Latest / M365.FM – Podcast de Microsoft 365, Copilot e IA en español / ¿Python como pegamento en Power Automate? Office Scripts, Copilot y agentes tipados en lugar de flujos frágiles (Doblaje IA)

Transcript

¿Python como pegamento en Power Automate? Office Scripts, Copilot y agentes tipados en lugar de flujos frágiles (Doblaje IA) · M365.FM – Podcast de Microsoft 365, Copilot e IA en español

0:00
Python es el lenguaje de la IA. Incorrecto.
0:02
Dentro de la pila de Microsoft, la IA escribe el pegamento, no tú.
0:05
Sigue metiendo Python en Power Automate y Power BI,
0:07
luego te preguntas por qué tus flujos se tambalean como una silla de tres patas.
0:10
Y tienes la solución.
0:11
Te mostraré por qué la orquestación al estilo de la gente de tipo psicopilot
0:14
convierte en los scripts tipo TypeScript en el pegamento de primera clase,
0:17
llevan Python a análisis contenidos y agrupan la compilación,
0:20
la depuración y la implementación en un único bucle de conversación.
0:23
Quédate para conocer el paso secreto que acaba con la inflación de defectos,
0:25
el error que agota silenciosamente los presupuestos
0:27
y el patrón híbrido que te permite mantener Python sin complicaciones.
0:32
El problema es la fricción de Python dentro de Power Platform.
0:35
Empecemos por lo obvio que de alguna manera no lo es.
0:37
Power Automate no ejecuta Python arbitrario.
0:40
Los scripts de Office con sabor a TypeScript son la superficie de script nativa
0:43
para Microsoft 365 Excel Online.
0:45
Es el camino.
0:46
Cuando insistes en Python, añades Azure Functions, Logic Apps o conectores personalizados.
0:50
Ahora has añadido procesamiento externo, canalizaciones de implementación,
0:53
autenticación y mi favorito, el misterio de tiempo de ejecución.
0:55
¿Por qué esto perjudica a simple economía más probabilidad?
0:57
La configuración externa significa más servicios para configurar,
1:01
más credenciales para rotar y más costes que se acumula incluso mientras duermes.
1:05
La tipificación dinámica añade roulette.
1:07
El código se compila porque no hay compilación,
1:09
luego falla en medio del proceso porque un campo no era lo que suponías.
1:12
En un flujo eso no es bonito.
1:13
Es una aprobación fallida, un SLA incumplido
1:15
y otro ticket titulado urgente escrito en minúsculas.
1:18
Escenario específico, flujos de datos de Power BI.
1:21
Estás transformando datos.
1:22
Copilot ahora puede generar Power Query M o Python para ti dentro de un flujo de datos YEN 2.
1:27
Genial, hasta que combinas esto con un servicio Python independiente para tareas de unión,
1:30
que Power Atomy podría haber gestionado de forma nativa.
1:32
Ahora tu linaje cruza productos.
1:34
Observabilidad, disfruta rastreando un error de un flujo a una función a un flujo de datos
1:38
en el tiempo que tardan tus partes interesadas en preguntar.
1:40
Ya está hecho por séptima vez.
1:42
Flujos de Power Out.
1:44
La cuestión son los conectores nativos y los scripts de Office.
1:46
La gente sigue usando a Python tras un conector para nombrar columnas en Excel.
1:50
Es como llamar a una grúa para que se haga marcha atrás de tu casa.
1:53
El asalto aumenta la fragilidad.
1:55
Los esquemas de conectores varían.
1:57
Las dependencias de funciones envejecen.
1:59
Los permisos se extienden por roles de entra, grupos de recursos y cuentas de almacenamiento que nadie admite.
2:05
Los cuadernos de Fabric, sí, Python es ideal aquí para ciencia de datos, ML y cómputo serio,
2:09
pero al usar cuadernos como pegamento de orquestación, sueldas la lógica de negocio a un kernel de cómputo.
2:14
La programación, validación y ESE se personalizan.
2:18
Una actualización del entorno más tarde,
2:19
Pandas sube a una versión menor y tu simple pegamento se convierte en estatus arqueológicos.
