La nueva generación de agentes empresariales no se limita a responder preguntas. Su valor aparece cuando son capaces de conectar conocimiento documental, datos estructurados, acciones controladas, analítica y gobierno dentro de una misma arquitectura. Copilot Studio permite articular este enfoque integrando Azure AI Search para respuestas fundamentadas, Dataverse MCP para interactuar con datos operativos, Agent Flows para ejecutar procesos y Fabric Data Agents para responder preguntas analíticas basadas en datos corporativos.
Un agente empresarial necesita distinguir con claridad qué sabe, qué puede hacer y qué puede analizar. Esta separación evita uno de los errores más frecuentes en los proyectos de IA: intentar que un único componente resuelva todo, desde la consulta documental hasta la ejecución de acciones o el análisis de métricas.
Desde esta lógica, Azure AI Search actúa como capa de conocimiento; Dataverse MCP permite interactuar con datos estructurados; Agent Flows encapsula acciones determinísticas, como crear o modificar registros; y Fabric Data Agents aporta una vía para responder preguntas analíticas sobre fuentes de datos empresariales. Cada pieza cumple una función distinta, pero todas se integran en un mismo flujo de trabajo.
La innovación, por tanto, no está solo en conectar herramientas, sino en ordenar responsabilidades. El agente conversa y orquesta; las fuentes de conocimiento fundamentan las respuestas; las herramientas ejecutan acciones; los sistemas de datos conservan la verdad operativa; y la gobernanza establece límites, permisos y trazabilidad. Solo cuando estas capas están bien diferenciadas, el agente deja de improvisar y empieza a comportarse como una capacidad empresarial.
Una vez definida la arquitectura, el primer reto consiste en asegurar que el agente responda con información fiable. En muchas organizaciones, el conocimiento útil vive disperso en documentos, políticas, manuales, FAQ, guías internas o repositorios ya curados. Azure AI Search permite convertir ese contenido en una fuente consultable por el agente, aplicando patrones RAG para recuperar fragmentos relevantes y generar respuestas fundamentadas.
Este enfoque resulta especialmente útil cuando el agente debe explicar políticas, condiciones, procedimientos o criterios internos sin inventar información. Para conseguirlo, no basta con conectar documentos. El contenido debe prepararse: eliminar duplicados, versionar fuentes, fragmentar con sentido, configurar embeddings, aplicar búsqueda semántica y asegurar campos de cita que permitan verificar el origen de cada respuesta.
La calidad del agente depende directamente de la calidad del índice. Si la organización conecta documentos sin taxonomía, sin propietario y sin estrategia de actualización, el agente heredará ese desorden. Por eso, la capa de conocimiento no debe entenderse como un repositorio pasivo, sino como una base curada que condiciona la precisión, la trazabilidad y la confianza de todo el sistema.
Cuando el agente ya puede apoyarse en conocimiento documental, aparece una segunda necesidad: interactuar con datos vivos de negocio. Aquí MCP Dataverse introduce una lógica distinta. No se orienta a explicar documentos, sino a permitir que el agente consulte datos estructurados e interactúe con registros mediante un contrato común.
La diferencia es importante. Knowledge responde preguntas basadas en contenido. Tools ejecutan acciones. MCP facilita que el agente descubra e interactúe con datos y herramientas externas de forma estandarizada. De este modo, el sistema puede pasar de explicar una política a consultar disponibilidad, validar estados, recuperar información operativa o preparar una acción concreta.
En una arquitectura empresarial, Dataverse puede exponer tablas, vistas y registros relevantes para el agente. Pero este acceso debe diseñarse con criterio restrictivo: no se exponen todas las tablas, sino solo las necesarias para el caso de uso; las columnas deben ser comprensibles; las vistas deben estar filtradas por negocio; y los permisos deben respetar el contexto del usuario. Así, el agente no solo accede a datos, sino que lo hace dentro de un perímetro operativo controlado.
La conexión entre conocimiento, datos y herramientas se entiende mejor a través de un caso aplicado. La gestión de agendas médicas permite observar cómo una arquitectura de agentes puede reducir fricción administrativa sin invadir ámbitos clínicos. El objetivo no es crear un asistente médico, sino un copiloto administrativo capaz de apoyar tareas como búsqueda de huecos, reserva, reprogramación, cancelación y notificación de citas.
En este escenario, el agente puede consultar políticas de cancelación o preparación mediante AI Search, revisar disponibilidad y datos de agenda en Dataverse MCP, y ejecutar acciones mediante Agent Flows cuando el usuario confirma la operación. Cada capa interviene en el momento adecuado: el conocimiento explica reglas, los datos muestran disponibilidad y los flujos realizan cambios controlados.
Este diseño separa con claridad lo que el agente puede y no puede hacer. Puede buscar disponibilidad, proponer horarios válidos, reprogramar con confirmación, enviar recordatorios o escalar a recepción. No debe diagnosticar, dar consejo médico, modificar citas sin confirmación, exponer datos de otros pacientes ni inventar disponibilidad. La regla de diseño es sencilla: toda operación de escritura debe requerir confirmación explícita y dejar auditoría de quién hizo qué, cuándo y por qué.
