Construyendo sistemas de IA en producción sobre Azure: desde Fabric Data Agents hasta Business Agent en

La mayoría de las demos de IA se quedan en “haz una pregunta, obtén una respuesta”.
Pero la IA empresarial real requiere mucho más: fundamentación de datos confiables, orquestación de flujos de trabajo, canales de colaboración y extensibilidad para escenarios complejos.
En esta sesión exploraremos cómo construir una arquitectura de IA preparada para producción en Azure que conecta Microsoft Fabric Data Agents, agentes de Copilot Studio / Power Apps, Microsoft Teams y Azure AI Foundry en un sistema unificado.
Aprenderás cómo:

Utilizar Microsoft Fabric Data Agents para proporcionar acceso gobernado y confiable a los datos empresariales
Orquestar flujos de trabajo de negocio utilizando agentes de Copilot Studio y Power Apps
Publicar capacidades de IA directamente en Microsoft Teams para la colaboración y la toma de decisiones
Extender la plataforma con agentes de Azure AI Foundry cuando se requiera una orquestación avanzada o capacidades de IA personalizadas

A través de un recorrido por una arquitectura real y una demostración en vivo, mostraremos cómo las preguntas en lenguaje natural sobre los datos empresariales pueden evolucionar hacia acciones de negocio automatizadas, cerrando la brecha entre analítica y operaciones.
Si estás diseñando soluciones de IA en Azure y quieres entender qué se necesita realmente para pasar de un prototipo a producción, esta sesión te proporcionará una arquitectura práctica que puedes aplicar en entornos empresariales reales.
Nivel de la audiencia
Intermedio – Avanzado
Aprendizajes de la sesión
Los asistentes aprenderán:

Cómo Fabric Data Agents habilitan IA fundamentada en datos empresariales
Cómo los agentes de Copilot Studio / Power Apps orquestan procesos de negocio
Cómo operacionalizar la IA a través de Microsoft Teams
Cuándo y por qué extender las arquitecturas con Azure AI Foundry
Patrones prácticos para construir sistemas de IA de nivel productivo

Kimball Is Not Dead: Modern Dimensional Modeling for Microsoft Fabric and AI en es

For years, dimensional modeling has been the foundation of enterprise analytics platforms. However, with the rise of Lakehouses, OneLake, Direct Lake, and AI-driven analytics, many organizations have started to assume that concepts such as Star Schemas, conformed dimensions, and clearly defined grain are no longer necessary.

The reality is very different.

Microsoft Fabric modernizes the data platform, but it does not eliminate the need for solid analytical architecture. In fact, the emergence of Copilot, semantic models, and data agents makes consistency, business context, and proper data modeling more important than ever.

In this session, we will explore which Ralph Kimball principles remain critical in modern Microsoft Fabric architectures, which practices are evolving, and how to combine Lakehouse, Warehouse, Semantic Models, and AI into a coherent and scalable analytical platform.

Through practical examples and real-world scenarios, we will discuss why:

Medallion Architecture does not replace dimensional modeling.
Direct Lake improves performance, but it does not fix poor data models.
Semantic Models are becoming the true contract between business, analytics, and AI.
Enterprise AI requires structured business context to generate reliable answers.

This session is aimed at architects, data engineers, BI professionals, and analysts who want to build modern analytics platforms without abandoning the principles that still make them successful today.

Kimball no ha muerto: modelado dimensional moderno para Microsoft Fabric e IA en es

Durante años, el modelado dimensional ha sido la base de las plataformas analíticas empresariales. Sin embargo, con la llegada de Lakehouses, OneLake, Direct Lake y la inteligencia artificial, muchas organizaciones han asumido que conceptos como Star Schema, dimensiones conformadas o granularidad definida ya no son necesarios.

La realidad es otra.

Microsoft Fabric moderniza la plataforma de datos, pero no elimina la necesidad de una arquitectura analítica sólida. De hecho, la llegada de Copilot, los modelos semánticos y los agentes de datos hace que la consistencia, el contexto de negocio y la calidad del modelado sean más importantes que nunca.

En esta sesión exploraremos qué principios de Ralph Kimball siguen siendo críticos en arquitecturas modernas con Microsoft Fabric, qué prácticas evolucionan y cómo combinar Lakehouse, Warehouse, Semantic Models e IA de forma coherente y escalable.