2:24
Los principiantes creen que está simplificando.
2:25
En realidad, están creando un único punto de error de procedimiento con YAML adicional.
2:29
Lo que muchos pasan por alto es que los Office Scripts no son TypeScript de juguete.
2:32
Son la ventaja autorizada para automatizar Excel y las tareas relacionadas de Microsoft 365 sin arrastrar infraestructura.
2:37
Compara eso con TypeScript de nodo completo que podría usar en Azure Functions para APIs sólidas cuando realmente las necesite.
2:43
Python dentro de Power Platform es indirecto por diseño.
2:45
Puede ser.
2:46
Debería ser lo propio.
2:47
Hablemos de matemáticas de costo sin el polvo de hadas.
2:50
Los flujos simples son baratos porque permanecen en la plataforma.
2:52
Los conectores, desencadenadores y scripts de Office se basan en su licencia existente.
2:56
Incorporate Python a través de Functions y pagará en dos monedas, dinero y atención.
3:00
Dinero para la ejecución, el almacenamiento y la red.
3:02
Atención al control de versiones, seguridad de imágenes, secretos, reintentos, ranques en frío y la saga semanal.
3:07
¿Por qué falló a las 2.14?
3:08
Ah, pequeña escala.
3:10
A escala organizacional, esa es una parte de presupuestaria con remordimientos incorporados.
3:14
Los modos de error comunes aparecen una y otra.
3:16
Conectores frágiles donde la especificación Swagger va a un campo detrás de la realidad.
3:20
Desviación de versiones.
3:21
Librería sin anclar porque a alguien le encanta lo más reciente.
3:23
Proliferación de permisos.
3:25
Entidades con derechos temporales que se vuelven permanentes.
3:29
Depuración entre servicios.
3:30
Ejecución de repeticiones en Power Automate.
3:32
Azure Functions y registros de Dataflow como un podcast sobre crímenes reales.
3:35
La verdad.
3:36
La libertad del tipado dinámico es divertida hasta las 3 p.
3:38
El cierre de trimestre y tu flujo tiene éxito con la forma incorrecta.
3:41
Los límites de tipado fuerte detectan la estupidez antes de que se envíe.
3:44
Dentro de Power Platform, los scripts tipo TypeScript y los conectores con esquema te ofrecen esa protección.
3:48
¿Python también puede tener tipos, sí?
3:50
La mayoría de ustedes no los aplica en el flujo.
3:52
No discutan sus archivos de registro y gracia.
3:54
Y ahora de transición que estabas esperando.
3:56
Si la fricción se acumula cada vez que cose código a mano como pegamento que reemplaza el pegamento,
4:00
ingrese la IA que escribe y ejecuta el pegamento por usted dentro de los carriles que optimiza la plataforma.
4:05
Copilot puede traducir lenguaje natural a scripts de Office para tareas de Microsoft 365.
4:11
En Power BI, Copilot usa metadatos de modelos semánticos para generar M o Python con precisión
4:15
y producir andamiajes de informes en segundos.
4:17
Agentes como el de tipos coordinan herramientas con memoria y límites,
4:21
reduciéndole y venir de implementar, depurar y corregir el código.
4:24
Restringes el área de superficie, obtienes bordes tipificados donde importa y mantienes Python donde brilla y mantienes Python.
4:29
Análisis contenidos, no cinta adhesiva.
4:31
Sí, puedes afarrarte a él, pero Python puede hacer cualquier cosa también la cinta adhesiva.
4:35
Solo lo convierte en el sujetador adecuado para aeronaves.
4:37
Mantén la orquestación de todo.
4:39
Deja que la IA acrime el pegamento.
4:40
Coloca Python en cuadernos o servicios diseñados para él.
4:43
Gastarás menos, te romperás menos.
4:45
Y esta es la parte que duele.
4:46
¿Envía más?
4:48
Porque FIRE en los enfoques actual.
4:50
Código manual y manuales de estrategias.
4:52
El ciclo de codificación manual aparecerá hoy con pizarra.