Para que el caso aplicado funcione, la conversación no puede avanzar directamente desde la petición del usuario a la ejecución. Un agente empresarial necesita detectar intención, autenticar, recoger contexto, consultar herramientas, confirmar y auditar. La experiencia conversacional debe parecer sencilla para el usuario, pero internamente debe seguir una secuencia segura.
En una reserva de cita, por ejemplo, el agente debe identificar especialidad, profesional, sede, fecha, franja, duración y reglas aplicables. Si falta una política, debe consultar la capa de conocimiento. Si falta disponibilidad, debe consultar los datos estructurados. Si la acción modifica una agenda, debe mostrar fecha, hora, profesional, sede y condiciones antes de confirmar.
Este enfoque transforma la conversación en un proceso gobernado. El agente puede razonar y adaptar la interacción, pero los pasos críticos deben estar controlados mediante instrucciones, topics, herramientas con validaciones y flujos determinísticos. La conversación deja de ser un intercambio abierto y se convierte en una ruta operativa con límites visibles.
Una vez resueltas las respuestas documentales y la interacción con datos operativos, queda una tercera dimensión: la analítica. No todas las preguntas de negocio se resuelven consultando políticas o registros individuales. Algunas requieren entender patrones: ocupación por sede, no-shows, demanda por especialidad, tiempos de espera o productividad.
Fabric Data Agents permite abordar esta capa. El agente de datos puede interpretar preguntas, seleccionar fuentes como Lakehouse, Warehouse, modelos semánticos de Power BI o bases KQL, generar consultas de solo lectura y devolver resultados legibles. De este modo, Copilot Studio puede apoyarse en un agente conectado cuando el usuario necesita métricas, tendencias o comparativas.
Su papel no es sustituir a AI Search ni a Dataverse. AI Search fundamenta respuestas con conocimiento documental; Dataverse MCP trabaja con datos operativos; Fabric aporta lectura analítica sobre datos empresariales. La clave está en describir bien cuándo debe usarse cada agente, limitar las fuentes expuestas y validar permisos. Así, la arquitectura no solo responde y actúa, sino que también ayuda a interpretar el comportamiento del negocio.
Todas estas capacidades solo son viables si incorporan gobierno desde el inicio. La arquitectura técnica necesita un perímetro operativo que defina quién accede, qué puede consultar, qué herramientas puede invocar, qué canales están permitidos y cómo se observa el comportamiento del agente. Microsoft Entra ID, políticas DLP, entornos gestionados, Purview, Defender, Agent 365, Application Insights y controles de publicación forman parte de ese marco.
El objetivo no es frenar la innovación, sino permitir que avance desde el laboratorio hasta producción. Para ello hacen falta entornos Dev/Test/Prod, autenticación por canal, conectores permitidos, bloqueo de herramientas no autorizadas, observabilidad, telemetría, pruebas negativas y plan de rollback.
Un agente que contesta bien en una demo no es suficiente. También debe comportarse correctamente cuando el usuario no tiene permiso, cuando una fuente no existe, cuando una herramienta falla, cuando aparece una petición fuera de alcance o cuando intenta introducirse una instrucción maliciosa. La gobernanza convierte la experimentación en una capacidad sostenible.
En definitiva, Copilot Studio permite construir agentes empresariales más completos cuando se integran conocimiento, herramientas, datos analíticos y gobierno dentro de una arquitectura coherente.
El avance no está en crear un chatbot más sofisticado, sino en diseñar un sistema capaz de responder con fuentes, actuar con confirmación, consultar datos con permisos y operar bajo controles visibles. Esa es la diferencia entre experimentar con IA y construir capacidades empresariales sostenibles.
Este artículo es un resumen de los bloques impartidos por Antonio Torres, Ingeniero Informático, en el marco del Programa Superior de IA para el Data Strategist, desarrollado por el Data Strategy Institute en la Universidad de Alicante.
En UNNIUN trabajamos para ofrecer programas formativos orientados a la toma de decisiones en entornos complejos, conectando conocimiento académico y práctica profesional.
¿Quieres empezar tu formación inicial como Data Strategist en analítica de datos? La 9.ª edición del Programa Superior Data Strategist ya tiene convocatoria abierta.
En el diseño y desarrollo de nuestros programas formativos, uno de nuestros principales objetivos es la mejora continua, entendida como la clave para ofrecer a los alumnos una experiencia de aprendizaje enriquecedora, práctica y alineada con las necesidades reales de su entorno profesional.
Con esta filosofía, consideramos fundamental conocer de primera mano la valoración y experiencia del alumnado tras completar su formación. Por ello, hemos tenido la oportunidad de entrevistar a José Manuel Sam, Coordinador de Proveedores en Unión Alcoyana Seguros, quien comparte su visión y aprendizajes tras su paso por el programa.
José Manuel Sam García es técnico superior en Administración y Finanzas y actualmente ocupa el puesto de coordinador de proveedores en la compañía de seguros Unión Alcoyana, con sede central en Alcoy. Se trata de una de las compañías más antiguas de España, que el próximo año cumplirá 150 años. Aunque opera a nivel nacional, su actividad se centra especialmente en la Comunidad Valenciana, Murcia, Castilla-La Mancha y Andalucía.