A través de ejemplos prácticos y escenarios reales, veremos por qué:

Medallion Architecture no reemplaza el modelado dimensional.
Direct Lake mejora el rendimiento, pero no corrige malos diseños.
Los modelos semánticos se están convirtiendo en el verdadero contrato entre negocio, analítica e IA.
La IA empresarial necesita contexto estructurado para generar respuestas confiables.

Una sesión orientada a arquitectos, ingenieros de datos, analistas y profesionales BI que quieren construir plataformas modernas sin perder los principios que realmente funcionan.

Más Allá de la Inteligencia Artificial: Estrategias de Integración Moderna en

En esta sesión veremos cómo diseñar arquitecturas modernas que conecten sistemas heterogéneos.

Software Architecture Past, Present and Future en

Software architecture has evolved dramatically over the decades, shaping the way we build, scale, and maintain applications. In this session, we’ll take a deep dive into the past, present, and future of software architecture—exploring how early monolithic designs laid the foundation for today’s distributed, cloud-native, and AI-powered architectures.

We’ll discuss:
The Past – How early computing constraints influenced architectural decisions, from mainframes to monoliths.
The Present – The rise of microservices, serverless, and event-driven architectures in an era of cloud and DevOps.
The Future – The impact of AI-driven software design, autonomous systems, and quantum computing on architecture.

Through real-world case studies and forward-thinking insights, this session will help developers, architects, and tech leaders understand where software architecture is heading—and how to prepare for what’s next.

Join us for an engaging conversation on the evolution of software architecture and the principles that will guide the next generation of scalable, resilient, and intelligent systems.

Habla y Se Hará: Construyendo Infraestructura de Azure con tu Voz en

Imagina desplegar infraestructura empresarial en Azure sin escribir una sola línea de código—solo con tu voz y un asistente inteligente. Si alguna vez jugaste "Simon dice" es lo mismo pero para crear en Azure.

En esta sesión futurista, exploraremos cómo construir soluciones en la nube mediante comandos por voz, impulsados por Azure OpenAI, AI Foundry, Bicep y Azure Speech Services (con un toque especial: Alexa podría convertirse en tu nueva copiloto en la nube).

A través de una demo narrativa y envolvente, mostraremos cómo las instrucciones habladas pueden ser interpretadas, transformadas en plantillas Bicep y ejecutadas para desplegar recursos reales en Azure—desde aplicaciones web hasta servicios de inteligencia artificial—todo en tiempo real.

Aprenderás:

Cómo integrar lenguaje natural con infraestructura como código usando Azure OpenAI y Bicep

Cómo AI Foundry simplifica la orquestación y despliegue de componentes de IA

Cómo crear una interfaz por voz utilizando Azure Speech Services, Alexa o modelos de lenguaje externos

Aplicaciones reales para DevOps, desarrolladores ciudadanos y equipos de IT

Al finalizar, te llevarás un repositorio de GitHub, un entorno de demo reproducible y una visión audaz de lo que podría ser el futuro del DevOps por voz.

“Alexa, constrúyeme una plataforma de datos de nivel empresarial en Azure…”

Real Time Analytics, what's the deal with that? en

As businesses increasingly rely on real-time data to drive decisions, Microsoft Fabric offers a powerful, integrated solution for real-time analytics. This session will explore how Real-Time Analytics in Microsoft Fabric enables organizations to process, analyze, and act on streaming data at scale.

We’ll cover:
Understanding Real-Time Analytics – What it is, why it matters, and how it differs from traditional analytics.
How Microsoft Fabric Powers Real-Time Insights – A deep dive into Fabric’s event-driven architecture, KQL databases, and data integration capabilities.
Use Cases & Industry Applications – How real-time analytics is transforming industries like finance, retail, manufacturing, and cybersecurity.
Demo – Showcasing real-time data ingestion, transformation, and visualization using Microsoft Fabric.
Best Practices & Performance Optimization – How to design efficient real-time analytics pipelines in Fabric.

This session is perfect for data engineers, architects, and business analysts looking to harness real-time analytics for operational intelligence and competitive advantage.

Join us to explore how Microsoft Fabric is revolutionizing real-time data processing—and how you can leverage it for your business.

Del Dato al Modelo: Orquestando Fabric y Azure AI Foundry para IA Empresarial en

Los datos ya no son el nuevo petróleo… son el nuevo copiloto.