4:54
Requisitos, código, despliegue, prueba, ajuste, reenvío.
4:57
En realidad es un juego lento de golpear al topo.
4:59
Las reglas de negocio cambian a mitad del sprint.
5:01
Tu esquema final cambia para el almuerzo.
5:03
Y la única constante es otra reimplementación.
5:05
En Power Platform, ese bucle es aún más doloroso porque cada salto de Power Automate a Azure Functions y a Power BI amplifica la fricción y multiplica los modos de error.
5:15
Los males de estrategias estáticos son atrás.
5:17
Escribiste el manual de ruta dorada para lógica de fin de trimestre.
5:20
Luego ventas y vende un descuento.
5:23
Finanzas cambian el reconocimiento de ingresos ilegal.
5:25
Añade una aprobación de cuatro pasos ayer.
5:27
Tu pegamento de Python en Functions no se dobla.
5:30
Se agrede.
5:30
Actualizas el código, subes dependencia, reconstruyes contenedores que los inicios en frío aman aparecer en las demos ejecutivas.
5:37
Fascinante, ¿verdad?
5:38
La verdad que casi todos evitan la libertad del tipo dinámico se siente rápido estando...
5:41
A escala en flujos es la ruleta de errores.
5:44
Un campo opcional cambia de cadena en número y tu función navega felizmente hasta que una rama espera texto y lanza la excepción en tiempo de ejecución.
5:52
Eso no es una prueba unitaria fallando, es producción clasificando erróneamente las transacciones en silencio.
5:57
Y si tu registro de auditoría es básicamente una novela corta.
5:59
La observabilidad es una búsqueda del tesoro.
6:01
Los errores se originan en Power Automate, se transforman dentro de un conector personalizado, activan una función de Python, rebotan en Dataflow Gen 2 y finalmente aparecen como un mosaico roto en Power BI, FEI.
6:11
Ahora lees cinco registros que no coinciden en el formato de marca de tiempo.
6:14
A esto lo llamas investigación.
6:16
Los usuarios lo llaman TOE, no tenemos los números.
6:18
MicroStory.
6:19
Un equipo recortó horas de informes mensuales al consolidar las transformaciones en una sola función de Python.
6:24
Funcionó hasta que resurgieron los conflictos de dependencia.
6:26
Una actualización menor de pandas cambió el valor por defecto, su función forzó nulos y dos semanas después, sus informes de varianza estaban lo bastante errados como para ser peligrosos.
6:35
Lo ha arreglado.
6:36
Luego volvió a ocurrir porque la fijación estaba en el backlog.
6:38
La recurrencia de errores no es un misterio, es un flujo de proceso.
6:41
Y la gobernanza.
6:42
Los conectores personalizados envejecen Google.
6:43
Las especificaciones de API abiertas se distancian de la realidad.
6:46
Los tokens caducan.
6:47
Los principios de servicio acumulan derechos excesivos.
6:50
Su otro elegante pipeline es hoy una máquina de Rubo Goldberg con hallazgos de SOC.
6:54
El bucle manual no solo cuesta tiempo, sino que acumula deuda operativa.
6:58
Cada solución rápida es una futura caída con SID en el calendario.
7:01
El centro no puede sostenerse porque el centro es un pegamento frágil.
7:04
El código manual funciona cuando el dominio es estable.
7:06
La lógica de negocios de Power Platform no es estable.
7:09
Por lo tanto, preste atención.
7:10
Su orquestación debe ser adaptable, escrita en los bordes y generada cerca de las primitivas de la plataforma, no cosida a mano muy lejos.
7:17
Deje tratar el pegamento con una aplicación.
7:19
Deje que un agente orquesta y restringa.
7:21
El mejor método.
7:22
Escriba agente más copilot como orquestador.
7:25
Ingrese el modelo que no compita con la plataforma.
7:27
Los agentes generan, llaman herramientas, observan resultados y revisan.
7:30
Un código gratuito, llamadas herramientas con barandillas.
7:34
Le da a la gente una caja de herramientas limitada.
7:36
Scripts de Office para acciones de Microsoft 365.