Entre sus funciones y responsabilidades actuales como coordinador de proveedores se encuentra la gestión de reparadores para siniestros de hogar, comercio, pyme y comunidades, así como la coordinación de los peritos encargados de valorar estos siniestros. Además, también gestiona el ramo de autos, incluyendo talleres de automóviles y peritos de autos responsables de valorar las reparaciones de los asegurados.
Anteriormente, José Manuel desarrolló una trayectoria de casi 24 años en una empresa del sector de la automoción dedicada, entre otras actividades, al desguace, la venta de vehículos y la gestión de flotas. En esta compañía comenzó realizando sus prácticas y fue evolucionando profesionalmente a través de diferentes puestos, como responsable de call center, responsable de la red de talleres de automóviles y, posteriormente, responsable de operaciones.
¿Qué te llevó a matricularte en el Programa Superior en Data Strategist Developer?
«En principio, lo que me llevó a matricularme fue un programa que hice en El Club de las Buenas Decisiones, el primero que hice allí, que era de compras y aprovisionamiento. Un día de clase, al principio, nos visitó Antonio Andrés, que es profesor de este Programa Superior Data Strategist, y nos hizo una breve ponencia sobre dicho programa.
En esos momentos, a finales de 2024, yo estaba realizando un curso online de análisis de datos, una formación que me atraía. Le pregunté cuáles serían los pasos a seguir y él me recomendó que siguiera con ese curso que estaba haciendo y que, seguidamente, si lo veía necesario, me apuntara al programa.
Cuando me llegó la información por email del Club de las Buenas Decisiones, decidí apuntarme a esta octava edición. Además, no solo fue por lo que me comentó Antonio Andrés, sino también porque en mi etapa anterior tenía que hacer presentaciones de indicadores, de KPIs, a nuestros clientes y proveedores. Yo utilizaba Excel, gráficos de Excel y segmentación, pero quería ir más allá. Pensaba que con Power BI resultaría mejor y sería más eficiente creando mis propias visualizaciones y modelos de datos.
Ahora hablo de modelo de datos, de relaciones, etcétera, porque ya he dado la formación, pero cuando empecé no tenía esos conocimientos. Me acuerdo de que un compañero mío de IT me explicaba cosas y yo no sabía lo que me estaba contando. Ahora sí que lo he comprendido gracias a este programa, aunque aún me queda mucho por mejorar.»
¿Qué opinas de la metodología que utilizamos en el Programa?
«Respecto a la metodología que se utiliza en el programa, me parece muy positivo que sea online y en directo, porque no tienes que desplazarte a la Universidad de Alicante. Yo soy de Villena y está a unos 40 minutos, así que, después de toda la semana trabajando, un viernes por la tarde a veces se hace cuesta arriba. Poder hacer las clases los viernes por la tarde después de trabajar viene muy bien.
Además, como he dicho, es positivo en comparación con otros programas o cursos online que no son en directo, que son asíncronos, con vídeos grabados que luego tienes que ver para sacar tus conclusiones, formarte y resolver dudas por email o WhatsApp. En este caso, es en directo con los profesores.
Otro aspecto positivo es que los profesores, del primero al último, nos dicen en todo momento a los alumnos que cualquier duda que tengamos la preguntemos, que paremos la clase si hace falta. Al final, es online, no presencial, y puede pasar que te quedes sin conexión en ese momento, que te quedes atrás porque no te sale una función o porque has pulsado otro botón. Ellos insisten en que preguntemos, porque son muchas horas de clase y no puedes perderte nada de lo que están explicando.
Además, todo es muy fluido. La comunicación con los compañeros también es muy buena, porque hay compañeros de diferentes sectores y departamentos, y todo eso enriquece.
También es positivo que las clases se graben. A mí me ha ocurrido que alguna clase no he podido asistir por motivos personales o que en alguna clase me he tenido que ir antes. Al final, empiezas a las cuatro y terminas a las nueve de la noche, y todos tenemos vida y cosas que hacer. Que las clases queden grabadas nos ayuda durante el fin de semana o durante la semana a poder revisarlas, no perder el hilo y llegar a la próxima clase al cien por cien.
Además, también te ayuda durante el horario de trabajo, que es donde tienes que utilizar estas herramientas, porque puedes visualizar esos vídeos, avanzar, retroceder y darles el uso que realmente es el objetivo.
En cuanto a los bloques, creo que están bien estructurados. Por ejemplo, se empieza con el tema de Excel empresarial. Aunque no tengas una base de Excel, Antonio, que es el formador de este bloque, te lo explica todo desde el principio. Son clases y ejercicios muy prácticos y sencillos. Que nadie tenga miedo pensando: “Es que yo no sé Excel”, porque de ahí se aprende.
Al final, cuando trabajas con Power Query, Power Pivot, Power BI o DAX, no utilizas Excel de la misma forma. Tienes que tener una base, pero no vas a utilizarlo igual.
Con respecto a los seminarios, durante todo el programa se imparten varios seminarios de diferentes departamentos. Asisten diferentes personas de muchas empresas a nivel nacional y creo que son enriquecedores. Aunque en mi caso no pertenezca a departamentos como financiero o ventas, aunque sí he estado relacionado con ellos, te ayudan a comprender cómo se utiliza el análisis de datos y cómo llevarlo a tu día a día, aunque no sea exactamente tu departamento.
