Cómo un Agente de IA Construye tu Modelo Semántico de Power BI — Sin que Escribas una Sola Descripción
En resumen — Desarrollé una Skill en Antigravity que lee los metadatos de Power BI vía MCP, investiga la industria, genera un Context Store semántico y escribe descripciones + KPIs directamente en el modelo. El analista pasa de “constructor manual” a Auditor de Inteligencia.
El Problema que Nadie Quiere Resolver
Seamos directos: la documentación del modelo de datos es la tarea más importante y, al mismo tiempo, la más ignorada en cualquier proyecto de Business Intelligence.
Cada consultor que hereda un modelo ajeno conoce la frustración: tablas sin descripción, columnas con nombres crípticos como Col_14 o Fact_Sales_v2, claves foráneas visibles que contaminan el panel de campos, y cero contexto sobre las reglas de negocio detrás de cada cálculo.
El resultado es predecible:
- Horas perdidas intentando descifrar la intención original del modelo.
- KPIs inconsistentes porque cada analista interpreta las métricas de forma diferente.
- Modelos “mudos” que funcionan técnicamente, pero no comunican nada a quien los consume.
La pregunta que me hice fue simple:
¿Y si el modelo pudiera explicarse a sí mismo?
La Visión: De “Escribir DAX” a “Auditar Inteligencia”
La solución no es escribir más rápido. Es dejar de escribir descripciones manualmente.
He construido una Skill para Antigravity — el agente de IA de Google — que transforma un modelo de datos técnico en un modelo semántico de alto valor de negocio, utilizando el Model Context Protocol (MCP) de Microsoft como puente de comunicación bidireccional con Power BI.
El flujo se resume en una idea: la IA hace el trabajo pesado, el experto valida y ejecuta.
Arquitectura del Sistema
Diagrama: Flujo completo desde la extracción de metadatos hasta la escritura directa en el modelo.
La arquitectura opera en tres bloques:
| Bloque | Función | Componentes |
|---|---|---|
| Input | Extracción de datos crudos | Metadatos Power BI (vía MCP) + Archivos ETL/PDFs |
| Procesamiento | Motor de inteligencia del agente | Web Research → Pattern Matching → Context Store (RAG) |
| Output | Entregables de valor | Archivo Contexto (.md) + Modelo actualizado + Auditoría del Experto |
Las 4 Fases del Proceso
Cada fase alimenta la siguiente. El experto interviene solo en la Fase 4.
3 de 4
Fases Automatizadas
~15 min
Tiempo Estimado
2-5 días
vs. Manual
Fase 1 · Escaneo del ADN del Modelo
El agente se conecta al modelo de Power BI a través del MCP Server y extrae la estructura completa: tablas, columnas, tipos de datos y relaciones existentes.
Pero no se limita a listar objetos. Clasifica la industria analizando los patrones de nombres. Una tabla llamada DimPatient o FactClaim le indica inmediatamente que estamos en el sector salud. DimProduct con FactSalesOrder señala retail.
También identifica la arquitectura del modelo: esquema estrella, copo de nieve o tabla plana. Esta clasificación es crítica porque determina qué KPIs son relevantes y cómo deben estructurarse las medidas.
Fase 2 · Investigación Profunda (Deep Research)
Una vez identificada la industria, el agente ejecuta una búsqueda avanzada en múltiples fuentes:
¿Qué busca exactamente?
- KPIs estándar de la industria — Los indicadores “de oro” que cualquier analista del sector esperaría encontrar.
- Business Questions frecuentes — Las preguntas que los stakeholders hacen con mayor frecuencia.
- Lógica técnica validada — Fórmulas DAX y patrones de cálculo probados.
El Diferenciador Clave
Si el usuario proporciona documentos internos — ya sea código M de Power Query, PDFs con reglas de negocio o diccionarios de datos corporativos — el agente enriquece la investigación genérica con el contexto privado de la organización. El resultado es un cruce poderoso: lo que el mundo sabe de la industria + las reglas específicas de tu negocio.
Fase 3 · Construcción del Context Store
Toda la inteligencia recopilada se consolida en un único archivo Markdown estructurado: el Context Store.
Este archivo actúa como un mapa semántico completo del modelo y se organiza en tres secciones:
Industry Overview
Resumen ejecutivo de la industria, sus desafíos analíticos clave y el contexto de negocio detectado.
Metadata Proposal
Propuesta detallada para cada objeto del modelo:
| Objeto Original | Descripción de Negocio Sugerida | Acción |
|---|---|---|
| FactSales | Tabla de hechos que registra cada transacción de venta con detalle de producto, cliente y fecha | ✅ Visible |
| DimDate | Dimensión de calendario con jerarquías año → trimestre → mes → día | ✅ Visible |
| SK_CustomerID | Clave subrogada de la dimensión de clientes. Uso interno del modelo | 🔒 Ocultar |
| FK_ProductKey | Clave foránea que conecta ventas con productos | 🔒 Ocultar |
| Col_14 | ⚠️ Requiere revisión manual — patrón no reconocido | 🔍 Revisar |
KPI Catalog
Catálogo de medidas DAX sugeridas con justificación de negocio:
// Ejemplo: Medida sugerida por el agente
[Total Revenue] =
SUMX(
FactSales,
FactSales[Quantity] * FactSales[UnitPrice]
)
// Justificación: Ingreso total bruto antes de descuentos.
// Estándar de la industria Retail para reportes ejecutivos.Activo Reutilizable
El Context Store no es un archivo desechable. Es un activo reutilizable que funciona como memoria contextual (RAG) para futuras interacciones con el modelo.