7:39
Power BI Dataflow Gen 2 para transformaciones, conectores para el movimiento de datos e interfaces estrictamente escritas entre ellos.
7:46
El agente mantiene el contexto y razona entre pasos y solo escribe código donde pertenece el código.
7:50
Empiece con scripts de Office y Copilot.
7:52
Usted escribe el resultado.
7:54
Cuando una fila nueva llega a esta tabla, normaliza fechas, rellena huecos y envía un resumen por email a probadores.
7:58
Copilot traduce eso en scripts de Office y pasos de flujo similares a TypeScript.
8:03
No hay entorno externo, ni contenedor que reforzar, ni almacén secreto que vigilar.
8:07
El código se encuentra donde residan los dos.
8:09
Excel en línea SharePoint OneDrive y tu flujo.
8:11
Unen conectores nativos.
8:13
Menos partes móviles, menos formas de fallar.
8:15
Lo que la mayoría ignora es que los bordes tipados existen aquí.
8:18
Dos modelos de objetos, las firmas de métodos y los esquemas de conectores imponen la forma antes de que el entorno de ejecución active la licuadora.
8:24
Pasa a Dataflow Gen 2 con Copilot.
8:26
Las indicaciones se convierten en Power Query M o Python, pero con contexto.
8:29
Copilot es consciente del modelo semántico.
8:31
Conoce tus tablas, columnas, medidas y sinónimos, por lo que la generación está anclada a tu realidad, no un esquema alucinado.
8:38
Necesitas un andamiaje de forma rápida.
8:40
Copilot crea una página con imágenes en pocos segundos.
8:42
No por arte de magia, porque aprovecha los metadatos que ya has seleccionado.
8:45
Valida las diferencias, bloquea el patrón, y esto es importante, manténlo, que estación fuera de Python.
8:51
Usa Python dentro del flujo de datos para los núcleos de análisis, no para renombrar columnas o hacer ping a las aprobaciones.
8:56
Ahora incorpora typeagent.py o un marco de agente similar para el razonamiento de varios pasos.
9:00
El agente no reemplaza tu gobernanza, la hace cumplir.
9:04
Recuerda errores anteriores, elige la herramienta correcta y recupera de forma inteligente.
9:07
La precisión en herramientas y retener contexto importa aquí.
9:10
Cuando el agente decide sistemáticamente actualizar la hoja de cálculo, en vez de enviar un email, evitas errores humanos de gestión.
9:16
El tiempo de resolución se reduce porque el agente gestiona el proceso previo.
9:20
Genera script, realiza pruebas con la muestra, valida los resultados y solo entonces promueve los cambios.
9:25
Esto funciona por su arquitectura simple.
9:27
Restringe la superficie.
9:28
Establece límites tipados estáticamente en las uniones.
9:31
Abre esquemas de API en conectores, modelos de objetos de OfficeScript y modelos semánticos en Power BI.
9:36
Dentro de esos límites deja que la IA genere código a medida.
9:39
La razón por la que esto reduce los defectos no es sobrenatural, es la validación previo.
9:43
Detectas errores de forma antes de que se conviertan en interrupciones.
9:46
Y como el agente conserva la memoria, eliminas la recurrencia.
9:49
El error que regresa porque tu corrección no actualizó el patrón, solo el archivo.
9:53
Cambio práctico.
9:54
Python sigue dominando.
9:56
Dentro de los cuadernos de fábrica, los flujos de datos para el modelado analítico avanzado y el aprendizaje automático.
10:00
Dejas que Copilot te ayude con el análisis exploratorio de datos, los patrones de vectorización y el código de visualización.
10:06
En torno a eso, el agente gestiona el perímetro.
10:07
La programación, la validación, la SLSS y la política.
10:12
Los agentes activan cuadernos, validan salidas y enrutan resultados sin inventar una orquestación a medida en Python.
10:18
No sueldas la lógica empresarial a un núcleo, separas las preocupaciones como un adulto.
10:22
Los scripts de Office y Copilot ofrecen victorias.
10:24
El agente impone la repetibilidad.
10:26
Este es el atajo que nadie enseña.