Además, todos los profesores tienen mucho conocimiento y son muy profesionales. La mayoría se han formado desde el principio en estas herramientas, cuando antes no había prácticamente nada y tenían que aprender con libros, vídeos de YouTube, etcétera. Ellos comprenden a los alumnos, son expositivos y empáticos con nosotros, porque saben que empezamos de cero y que no tenemos mucha idea. Van despacio y, si tienen que explicar varias veces las cosas, las explican. Eso es otro punto muy positivo.»
¿Has notado algún cambio, a nivel profesional, con la realización del Programa?
«He notado muchos cambios desde que empecé y terminé el programa. Antes no tenía mucha idea de Power BI, como he dicho anteriormente. Recuerdo que me senté con mi compañero de IT, que es el responsable de Power BI en la empresa y quien programa para cada departamento las visualizaciones. Me enseñó una pantalla del modelo de datos, con las tablas y las relaciones, y yo no tenía ni idea de lo que me estaba contando.
Ahora yo me creo todo desde el principio. Sí que es cierto que actualmente estoy viendo con él cómo extraer los datos automáticamente desde nuestra base de datos, pero ahora mismo lo que estoy haciendo es, por ejemplo, desde otro programa, que es Qlik, exportar las tablas que necesito. Me he creado mi modelo de datos, mis relaciones, y eso al final es prueba y error, porque lo estás haciendo tú a tu manera. Sabes dónde está cada cosa y qué tienes que tocar.
No es lo mismo que te lo den hecho y tú solo veas las visualizaciones. Cuando lo haces tú, sabes de dónde viene toda la información y cómo entrar de una manera u otra. Ahí he notado muchos cambios.
A nivel de empresa, actualmente sigo estando en mi puesto desde que empecé hace casi un año en La Unión Alcoyana como coordinador de proveedores, pero sí que me ha ayudado mucho. Ahora presento directamente a los proveedores sus indicadores, sus tiempos y sus costes medios, que es lo que gestiono yo en esta plataforma, en todas las reuniones que tengo con ellos. Además, se actualiza automáticamente. Actualmente lo actualizo mensualmente, pero cuando pueda traer los datos directamente desde la base de datos podrá ser semanalmente, lo que supone trabajar de una forma más proactiva.
También me di cuenta hace poco, hace un par de meses, cuando hicimos un curso de Power BI en la empresa con responsables, coordinadores y directores de área. Ese curso era de solo un día y no tiene nada que ver con este programa, que empezamos en octubre y acabamos en febrero. Ahí me di cuenta de todo lo que había aprendido, porque el curso estaba condensado en ocho horas y no daba tiempo a mucho.
Incluso, durante la formación, había veces que la profesora quería dar mucha información y se le pasaban algunas cosas, y yo se las apuntaba. Mis compañeros se dieron cuenta de que el curso que yo había hecho había sido muy provechoso, y algunos me están preguntando cómo hacer esto o lo otro. Creo que es un aspecto positivo, me está ayudando y puedo acompañar a mis compañeros en su día a día.»
¿Recomendarías el programa a un profesional de tu área?
«A los profesionales de mi área se lo recomiendo. En mi área no conozco a muchos, pero a compañeros que he tenido se lo recomiendo y se lo estoy recomendando. Sí que es duro, también hay que decirlo, porque son muchas horas y son los viernes por la tarde. Todo el mundo, cuando llega el viernes, quiere su momento de descanso. Yo trabajo los viernes de ocho a tres, pero por la tarde supone un sacrificio. Aun así, al final trae resultados, yo lo estoy viendo y lo recomiendo para diferentes puestos de la empresa en los que se utilicen datos.
Creo que es muy necesario para tener la información, trabajarla y poder aprovecharla.
Una cosa que sí recomiendo, aparte de realizar este programa, a todos los alumnos que hagan la próxima edición, es que desde el primer día utilicen lo aprendido en su día a día de trabajo. Desde la primera clase de Excel, luego Power Query, Power BI o DAX, hay que intentar aplicarlo.
¿Por qué? Porque a veces pasaba, y a mí también me pasaba, que no llegabas a utilizarlo. Entonces, cuando llegaba la siguiente clase, el profesor preguntaba si teníamos alguna duda, pero claro, no tenías dudas porque no lo habías utilizado. Después pasabas al siguiente bloque y, cuando empezabas a utilizar el anterior, ya no tenías al profesor en directo.
Sí que podías mandarle un correo, un WhatsApp o llamarle, y te resolvía las dudas. A mí me pasó con Fernando: le mandé varios correos con unas dudas que tenía y me las resolvió. Pero aun así, recomiendo trabajarlo todo desde el primer día, porque ese es el momento en el que puedes resolver dudas en la siguiente clase.
A continuación, puedes conocer de viva voz, la experiencia como alumno de Jose Manuel Sam, en el Programa Superior Data Strategist:
La evolución reciente de la Inteligencia Artificial está desplazando el foco desde los modelos que generan respuestas hacia sistemas capaces de perseguir objetivos, utilizar herramientas, coordinar tareas y ejecutar acciones.
Esta transición, conocida como IA agéntica, no debe entenderse como una mejora incremental de la IA generativa, sino como un cambio en la forma de diseñar procesos, organizar el trabajo y gobernar la autonomía tecnológica dentro de empresas y administraciones.
