un pedido se confirma, una factura se registra, una oportunidad avanza, un stock varía o un proyecto consume presupuesto. Para determinados casos, el agente necesita consultar esa realidad operativa lo más cerca posible del sistema que la gobierna.
“¿Cuál es el saldo de este cliente?”, “¿qué pedidos están bloqueados?”, “¿qué proyectos superan presupuesto?”
Estas preguntas dependen de datos actuales y, a menudo, de reglas de negocio que ya existen en el ERP o CRM. La arquitectura debe evitar que el agente responda con una fotografía desactualizada cuando existe una fuente transaccional más fiable.
El agente necesita interfaces controladas, no credenciales ilimitadas.
APIs, conectores, tablas virtuales, herramientas específicas y capas intermedias pueden exponer solo aquello que el escenario necesita. En Business Central, Microsoft permite incluso consumir APIs como tablas virtuales en Dataverse sin copiar físicamente esos datos.
Regla práctica
Si la respuesta puede cambiar porque alguien acaba de facturar, comprar, reservar, vender, cobrar, aprobar o modificar una operación, revisa primero si el agente debería consultar el sistema transaccional o una interfaz conectada directamente con él.
Histórico, modelo semántico y visión transversal.
Un almacenamiento común para los datos analíticos de Fabric y distintos tipos de cargas de datos.
Permiten organizar información procedente de múltiples sistemas para análisis y explotación empresarial.
Añaden medidas, relaciones y significado empresarial sobre el dato para que distintas áreas utilicen una lógica común.
Microsoft lo posiciona para análisis interactivo de grandes volúmenes sobre tablas Delta almacenadas en OneLake.
Si el conocimiento vive en documentos, el problema ya no es analítico: es encontrar el fragmento correcto y devolverlo con contexto.
Un contrato, una política, un manual técnico o una propuesta comercial no se explotan igual que una tabla de facturas. El valor de Azure AI Search aparece cuando el agente necesita recuperar contenido relevante entre grandes colecciones documentales y utilizarlo como contexto para responder.
No se trata solo de buscar una palabra exacta.
Azure AI Search puede combinar recuperación textual, vectorial y semántica para localizar contenido relevante incluso cuando la pregunta y el documento no utilizan exactamente los mismos términos.
Las preguntas complejas pueden dividirse en varias búsquedas.
Microsoft documenta un modelo donde una base de conocimiento puede planificar subconsultas, consultar distintas fuentes y devolver resultados con metadatos. Parte de estas capacidades ya está disponible mediante la API 2026-04-01, mientras determinadas funciones de portal y síntesis continúan en preview.
El error frecuente: utilizar Azure AI Search como almacén universal.
Un índice de búsqueda es excelente para recuperar conocimiento preparado para consulta. No debería convertirse automáticamente en la única fuente para información transaccional sensible a segundos o minutos. La arquitectura debe respetar la naturaleza del dato y su sistema de referencia.
No es una elección entre dos productos. Es una elección entre dos tipos de contexto.
Fabric y Azure AI Search pueden participar en el mismo agente. La decisión correcta depende de la pregunta que queremos responder.
Necesitas series históricas · comparativas entre periodos · KPIs consolidados · cruce de varios sistemas · modelos semánticos · analítica de tendencias · grandes volúmenes estructurados · una lógica común para reporting y analítica.
Necesitas recuperar contratos · procedimientos · políticas · manuales · documentación técnica · ofertas · informes textuales · documentos no estructurados · conocimiento semántico · escenarios RAG y recuperación agéntica.
La pregunta necesita análisis y evidencia documental. Por ejemplo: “¿qué proyectos han perdido margen este trimestre y qué cláusulas contractuales podrían explicar parte de la desviación?”. Fabric puede aportar la visión analítica y Azure AI Search recuperar los documentos relevantes.
Leer es una cosa. Modificar el negocio es otra.
Un agente puede recuperar una política, analizar un KPI o consultar el estado de un pedido. Pero si debe crear una orden, cambiar un registro, aprobar una solicitud o lanzar un proceso, la arquitectura entra en una zona más delicada.
La capacidad de acción debe exponerse mediante herramientas concretas, con identidad, permisos, validaciones y trazabilidad. MCP, APIs, conectores y Power Platform pueden ayudar a construir esa capa, pero ninguna tecnología elimina la necesidad de gobierno.
Cuatro niveles de autonomía
No todos los agentes empresariales deberían construirse igual.
Un caso de uso operativo, uno analítico y uno documental exigen fuentes, tiempos de actualización y controles diferentes.
“Muéstrame los pedidos retrasados y prepara un aviso al responsable.”
La información principal vive en el ERP. El agente consulta los registros necesarios, aplica contexto del proceso y puede activar una acción mediante Power Platform o una API controlada. Fabric o AI Search pueden complementar, pero no necesariamente son el centro.
“¿Qué líneas de negocio han deteriorado margen en los últimos doce meses y dónde está la anomalía?”
Aquí el histórico, el modelo semántico y la consolidación entre sistemas ganan protagonismo. Fabric puede proporcionar el contexto analítico sobre el que el agente razona o prepara explicaciones.