10:28
Odifica las indicaciones como recursos.
10:29
Trátalas como plantillas con variables y criterios de aceptación.
10:32
Si no recuerdas nada más, captura la indicación correcta y la forma esperada de las salidas.
10:39
El agente puede reutilizarla, adaptarla y comparar el resultado con tus contratos.
10:43
Si es como se contrae, construye, depura e implementa en un bucle de conversación que sigue estando gobernado.
10:47
El gran cambio del que nadie habla son los contratos tipados para herramientas de ejecución.
10:51
Defines los esquemas de entrada y salida.
10:53
El agente puede validar antes de ejecutar un solo paso en producción.
10:56
Compara eso con simplemente ejecutar Python y rezar para que tu JSON oje en una propiedad adicional.
11:00
Y si Python se puede tipificar.
11:01
La cuestión es la disciplina en los límites, no la lealtad a la lengua.
11:04
En Power Platform, los límites son los dominios de Microsoft Office, Power BI, Dataverse, PowerWatverse.
11:09
Por lo tanto, usa las primitivas que optimizan.
11:11
Una vez que lo dominas, todo lo demás encaja.
11:13
El versionado es menor superficie, indicaciones y scripts no monolito.
11:17
La observabilidad está centralizada.
11:18
El historial de ejecución de Power Automate, linaje de datos y rastros de agente.
11:22
No cinco paneles de registro aislados.
11:24
El coste disminuye porque retira las funciones de Azure que solo hacían tareas de creación de trabajo.
11:29
Y las tasas de defectos disminuyen porque tu orquestador está estarudo, no artesanal.
11:33
Ahora, podrías estar pensando, esto suena a ceder el control.
11:36
Incorrecto.
11:37
Estás subiendo el control a nivel superior.
11:38
Tú decides los contratos, las herramientas, las barreras de seguridad y las puertrevisión.
11:41
El agente realiza la unión más rápido que tu bucle humano y es menos propenso a errores.
11:45
Reservas Python para análisis de alto valor donde las bibliotecas se ganan la vida.
11:50
Eso no es rendición, es estrategia.
11:52
Deja que te muestre exactamente cómo se siente esto en la parte.
11:54
Llega una solicitud.
11:56
Necesitamos un informe semanal que limpia archivos CSV, los enriquezca con Dataverse,
12:00
los pase a un modelo semántico y avise a los aprobadores.
12:02
La forma antigua, crear una función Python, conectar un conector personalizado,
12:05
pelear con OAuth y corregir tipos tres veces.
12:08
La nueva forma.
12:09
El agente llama a Dataflow Gantos a través de Copilot para generar las transformaciones,
12:13
válida las columnas con el modelo, utiliza scripts de Office para preparar la entrega de Excel,
12:17
activa un flujo para notificaciones y registra el linaje.
12:20
Sin pegamento a medida, sin representación a medida.
12:22
Esto funciona porque dejaste de usar Python como cinta adhesiva en una plataforma diseñada con sus propios sistemas de fijación.
12:27
Dejas que la guía escriba pegamento cerca de las uniones, no en el hueco.
12:30
Cuando el negocio cambia, alerta de spoiler lo hará.
12:33
Actualizas un aviso, no una imagen de contenedor.
12:35
Así es como sigues haciendo envíos, mientras todos los demás siguen en el infierno de la dependencia,
12:39
aplicando finanzas porque la última finanza porque la última funetaria.
12:42
Aplicación 1.
12:43
Flujos de datos de Power BI generados en Python, no escritos a mano, y es donde se enciende la bombilla.
12:48
En Power BI no te pagan por escribir en M artesanal o en Python a medida.
12:51
Te pagan por entregar datos limpios e informes de trabajo.
12:54
Copilot, dentro del flujo de datos Gen 2, te permite establecer la transformación en un lenguaje sencillo,
12:58
luego genera Power Query M o así Python, anclado a tu modelo semántico real.
13:02
No tablas de fantasía, tus tablas, columnas y medidas.
13:06
Esa conciencia semántica acaba con toda una categoría de caos de columnas, no encontradas antes de que empiece.