Un modelo de lenguaje puede generar texto, resumir información, redactar propuestas o analizar datos cuando recibe una instrucción. Su lógica es principalmente reactiva: espera una petición, produce una salida y finaliza la interacción.
Un agente de IA introduce una diferencia importante. No se limita a responder, sino que puede avanzar por varios pasos para alcanzar un objetivo. Para ello, percibe información, razona sobre el contexto, decide qué acción realizar, utiliza herramientas, observa el resultado y corrige el siguiente movimiento si es necesario.
Este cambio modifica la relación entre personas y tecnología. La IA deja de ser únicamente un asistente de productividad y empieza a comportarse como un componente operativo dentro de un proceso.
Uno de los errores habituales consiste en pensar que basta con disponer de un modelo avanzado para tener un agente fiable. La capacidad del modelo es importante, pero no suficiente.
Lo que convierte a un modelo en agente es el conjunto de elementos que lo rodean: contexto, memoria, herramientas, reglas de actuación, permisos, trazabilidad, mecanismos de control y puntos de supervisión humana. Esta arquitectura es la que permite que el sistema no solo genere una respuesta, sino que pueda actuar dentro de unos límites definidos.
Por eso, en entornos profesionales, la pregunta relevante no es solo qué modelo se utiliza, sino qué puede hacer, con qué datos, bajo qué reglas y quién responde si algo falla.
La IA agéntica se mueve en un espectro de autonomía. En un extremo están los flujos deterministas, donde cada paso está definido de antemano. En el otro, los agentes con mayor capacidad de planificación, capaces de decidir rutas, consultar herramientas y ajustar su estrategia.
Entre ambos extremos existen configuraciones intermedias que suelen ser las más útiles para las organizaciones: sistemas suficientemente flexibles para adaptarse a diferentes casos, pero suficientemente acotados para ser auditables y gobernables.
La autonomía adecuada no es siempre la máxima autonomía posible. En muchos procesos, especialmente si afectan a datos sensibles, decisiones administrativas, operaciones financieras o relaciones con clientes, resulta necesario incorporar validaciones, límites de actuación y puntos de confirmación humana.
Los sistemas multiagente llevan esta lógica un paso más allá. En lugar de depender de un único agente generalista, distribuyen el trabajo entre agentes especializados.
Un agente puede extraer datos, otro clasificarlos, otro contrastarlos con una fuente externa, otro redactar una propuesta y otro revisar si se cumplen determinadas reglas. Esta división permite abordar procesos complejos de forma más estructurada y trazable.
La clave está en la orquestación. No se trata de crear un enjambre desordenado de agentes, sino de definir qué rol cumple cada uno, cómo se comunican, qué datos comparten, qué límites tienen y cómo se registra cada decisión.
La IA agéntica puede transformar procesos empresariales completos. En comercio electrónico, por ejemplo, los agentes pueden comparar opciones, interactuar con comercios, preparar compras o ejecutar transacciones bajo parámetros definidos. En auditoría y finanzas, pueden revisar grandes volúmenes de operaciones, cruzar contratos y detectar anomalías con una cobertura mucho mayor que los métodos basados en muestras.
También puede impactar en logística, atención al cliente, soporte interno, gestión documental, compras, operaciones y análisis de riesgos. En todos estos casos, el valor no está solo en ahorrar tiempo, sino en rediseñar procesos alrededor de objetivos y no de tareas heredadas.
Este cambio puede alterar incluso los modelos de negocio del software, desplazando parte del valor desde el acceso a herramientas hacia el resultado obtenido.
La IA agéntica no elimina la necesidad de criterio profesional. Al contrario, la hace más relevante. Cuando los sistemas pueden ejecutar secuencias de tareas, el trabajo humano se desplaza hacia la definición de objetivos, la supervisión de resultados, la gestión de excepciones y la toma de decisiones en contextos complejos.
El reto no consiste únicamente en aprender a usar nuevos sistemas, sino en rediseñar roles. Las organizaciones necesitarán profesionales capaces de formular buenos problemas, definir límites, interpretar resultados, evaluar riesgos y coordinar equipos híbridos formados por personas y agentes.
La productividad dependerá cada vez más de la capacidad para combinar talento humano con sistemas autónomos bien gobernados.
Uno de los ámbitos donde la IA agéntica puede tener mayor impacto es la administración pública. La digitalización permitió sustituir papel por formularios online, pero en muchos casos mantuvo intacta la lógica burocrática: el ciudadano sigue iniciando trámites, aportando documentación y persiguiendo respuestas.
La IA agéntica introduce una posibilidad distinta: procesos más proactivos, donde distintos agentes puedan extraer información, contrastarla con fuentes autorizadas, preparar expedientes, generar borradores de resolución y dejar al funcionario la revisión final en los puntos críticos.
Este enfoque no elimina la necesidad de garantías jurídicas. Al contrario, exige más trazabilidad, supervisión humana, cumplimiento normativo y control sobre los datos. La promesa de una administración “zero-click” solo puede sostenerse si se diseña con responsabilidad desde el inicio.
La gobernanza no puede añadirse al final de un proyecto agéntico. Debe formar parte de la arquitectura desde el principio.