En esta sesión técnica y narrativa, descubriremos cómo unir Microsoft Fabric, el nuevo estándar para plataformas de datos unificadas, con Azure AI Foundry, la herramienta clave para la orquestación y despliegue de inteligencia artificial generativa.

A través de una historia realista con demos en vivo, seguiremos el recorrido de una empresa que transforma datos dispersos en decisiones inteligentes y automatizadas. Verás cómo conectar Data Factory, Lakehouse, Notebooks, Semantic Models y Copilots personalizados, para construir un ciclo completo de IA sobre una base de datos moderna.

Aprenderás a:

Orquestar pipelines y modelos desde Fabric hasta AI Foundry

Crear flujos completos de datos → entrenamiento → despliegue → copiloto

Aprovechar OneLake y Fabric para alimentar modelos LLM de forma gobernada

Desplegar copilotos empresariales sobre datos internos sin salir del ecosistema Microsoft

Si alguna vez quisiste tener un "ChatGPT entrenado en los datos de tu empresa", esta sesión es para ti.

Kimball se encuentra con la Ontología: Construyendo plataformas de datos preparadas para la IA es en

La Inteligencia Artificial está cambiando la forma en que las organizaciones interactúan con sus datos.
Pero los sistemas de IA solo pueden razonar sobre datos que estén estructurados, sean significativos y semánticamente consistentes.
Esto plantea una pregunta sorprendente:
¿Son los principios clásicos de diseño de data warehouse más relevantes que nunca?
En esta sesión exploramos cómo los principios de The Data Warehouse Toolkit —incluidos los esquemas en estrella, las dimensiones conformadas y el modelado orientado al negocio— constituyen la base de las plataformas modernas de IA impulsadas por ontologías.
Utilizando capacidades de Microsoft Fabric como Modelos Semánticos, Data Agents, relaciones de Grafos y Fabric IQ, veremos cómo los modelos dimensionales pueden evolucionar hacia capas de conocimiento semántico sobre las que los sistemas de IA pueden razonar.
Aprenderás cómo las arquitecturas modernas combinan:

Modelado dimensional
Ontologías de negocio
Capas semánticas
Agentes y copilotos de IA

para construir plataformas de datos preparadas para la IA.
El resultado es un patrón arquitectónico potente en el que los data warehouses se convierten en plataformas de conocimiento para sistemas inteligentes.
Mensajes clave
Los asistentes aprenderán:
• Por qué el modelado dimensional de Kimball es crítico para arquitecturas de datos preparadas para la IA
• Cómo las ontologías complementan los modelos dimensionales
• Cómo las capas semánticas permiten a los agentes de IA razonar sobre los datos de negocio
• Cómo Microsoft Fabric proporciona los componentes para implementar esta arquitectura
• Cómo diseñar plataformas de datos empresariales preparadas para la IA

Esta session es para Ingenieros de datos, Arquitectos de BI/Analitica y Directores de Tecnologia o Tomadores de Decisiones

Kimball Meets Ontology: Building AI-Ready Data Platforms with Microsoft Fabric es en

Artificial Intelligence is changing how organizations interact with their data.
But AI systems can only reason over data that is structured, meaningful, and semantically consistent.

This raises a surprising question:

Are classic data warehouse design principles more relevant than ever?

In this session we explore how the principles from The Data Warehouse Toolkit — including star schemas, conformed dimensions, and business-oriented modeling — form the foundation for modern ontology-driven AI platforms.

Using capabilities from Microsoft Fabric such as Semantic Models, Data Agents, Graph relationships, and Fabric IQ, we will see how dimensional models can evolve into semantic knowledge layers that AI systems can reason over.

You will learn how modern architectures combine:

Dimensional modeling

Business ontologies

Semantic layers

AI agents and copilots

to build AI-ready data platforms.

The result is a powerful architectural pattern where data warehouses become knowledge platforms for intelligent systems.

Key Takeaways

Attendees will learn:

• Why Kimball dimensional modeling is critical for AI-ready data architectures
• How ontologies complement dimensional models
• How semantic layers enable AI agents to reason about business data
• How Microsoft Fabric provides the components to implement this architecture
• How to design AI-ready enterprise data platforms

This session is for Data Engineers, BI/Analytics Architects, CTO / Decision Makers

Your AI's hippocampus: long-term memory in SQL Server, with two hemispheres (owners) en es

Your AI has amnesia. Every chat starts from zero, and every tool, whether Claude, ChatGPT or Copilot, remembers something different, or nothing. The obvious way out is a memory of your own, outside any tool. But two owners live there: what's yours, and what belongs to your employer, which isn't yours.