13:12
¿Por qué es importante generación más contexto equivale a menos errores tontos?
13:15
Lo que muchos pasan por alto es el ciclo de revisión.
13:18
No confías en la carnega.
13:19
Lo usas para redactar rápido, luego revisas el div y bloqueas el patrón cuando es correcto.
13:23
Desde ahí, usa Copilot para iterar con prompts, no con ediciones manuales, sin fin.
13:26
Estás tratando el código como una plantilla con variables en lugar de un diario de las sensaciones de tu teclado.
13:32
¿Cómo es el flujo de trabajo?
13:34
Indicas las transacciones de ventas, filtras los últimos 12 meses, normalizas los formatos de fechas,
13:38
haces una unión izquierda al maestro de clientes y calculas el margen bruto.
13:41
Copilot propone M o Python.
13:43
Previsualizas el resultado frente a la muestra,
13:45
validas los nombres de las columnas frente al modelo semántico y fijas el paso.
13:49
¿Necesitas Python para un núcleo de análisis como detección de valores atípicos o descomposición estacional?
13:53
Bien, deja que Copilot lo genere dentro del flujo de datos, pero deja la orquestación fuera de él.
13:58
Python calcula la plataforma orquesta.
14:00
Victoria rápida, andamiaje de informes.
14:03
Copilot puede generar una página inicial con elementos visuales en segundos.
14:07
No es magia, son metad.
14:08
¿Ya nombraste tus medidas, agregaste sinónimos y seleccionaste relaciones?
14:12
Copilot aprovecha eso para colocar gráficos de forma inteligente.
14:15
Ahorras el trabajo pesado y dedicas tiempo a refinar lo que importa,
14:18
la lógica empresarial y la presentación.
14:21
Errores comunes que aumentan los defectos.
14:23
Primero, dejar que el Python generado por Copilot desarrolle tentáculo.
14:27
Si empiezas a renombrar columnas, llamar a puntos de conexión externos
14:29
o incrustar lógica de flujo de trabajo, habrás vuelto a caer en un pegamento quebradizo.
14:33
Segundo, saltar revisiones de código porque lo escribió la IA.
14:36
No, añade revisiones estandarizadas, usa una lista,
14:38
válida forma de columna, gestiona nulos explícitamente
14:40
y haz las uniones deterministas.
14:42
Tercero, mezcla la orquestación y el análisis.
14:45
Si integras lógica de aprobación en una transformación de Python,
14:48
garantizas que el próximo cambio de esquema rompa tu flujo.
14:50
La regla híbrida aquí es simple, Python para los núcleos de análisis M
14:54
o pasos nativos de la plataforma para la fontanería.
14:57
Usa Dataverse o OneLake para las entradas y salidas que el resto de la plataforma entiende.
15:01
Cuando necesites ajustar la transformación, cambia la indicación y valida la diferencia,
15:06
en lugar de tener que revisar una función de 400 líneas.
15:08
Los cambios de negocio son ediciones de intención, no cirugía el pegamento.
15:12
Y sí, la observabilidad mejora.
15:13
El linaje del flujo de datos revela que no traje.
15:16
Los pasos propuestos por Copilot forman una cadena elegible en lugar de un conjunto de scripts hechos a mar.
15:20
Cuando algo falla, se soluciona el problema en un solo lugar.
15:23
Compare eso con su antiguo patrón.
15:24
Power Automate activa un conector personalizado, accede a una API de Python que modifica columnas,
15:28
y luego escribe en un lago que olvidó etiquetar, cantador.
15:31
La recompensa es velocidad con menos sorpresa.
15:33
Genera, revise, registra.
15:35
Reserva a Python para las matemáticas pesadas donde sigan la vida.
15:37
Y cuando el director financiero inventó la métrica, un martes actualizas un prompt y revalidas
15:41
sin tener que desplegar una imagen de contenedor.
15:44
Intente fingir que eso no.
15:45
¿Se estabilizó el flujo de datos?
15:46
Bien.
15:47
Elimine ahora ese frágil pegamento que vive gratis en Power Automate.
15:50
Aplicación 2.