“¿Qué cláusulas de nuestros contratos regulan las penalizaciones por retraso?”
La respuesta está dispersa en documentos. Azure AI Search puede indexar y recuperar fragmentos relevantes para proporcionar grounding y referencias sobre el contenido corporativo.
“Detecta proyectos con riesgo, explica por qué y revisa los contratos implicados.”
Puede necesitar ERP para el estado actual, Fabric para la evolución analítica y Azure AI Search para documentación contractual. La arquitectura inteligente no obliga a elegir una sola fuente: coordina varias.
Cinco atajos que convierten un proyecto de agentes en otra capa de complejidad.
Antes de elegir tecnología, responde a seis preguntas.
Sin una necesidad concreta, cualquier arquitectura termina sobredimensionada.
Transacciones, históricos, documentos, métricas, reglas, datos externos o una combinación.
Identifica dónde vive la versión válida de cada dato y evita crear una nueva fuente maestra por accidente.
No es lo mismo responder con datos del último cierre mensual que con stock o saldo actualizado.
La capacidad de ejecución exige controles mucho más fuertes que una experiencia de lectura.
Precisión, tiempo ahorrado, tasa de resolución, reducción de errores, adopción, coste por operación y valor generado deben formar parte del diseño.
Este post no es un punto final. Es el puente entre ERP + IA, Fabric, Azure AI Search y agentes empresariales.
Si quieres profundizar, estas páginas desarrollan cada capa por separado y permiten pasar de la decisión arquitectónica al producto y al caso de uso.
Fabric, Azure AI Search y ERP: dudas frecuentes antes de diseñar agentes.
¿Microsoft Fabric y Azure AI Search hacen lo mismo?
No. Fabric está orientado a integración, almacenamiento, ingeniería, analítica y modelos semánticos sobre datos empresariales. Azure AI Search está orientado a indexar y recuperar conocimiento mediante búsqueda textual, vectorial, semántica y escenarios de recuperación para IA.
¿Un agente debe consultar directamente el ERP?
Depende del escenario. Cuando necesita información operativa muy actual, puede tener sentido trabajar mediante APIs, conectores u otras interfaces gobernadas hacia el sistema. Eso no significa exponer todo el ERP ni conceder permisos ilimitados.
¿Azure AI Search sustituye a Microsoft Fabric?
No. Pueden complementarse. Fabric puede proporcionar contexto analítico e histórico y Azure AI Search recuperar conocimiento documental. Un mismo agente puede utilizar ambas fuentes cuando la pregunta lo exige.
¿Qué es la recuperación agéntica en Azure AI Search?
Es un enfoque en el que una base de conocimiento puede planificar una consulta compleja, descomponerla en subconsultas, consultar una o varias fuentes y devolver resultados preparados para una experiencia de agente. Microsoft mantiene actualmente una combinación de capacidades GA y preview según API y experiencia utilizada.
¿Puede un agente trabajar con OneLake?
Microsoft documenta herramientas MCP para OneLake que permiten a agentes explorar workspaces, archivos y esquemas de tablas mediante interfaces específicas. Su utilización debe evaluarse dentro de una arquitectura de identidad, permisos y gobierno.
¿Cuál debería ser el primer paso de un proyecto de agentes?
Elegir un proceso o decisión concreta, identificar las fuentes necesarias, definir qué puede consultar y qué puede ejecutar el agente, diseñar permisos y medir un piloto antes de ampliar el alcance.
Profundiza en las capacidades que hay detrás de la arquitectura.
Estas referencias permiten revisar las capacidades actuales de Fabric, Azure AI Search, Business Central y OneLake directamente en Microsoft Learn.
Cómo funciona el acceso analítico a tablas Delta de OneLake desde modelos semánticos.
Ver Microsoft Learn →
Arquitectura de knowledge bases, knowledge sources, búsqueda y recuperación orientada a agentes.
Ver Microsoft Learn →
Cómo consumir APIs de Business Central desde Dataverse sin almacenar esos datos físicamente en Dataverse.
Ver Microsoft Learn →
Herramientas de OneLake que Microsoft documenta para acceso de agentes a workspaces, archivos y esquemas.
Ver Microsoft Learn →
¿Tu agente debe leer del ERP, de Fabric, de documentos… o de todo a la vez?
Podemos revisar el caso de uso, las fuentes de datos, el nivel de actualidad, los permisos y la capacidad de acción para diseñar una arquitectura Microsoft que conecte ERP, Fabric, Azure AI Search, Power Platform y agentes sin crear otro silo.
»’
path = «/mnt/data/ayesa365_fabric_vs_azure_ai_search_agentes_ia.html»
with open(path, «w», encoding=»utf-8″) as f:
f.write(html)
print(path)
print(«Caracteres:», len(html))
Business Development Manager | PSELLER Microsoft en Ayesa | Miembro Unidad Transición Energética, Climática y Urbana en Tecnalia | Secretaria de la Junta Directiva del Cluster de la Construcción (Build INN)