Un sistema de IA autónoma necesita permisos mínimos, registros de actividad, control de herramientas, gestión de errores, límites de actuación, evaluación continua y mecanismos claros de intervención humana. También requiere identificar quién es responsable del sistema, quién mantiene las fuentes de conocimiento y cómo se validan los cambios.
Sin esta capa, un agente puede ser técnicamente brillante y organizativamente frágil. La confianza no depende solo de la precisión del modelo, sino de la capacidad de demostrar qué hizo el sistema, por qué lo hizo y bajo qué controles operó.
En definitiva, la IA autónoma y los sistemas multiagente representan un cambio relevante en la forma de entender la tecnología dentro de las organizaciones. El paso de generar respuestas a ejecutar acciones obliga a pensar con más rigor en arquitectura, autonomía, supervisión y responsabilidad. La oportunidad no está en delegar sin control, sino en diseñar sistemas capaces de ampliar la capacidad humana sin perder trazabilidad, criterio ni gobierno.
Este artículo es un resumen de los bloques impartidos por Antonio Torres, Ingeniero Informático, en el marco del Programa Superior de IA para el Data Strategist, desarrollado por el Data Strategy Institute en la Universidad de Alicante.
En UNNIUN trabajamos para ofrecer programas formativos orientados a la toma de decisiones en entornos complejos, conectando conocimiento académico y práctica profesional.
Si quieres dar el primer paso en tu formación como Data Strategist, ya está abierta la convocatoria de la 9.ª edición del Programa Superior para Data Strategists, el programa para iniciarte en el DSI.
La adopción de herramientas de inteligencia artificial en el entorno profesional no depende solo de saber pedir una respuesta a un asistente. Para que estas soluciones aporten valor, es necesario conectar productividad personal, diseño de procesos, calidad del dato, validación humana y gobierno interno. Microsoft 365 Copilot y Copilot Studio permiten avanzar desde el uso individual en aplicaciones de trabajo hasta la creación de agentes internos capaces de consultar conocimiento, ejecutar acciones y operar con criterios de seguridad.
El punto de partida está en comprender que Copilot no sustituye el criterio profesional, sino que ayuda a acelerar tareas reales de redacción, análisis, comunicación y preparación de reuniones.
En herramientas como Word, Excel, Outlook, Teams o PowerPoint, Copilot puede generar borradores, resumir información, estructurar presentaciones, analizar datos o preparar comunicaciones. Sin embargo, la calidad del resultado depende de la claridad de la instrucción, del contexto aportado y de la revisión posterior.
La evolución natural de este uso individual aparece cuando la organización identifica necesidades repetitivas que pueden convertirse en agentes internos: asistentes diseñados para responder dudas frecuentes, consultar información, crear solicitudes o apoyar procesos concretos.
El prompt no debe entenderse como una frase improvisada, sino como una especificación de tarea. Una petición útil necesita objetivo, contexto, fuentes, formato esperado, restricciones y criterios de verificación.
Este enfoque permite transformar instrucciones vagas en indicaciones reutilizables. Por ejemplo, no es lo mismo pedir “hazme un resumen” que solicitar un documento ejecutivo para comité de dirección, con extensión máxima, estructura definida, riesgos, mitigaciones, próximos pasos y supuestos a validar.
El prompting profesional también introduce una idea clave: la salida de Copilot debe entrar en un ciclo de revisión. El usuario debe contrastar, ajustar, pedir mejoras, detectar huecos y verificar que la respuesta no presenta supuestos como hechos.
En Word, Copilot resulta útil para convertir información dispersa en documentos legibles: resúmenes ejecutivos, propuestas, informes, briefings o políticas internas. La clave está en definir audiencia, tono, nivel de detalle y estructura.
En PowerPoint, el valor aparece cuando la presentación cuenta una historia clara: problema, contexto, enfoque, evidencia, decisión y siguientes pasos. Copilot puede ayudar a crear una estructura inicial, pero cada diapositiva necesita un mensaje concreto.
Excel permite avanzar del dato al insight, siempre que la información esté bien preparada. Las tablas necesitan encabezados claros, categorías consistentes y rangos definidos. A partir de ahí, Copilot puede ayudar a detectar tendencias, segmentos relevantes, alertas, patrones o recomendaciones.
Outlook y Teams completan el ciclo de trabajo: preparar agendas, sintetizar reuniones, generar actas, definir tareas, asignar responsables y redactar comunicaciones de seguimiento.
Un agente interno no debería crearse porque la tecnología lo permite, sino porque existe un caso de uso concreto. Antes de entrar en Copilot Studio, conviene definir quién lo usará, qué problema resuelve, con qué frecuencia, qué entradas recibirá, qué salidas debe producir y qué riesgos pueden aparecer.
El diseño del caso de uso debe incluir también el alcance y el no alcance. Un agente de soporte interno puede responder preguntas frecuentes, crear solicitudes o consultar estados, pero no debería aprobar procesos, inventar políticas ni sustituir validaciones formales.
Un buen canvas de agente incorpora usuario principal, problema, fuentes, acciones, riesgos, métrica de éxito y propietario. Esta fase evita construir soluciones demasiado amplias, difíciles de mantener o poco alineadas con necesidades reales.