15:51
Power Automate.
15:52
Reemplace el pegamento de Python con Office Scripts más agentes.
15:56
En Power Automate.
15:56
El movimiento correcto es aburrido a propósito.
15:58
Conectores nativos y Office Scripts.
16:01
Describe tus pasos.
16:02
Copaylo, redacta el flujo en Scripts, y mantienes todo dentro de Microsoft 365.
16:06
Sin Azure Functions, sin andamiaje de conectores personalizados,
16:09
sin parches de cifrado SSL a medianoche en un contenedor que olvidaste que existía.
16:13
Revelación impactante.
16:14
Cuando reduce las partes móviles, reduce los errores.
16:16
¿Por qué Office Scripts?
16:18
Porque tiene un sabor a TypeScript con un modelo de objetos definido
16:20
que te proporciona aristas tipadas, firmas de métodos y formas predecibles
16:23
antes de que el tiempo de ejecución tenga la oportunidad de avergonzarte.
16:26
Copaylo se vuelve.
16:28
Para cada nueva fila de esta tabla, normaliza las cadenas de fecha,
16:31
calcula un estado, y envía un correo electrónico al propietario
16:34
con un resumen en exactamente eso, un flujo más un script.
16:37
Tus datos permanecen cerca de Excel SharePoint en OneDrive.
16:40
Tu gobernanza se mantiene más sencilla, y tu tasa de defectos disminuye
16:43
porque eliminaste el desvío a Doc de Python al que le encantaba interrumpirse los martes.
16:46
¿Cómo estructurar o para que se escale?
16:48
Tu opta un patrón impulsado por agente.
16:50
El agente, agente de tipo o similar selecciona herramientas de una caja de herramientas restringida.
16:55
Invoca Office Script, llama a un conector de gráficos, escribe en Dataverse, envía una aprobación.
16:59
Las entradas y salidas son extremáticas.
17:00
El agente valida las condiciones previas, ejecuta una prueba con la muestra y solo entonces promueve el cambio.
17:06
La precisión al llamar herramientas importa, nombra las inambigüedad.
17:08
Actualizar la tabla es mejor que hacer cosas.
17:12
Cuando el agente elige sistemáticamente la herramienta correcta,
17:14
dejas de conectar la acción incorrecta al desencadenador correcto.
17:16
Victorias rápidas que eliminan el pegamento de Python.
17:19
Operaciones en Excel, limpiar columnas, eliminar duplicados y campos.
17:22
Los scripts de Office gestionan todo esto de forma nativa.
17:25
Aprobaciones y notificaciones, acciones nativas en minutos, autenticación personalizada a 0.
17:29
Actualizaciones de Dataverse y SharePoint.
17:31
Conectores que reconocen metadatos no llamadas HTTP directas.
17:34
Los costes bajan porque no pagas por procesamiento activo solo para renombrar columnas.
17:37
El tiempo de resolución se reduce porque tu agente puede generar, probar e iterar
17:41
sin que un humano configure un contenedor de desarrollo.
17:44
Y tu equipo de seguridad, deja de mirarte mal porque eliminaste
17:46
ese endpoint de API desconocido que alguien etiquetó como temporal.
17:49
Errores que debes evitar porque por supuesto lo probarás.
17:51
Primero, forzamos Python mediante un conector propio para tareas triviales.
17:55
Si el trabajo es remodelar una tabla, usa scripts de Office.
17:58
Segundo, ignora la gobernanza.
18:00
Los scripts requieren versionado, revisión y normas de nombres.
18:03
Trátalos como código porque lo son.
18:05
Tercero, enterrar la lógica empresarial en 5 flujos sin contratos de tipo.
18:09
Define tus esquemas de entrada y salida por adelantado.
18:13
El agente puede aplicarlos, la plataforma los validará y producción te lo agradecerá.
18:17
Aún quieres Python.
18:18
Ponlo donde pertenece.
18:19
Análisis.
18:20
Si un flujo necesita predicciones o transformaciones avanzadas,
18:23
llama a un servicio adecuado.