Fase 4 · Auditoría del Experto y Ejecución Directa
Esta es la fase donde el humano toma el control.
El agente presenta el Context Store completo al analista, quien actúa como Auditor de Inteligencia:
- ☑ Industry Overview validado
- ☑ 47 descripciones de columnas → 44 aprobadas
- ☐ 3 columnas marcadas para revisión → Pendiente
- ☑ 12 KPIs propuestos → 10 aprobados
- ☐ 2 KPIs requieren ajuste de lógica → Pendiente
Solo tras la confirmación explícita del experto, el agente ejecuta la escritura directa en el modelo vía MCP:
- Actualiza la propiedad Description de cada tabla y columna.
- Oculta las claves primarias y foráneas para limpiar el panel de campos.
- Crea las medidas DAX en sus respectivas tablas con nomenclatura estándar.
Regla de Oro
La IA nunca modifica el modelo sin aprobación explícita. El experto tiene la última palabra.
¿Por Qué Esto Cambia las Reglas del Juego?
⚡ Velocidad Radical
Lo que antes requería días de entrevistas con stakeholders, revisión de documentación y redacción manual, ahora se resuelve en minutos de supervisión del output del agente.
🎯 Consistencia Garantizada
Se acabaron las descripciones vacías, los KPIs con nombres inconsistentes y los modelos donde cada analista usa una convención diferente. El agente aplica un estándar uniforme en todo el modelo.
🧠 Elevación del Rol Profesional
El analista deja de ser un “picacódigo” y se convierte en un arquitecto de soluciones que valida, ajusta y asegura la calidad del dato. Es la diferencia entre escribir y auditar.
🔒 Privacidad por Diseño
El agente nunca accede a datos de registros (filas). Solo trabaja con la estructura del modelo (metadatos). La información sensible del negocio nunca sale del perímetro.
El Triángulo de la Eficiencia Radical
Donde estos tres pilares se cruzan, nace la eficiencia radical.
El valor real de esta metodología emerge de la convergencia de tres pilares:
| Pilar | Rol | Sin él… |
|---|---|---|
| IA (Antigravity) | Investigación + generación a velocidad de máquina | El proceso tomaría días en lugar de minutos |
| MCP (Conectividad) | Comunicación bidireccional con el modelo de Power BI | Habría que copiar/pegar manualmente cada descripción |
| Experto (Validación) | Auditoría humana que asegura precisión y relevancia | La IA podría generar descripciones incorrectas o KPIs irrelevantes |
Ninguno funciona solo. La IA sin MCP no puede escribir en el modelo. El MCP sin IA requiere ejecución manual. Y sin el experto, no hay garantía de calidad.
Configuración Técnica
Para replicar este flujo, necesitas habilitar tres componentes en Antigravity:
| Componente | Herramienta | Función |
|---|---|---|
| Investigación | Web Search | Búsqueda de KPIs y estándares de industria |
| Conexión | MCP Server (Power BI) | Lectura y escritura de metadatos del modelo |
| Procesamiento | File Reader | Análisis de PDFs, código M y documentos técnicos |
Identidad de la Skill
La Skill opera bajo la identidad de un Arquitecto de Datos Senior con estas capacidades:
- Leer metadatos de Power BI mediante MCP
- Investigar estándares de industria en la web
- Procesar documentos técnicos (PDF/ETL)
- Escribir descripciones y medidas directamente en el modelo
Reglas de Oro (Constraints)
- Privacidad: Solo trabaja con estructura (metadatos), nunca con datos de filas.
- Precisión: Las columnas no reconocidas se marcan como “Revisión Manual”.
- Estética: Nomenclatura limpia → [Total Sales], no [sum_of_sales_amt].
Descarga la Skill
La Skill completa está disponible de forma gratuita en GitHub:
🔗 github.com/CSalcedoDataBI/powerbi-pbip-tools
Incluye:
- ✅ Skill Semantic Architect — documentación completa con workflow de 4 fases
- ✅ Plantilla Context Store — templates, prompts de investigación y convenciones de nombres
- ✅ Ejemplo Retail completo — Context Store de referencia para modelo Contoso
- ✅ Documentación bilingüe (Español + English) — archivos
.en.mdincluidos - ✅ Licencia MIT — uso libre, modifícalo como quieras
Clona solo esta Skill:
git clone --filter=blob:none --sparse https://github.com/CSalcedoDataBI/powerbi-pbip-tools.git
cd powerbi-pbip-tools
git sparse-checkout set skills/skill-semantic-architect-powerbiReflexión Final
El futuro del Business Intelligence no es escribir más código — es orquestar mejores agentes.
Esta metodología me ha permitido escalar mis consultorías y centrarme en lo que realmente genera valor: el análisis estratégico, la validación experta y la toma de decisiones informada. El trabajo mecánico de documentación, que antes consumía jornadas enteras, ahora es una tarea supervisada de minutos.
La transformación es más profunda de lo que parece. No estamos hablando solo de ahorrar tiempo. Estamos redefiniendo el rol del profesional de datos:
De constructor manual → a Auditor de Inteligencia.
Si eres consultor, analista senior o arquitecto de datos, la pregunta ya no es si adoptar estas herramientas, sino cuándo.
¿Te resultó útil este artículo? Compártelo con tu red y dale una ⭐ al repositorio en GitHub.
¿Te resultó útil este artículo?
Tu apoyo me permite seguir creando contenido de calidad.