The hippocampus is what turns what you lived today into long-term memories; without it, amnesia. In this session we build one for your AI, with the same T-SQL on two engines: SQL Server 2025 on-premises for the personal side and Azure SQL in the cloud for work. Chats come in through MCP ("save this") or by export, get chunked and vectorized inside the database (AI_GENERATE_CHUNKS, AI_GENERATE_EMBEDDINGS), are retrieved by similarity over the VECTOR type, and every query and every crossing between hemispheres is recorded in a ledger table that nobody can rewrite without it showing. Live, we try to jump the wall, watch it get refused, and verify the record on both sides.

We also test the tempting alternative, a single database with row-level security, and see why it falls short when the data has two owners. You'll leave with the schema, the T-SQL and a clear rule: RLS separates users, not owners.

Semantic model, ontology or graph: what your Data Agent needs to understand the business en es

Your Data Agent doesn't understand your business (and it's not the model's fault). You connect it to your lakehouse, ask how many active customers there are, and it answers with complete confidence. The problem is that in your company "active customer" has three definitions, and the agent picked whichever one it liked. You gave it tables and columns, not the meaning of your business.

In this session we take the same data and the same bank of business questions, and solve them with three ways of giving the agent semantics: a Power BI semantic model with descriptions and instructions, an ontology in Fabric IQ, and a relationship graph. We measure how many questions each approach gets right, starting from a baseline with no semantics, and see where each one breaks.

You'll leave with concrete criteria to decide: what type of question each approach solves, who maintains it, how much it costs to build, and what happens when the business changes a definition. Less "the agent hallucinates" and more "the agent didn't know what you did".

Airplane mode: which governance controls survive when you unplug the cloud en es

Pull the cable. Some data can't leave the building: an industrial plant, a hospital, a public agency with sovereignty requirements, a ship at sea. Taking AI there is already possible with local models. The hard part is making governance come along, because almost all your AI controls live in the cloud.

In this session we run the same AI-over-data application in two modes, in Azure and locally with SQL Server 2025 and Foundry Local, and we pull the cable live. Then we go control by control through what keeps working: SQL Server's sensitivity classification decides which data can go to which model, auditing stays local and is forwarded to Sentinel when the connection comes back, and we see what happens to identity, content filters and Purview visibility when there's no cloud to ask.

You'll leave with an honest inventory: which controls have a local equivalent, which ones you have to build, and which ones are simply lost. And a rule of thumb so that "works without internet" doesn't mean "works without rules".

Six layers, one agent: where each control goes (and what it costs you) en es

Your Data Agent answers with the permissions of whoever asks. Your AI Foundry agent has its own identity in Entra ID. And the one connecting with an API key doesn't show up in any log. An agent's security doesn't live in a single place: it's spread across identity, network, workspace, data and model, and it's the architecture that decides which layer can fail without the agent seeing what it shouldn't.

In this session we build the defense-in-depth map for agents across Entra ID, Microsoft Fabric and AI Foundry: which control goes in each layer, what it protects you from and what it costs you. We'll see why a Contributor bypasses OneLake security (and so does their agent), when it pays to split workspaces and what you pay for doing it, how the controls change between an on-behalf-of agent and one with Entra Agent ID, and why the agent's instructions are not a control.

All with live demos: the leak, the fix with a consumption workspace, automated tests that plant decoy data and check, persona by persona, that the agent doesn't reveal it, and event correlation in Sentinel. You'll leave with the complete map to apply to your own architectures.

El hipocampo de tu IA: memoria de largo plazo en SQL Server, con dos hemisferios (dueños) en es

Tu IA tiene amnesia. Cada chat empieza de cero y cada herramienta, sea Claude, ChatGPT o Copilot, recuerda algo distinto, o nada. La salida obvia es una memoria propia, fuera de cualquier herramienta. Pero ahí conviven dos dueños: lo tuyo y lo de tu empleador, que no te pertenece.