Copilot Studio permite crear agentes con instrucciones, conocimiento y temas de conversación. Para que funcionen correctamente, las fuentes deben estar actualizadas, ser claras y tener un responsable definido.
Un agente con conocimiento pobre responderá de forma vaga o insegura. Por eso es preferible empezar con pocas fuentes bien curadas antes que cargar demasiada información contradictoria o desactualizada.
Las pruebas deben comenzar desde el primer día. No basta con comprobar una pregunta sencilla. Hay que evaluar casos cubiertos, preguntas ambiguas, solicitudes fuera de alcance, datos incompletos, permisos, errores y regresiones. Esta matriz permite saber si el agente responde con consistencia y reconoce sus límites.
El salto más relevante se produce cuando el agente deja de limitarse a responder y empieza a ejecutar acciones controladas. Puede crear una solicitud, consultar un estado, actualizar un registro o notificar a un equipo.
Esta capacidad exige separar responsabilidades. El agente conversa con el usuario; el flujo ejecuta la lógica; el sistema de datos mantiene la información fiable. Esta separación facilita el mantenimiento, la seguridad y la trazabilidad.
Toda acción crítica debe incluir validación y confirmación previa. Si el usuario quiere crear una solicitud de soporte, el agente debe recoger los campos obligatorios, comprobar que están completos, mostrar un resumen y pedir aceptación antes de ejecutar.
Cuando el agente necesita comunicarse con sistemas externos, las APIs funcionan como contratos. No se trata solo de una URL, sino de una definición clara de entradas, autenticación, respuestas, errores y límites.
El agente debe traducir la información técnica en mensajes comprensibles para el usuario. Un error 404, 403 o 500 no debería mostrarse como un código aislado, sino como una explicación funcional y una alternativa clara.
El gobierno es la condición que permite pasar de una demo a un piloto. Un agente interno necesita propietario, control de permisos, fuentes con dueño, política de cambios, matriz de pruebas, métricas y canal de feedback. Sin esta capa, la solución puede funcionar en una demostración, pero fallar en el uso real.
En definitiva, Microsoft Copilot y Copilot Studio permiten avanzar desde la mejora de tareas individuales hasta la creación de agentes internos con conocimiento, acciones y control operativo. El valor no está solo en automatizar respuestas, sino en diseñar casos de uso acotados, probarlos con rigor, proteger los datos y convertir cada agente en un producto interno gobernado y mejorable.
Este artículo es un resumen de los bloques impartidos por Antonio Torres, Ingeniero Informático, en el marco del Programa Superior de IA para el Data Strategist, desarrollado por el Data Strategy Institute en la Universidad de Alicante.
En UNNIUN trabajamos para ofrecer programas formativos orientados a la toma de decisiones en entornos complejos, conectando conocimiento académico y práctica profesional.
Si quieres dar el primer paso en tu formación como Data Strategist, ya está abierta la convocatoria de la 9.ª edición del Programa Superior para Data Strategists.
Diseñar un agente conversacional con IA no consiste únicamente en conectar un bot a un modelo de lenguaje. Para que el sistema funcione de forma útil, cada tipo de entrada debe recibir el tratamiento adecuado antes de generar una respuesta.
Texto, voz e imagen no viajan igual, no se procesan igual y no pueden entregarse sin preparación al mismo nodo de inteligencia artificial. La clave está en construir un workflow capaz de leer el dato correcto, dirigirlo por la ruta adecuada y devolver una respuesta común al usuario.
Un agente conectado a Telegram puede recibir mensajes escritos, notas de voz o imágenes. Aunque para el usuario todo ocurre dentro de una misma conversación, técnicamente cada entrada requiere una lógica diferente.
El texto puede normalizarse y pasar directamente al agente. La voz debe recuperarse como archivo, transcribirse y convertirse en texto. La imagen necesita transformarse en una URL accesible y analizarse mediante un modelo de visión antes de generar una respuesta útil.
El objetivo del workflow no es crear tres automatizaciones independientes, sino preparar tres caminos distintos que terminen convergiendo en una salida común. Esta lógica permite que el usuario reciba respuesta en el mismo chat, con independencia del formato que haya utilizado para comunicarse.
Todo flujo conversacional necesita un disparador. En este caso, el primer nodo escucha Telegram y activa el workflow cuando llega un nuevo mensaje. Su función no es transformar datos, sino entregar al resto del flujo un evento estructurado con información sobre el usuario, el chat y el contenido recibido.
La información llega en formato JSON. Dentro de esa estructura pueden aparecer campos como el identificador del chat, el identificador del usuario, el texto escrito, el archivo de voz o las distintas versiones de una imagen.
Comprender este primer JSON es esencial. Todo lo que ocurre después depende de saber localizar los campos adecuados. Si el flujo no identifica correctamente si el mensaje contiene texto, voz o imagen, las ramas posteriores no se ejecutarán como se espera.
Cuando existen más de dos posibilidades, el nodo Switch resulta especialmente útil. En lugar de preguntar simplemente si una condición se cumple o no, permite clasificar el mensaje según el tipo de contenido recibido.
El workflow puede definir una ruta para texto, otra para voz y otra para imagen. Cada regla mira un campo concreto del JSON y deja pasar solo los mensajes que contienen ese dato. Por ejemplo, la ruta de texto se activa cuando existe un mensaje escrito; la de voz, cuando aparece un identificador de archivo de audio; y la de imagen, cuando el mensaje incluye una foto.
El Switch no transforma la información. Su papel es decidir qué camino debe seguir. Por eso, las expresiones deben construirse a partir de una ejecución real y comprobar que el campo existe y no está vacío.
Un workflow robusto no solo conecta nodos; también prepara los datos para que el siguiente paso reciba exactamente lo que necesita. En el caso de un agente de IA, conviene que el mensaje llegue siempre con una estructura común.
Cuando el usuario escribe directamente, el texto ya está disponible. Cuando envía una nota de voz, primero hay que transcribirla. En ambos casos, el resultado final debe convertirse en un campo homogéneo, por ejemplo un objeto con una propiedad message.
Esta normalización evita que el agente tenga que preocuparse por el origen del contenido. Su tarea no es averiguar si el usuario escribió o habló, sino responder a una instrucción ya preparada.
Telegram no entrega directamente una nota de voz lista para transcribir. Primero proporciona un file_id, es decir, una referencia interna al archivo. El workflow debe resolver esa referencia y descargar el audio antes de enviarlo a un nodo de transcripción.
Este paso exige usar la credencial del bot y solicitar a Telegram el archivo asociado al identificador recibido. Una vez recuperado el audio como dato binario, puede pasar a un servicio de Speech to Text.
La transcripción convierte la voz en texto, y ese texto puede incorporarse a la misma lógica utilizada para los mensajes escritos. Sin este paso intermedio, el agente solo tendría una referencia al archivo, no una instrucción comprensible.
Las imágenes también requieren una preparación específica. Cuando el usuario envía una foto, Telegram puede entregar varias versiones de la misma imagen en diferentes tamaños. Habitualmente interesa seleccionar la de mayor resolución y obtener su file_id.
A partir de ese identificador, el workflow consulta Telegram para recuperar el file_path. Con esa ruta se construye una URL final que el modelo de visión pueda leer. Solo entonces la imagen puede analizarse y convertirse en una descripción, explicación o respuesta textual.
Este tratamiento es necesario porque una rama de imagen no puede pasar directamente por un agente textual. Antes debe traducirse el contenido visual a lenguaje. Además, si el usuario añade una descripción o comentario junto a la imagen, ese texto puede utilizarse como instrucción adicional para orientar el análisis.
Una vez preparada la entrada, el agente de IA se convierte en el punto central del workflow. Recibe el mensaje normalizado, aplica un prompt, utiliza un modelo de lenguaje y puede apoyarse en memoria para conservar contexto.
Conviene distinguir entre asistente y agente. Un asistente responde a una petición. Un agente, además de responder, trabaja dentro de un sistema: recibe datos preparados, sigue instrucciones, puede conservar memoria por usuario y entrega una salida compatible con el siguiente nodo.
La memoria es especialmente importante en conversaciones. Para evitar mezclar contextos, debe separarse por usuario o por chat mediante una clave de sesión estable. Así, cada persona conserva su propio historial sin interferir en la conversación de otras.
El último paso consiste en enviar la respuesta al mismo chat de Telegram. Para ello, el workflow debe recuperar el identificador del chat original y utilizarlo como destino del mensaje.
Este punto es más importante de lo que parece. Si varias ramas llegan al nodo final, todas deben entregar una respuesta compatible y conservar la información necesaria para identificar al usuario correcto. El cuerpo del mensaje puede alimentarse con la salida del agente o con la respuesta preparada desde la rama de imagen.
El cierre del flujo debe ser simple para el usuario, aunque internamente haya implicado varias rutas: escribe, habla o envía una imagen; el sistema interpreta el contenido y responde en la misma conversación.
Un flujo real con Telegram, APIs e IA debe proteger sus accesos. Las credenciales de Telegram y OpenAI deben configurarse en n8n, no pegarse como secretos visibles dentro de nodos, URLs o capturas compartidas.
También deben contemplarse errores: archivos que no se descargan, imágenes inaccesibles, campos ausentes, respuestas de IA con formatos inesperados o ramas que no devuelven el dato previsto. Un workflow mantenible no depende de que todo salga perfecto; anticipa situaciones de fallo y facilita su revisión.
En definitiva, construir un agente de Telegram con IA exige pensar menos en botones y más en lógica de flujo. Texto, voz e imagen pueden convivir en una misma automatización si cada entrada se interpreta, transforma y normaliza antes de llegar al agente.
La calidad del workflow depende de que cada nodo tenga una función clara, las credenciales estén protegidas y todas las rutas converjan en una respuesta útil para el usuario.
Este artículo es un resumen de los bloques impartidos por Miguel Ángel Rocamora, CGO en iddeass.com, en el marco del Programa Superior de IA para el Data Strategist, desarrollado por el Data Strategy Institute en la Universidad de Alicante.
En UNNIUN trabajamos para ofrecer programas formativos orientados a la toma de decisiones en entornos complejos, conectando conocimiento académico y práctica profesional.
Si quieres conocer más sobre nuestra oferta formativa o nuestras próximas actividades, puedes ponerte en contacto con nuestro equipo.