El hipocampo es lo que convierte lo que viviste hoy en recuerdos de largo plazo; sin él, amnesia. En esta sesión le construimos uno a tu IA, con el mismo T-SQL en dos motores: SQL Server 2025 en local para lo personal y Azure SQL en la nube para el trabajo. Los chats entran por MCP ("guarda esto") o por exportación, se trocean y se vectorizan dentro de la base (AI_GENERATE_CHUNKS, AI_GENERATE_EMBEDDINGS), se recuperan por similitud sobre el tipo VECTOR, y cada consulta y cada cruce entre hemisferios queda en una tabla ledger que nadie puede reescribir sin que se note. En vivo intentamos saltarnos el muro, vemos el rechazo y verificamos el registro en ambos lados.

También probamos la alternativa tentadora, una sola base con seguridad a nivel de fila, y vemos por qué no alcanza cuando los datos tienen dos dueños. Te llevas el esquema, el T-SQL y un criterio claro: RLS separa usuarios, no dueños.

Seis capas, un agente: dónde poner cada control (y cuánto te cuesta?) en es

Tu Data Agent responde con los permisos de quien pregunta. Tu agente de AI Foundry tiene identidad propia en Entra ID. Y el que se conecta con una API key no aparece en ningún log. La seguridad de un agente no vive en un solo sitio: se reparte entre identidad, red, workspace, datos y modelo, y es la arquitectura la que decide qué capa puede fallar sin que el agente vea lo que no debe.

En esta sesión construimos el mapa de defensa en profundidad para agentes sobre Entra ID, Microsoft Fabric y AI Foundry: qué control va en cada capa, de qué te protege y cuánto te cuesta. Veremos por qué un Contributor se salta la seguridad de OneLake (y su agente también), cuándo conviene separar workspaces y qué pagas por hacerlo, cómo cambian los controles entre un agente on-behalf-of y uno con Entra Agent ID, y por qué las instrucciones del agente no son un control.

Todo con demos en vivo: la fuga, el arreglo con un workspace de consumo, pruebas automáticas que siembran datos trampa y comprueban, perfil por perfil, que el agente no los revela, y la correlación de eventos en Sentinel. Te llevas el mapa completo para aplicarlo en tus propias arquitecturas.

Modelo semántico, ontología o grafo: qué necesita tu Data Agent para entender el negocio en es

Tu Data Agent no entiende tu negocio (y no es culpa del modelo). Lo conectas a tu lakehouse, le preguntas cuántos clientes activos hay y te responde con total seguridad. El problema es que en tu empresa "cliente activo" tiene tres definiciones, y el agente eligió la que le pareció. Le diste tablas y columnas, no el significado de tu negocio.

En esta sesión tomamos los mismos datos y el mismo banco de preguntas de negocio, y los resolvemos con tres formas de darle semántica al agente: un modelo semántico de Power BI con descripciones e instrucciones, una ontología en Fabric IQ y un grafo de relaciones. Medimos cuántas preguntas acierta cada enfoque, partiendo de una línea base sin semántica, y vemos dónde se rompe cada uno.

Te llevas criterios concretos para decidir: qué tipo de pregunta resuelve cada enfoque, quién lo mantiene, cuánto cuesta construirlo y qué pasa cuando el negocio cambia la definición. Menos "el agente alucina" y más "el agente no sabía lo que tú sí".

Modo avión: qué controles de gobierno sobreviven cuando desenchufas la nube en es

Desenchufa el cable. Hay datos que no pueden salir del edificio: una planta industrial, un hospital, un organismo público con requisitos de soberanía, un barco en alta mar. Llevar la IA hasta ahí ya es posible con modelos locales. Lo difícil es que el gobierno la acompañe, porque casi todos tus controles de IA viven en la nube.

En esta sesión montamos la misma aplicación de IA sobre datos en dos modos, en Azure y en local con SQL Server 2025 y Foundry Local, y en vivo desenchufamos el cable. Después revisamos control por control qué sigue funcionando: la clasificación de sensibilidad de SQL Server decide qué datos pueden ir a qué modelo, la auditoría se queda en local y se reenvía a Sentinel al volver la conexión, y vemos qué pasa con la identidad, los filtros de contenido y la visibilidad de Purview cuando no hay nube a la que preguntar.

Te llevas un inventario honesto: qué controles tienen equivalente local, cuáles hay que construir y cuáles simplemente se pierden. Y un criterio para que "funciona sin internet" no signifique "funciona sin reglas".