18:23
Trabajo de cuaderno de fabric, punto final de ML,
18:27
detrás de una API limpia, no una aplicación flask improvisada que alguien dejó en un nivel gratuito.
18:31
El flujo orquesta, Python calcula, interactúan a través de un contrato, no a través de vibraciones.
18:36
La sutil ventaja de los scripts de Office más los agentes es la facilidad de mantenimiento.
18:40
Los prompts son activos, los scripts se vuelven herramientas útiles.
18:43
Los flujos son capas de orquestación finas, no museos de lógica.
18:45
Cuando cambia los requisitos, actualizas un aviso y, si es necesario, un script con una revisión,
18:50
en lugar de volver a visitar toda una pila de conectores personalizados.
18:53
El agente recuerda la corrección anterior, reutiliza el patrón y evita que se repita, que se repita.
18:57
Así es como conviertes, pasamos la tarde depurando tipos en, enviamos, antes del almuerzo.
19:02
La verdad, en Power Automate Python como pegamento es la dificultad performativa.
19:06
Demuestrar que puedes, mientras la plataforma te ofrece en silencio un camino más simple y seguro.
19:10
Úsalo.
19:11
Aplicación 3. Los cuadernos de Fabric contienen Python, automatiza el perímetro.
19:14
En Fabric, Python finalmente se encuentra donde es más fuerte, el núcleo de cómputo.
19:18
No el timbre de la puerta ni el trabajo de conductos.
19:21
Mantienes la lógica empresarial en los bordes y dejas que el cuaderno haga análisis, modelado y transformaciones pesadas.
19:26
El perímetro, la programación, la validación y la política de S son de los agentes y de las herramientas TypeScript.
19:31
¿Por qué es importante?
19:32
Cuando suelda la orquestación a un cuaderno, cada ajuste del entorno se convierte en un incidente de producción.
19:37
Preocupación es separar.
19:38
Si la gente llama al cuaderno a través de una API de trabajo limpia, pasa entradas tipificadas y espera salidas tipificadas y espera tipificadas.
19:44
Si la forma se desvía, falla rápidamente en el borde, no a la mitad de una ejecución de 20 minutos.
19:48
Así se ve esto en la práctica.
19:50
Copilot ayuda dentro del cuaderno para edad, vectorización y andamiajes de visualización.
19:54
Sigues revisando y fijando versiones de bibliotecas.
19:56
Adultos, ¿recuerdas?
19:57
El agente gestiona canalizaciones, activadores al llegar datos, ejecuta una comprobación de esquema, inicia el trabajo del cuaderno y valida las salidas con respecto al contrato antes de publicarlas en OneLake o en un modelo semántico.
20:07
Cuadernos de control de versiones como cuyo.
20:09
Nacen indicaciones que generan funciones auxiliares.
20:11
Salidas de pruebas unitarias, métricas, distribuciones, recuentos de filas en lugar de tuberías línea por línea.
20:16
Victoria rápida.
20:17
Indica Copilot que genere un paso de descomposición estacional.
20:20
Guárdalo en el cuaderno y deja que el agente organice reintentos y alertas.
20:24
La lógica empresarial reside en contratos declarativos.
20:26
Python sigue siendo computacional.
20:28
Errores que se deben evitar.
20:29
Ocultar aprobaciones o renombrar dentro del cuaderno.
20:32
Acoplar flujos a puntos de conexión ad hoc o almacenar la única definición de un KPI dentro de un comentario de sed.
20:36
No hagas arqueología.
20:38
Haz arquitectura.
20:40
Ahora cuantifícalo para que finanzas deje de suspirar.
20:42
Resultados.
20:43
Ahorro de tiempo.
20:44
Reducción de costes.
20:44
Defectos.
20:45
Paradas.
20:46
La generación asistida por IA colapsa el ciclo de construir, depurar y desplegar.
20:49
Copilot redacta transformaciones y scripts.
20:51
El agente realiza pruebas como estas antes de la promoción.
20:54
Reduces el retrabajo y el cambio de contexto porque la orquestación permanece nativa y el código se encuentra donde se ejecuta.
20:59
A continuación, retira las funciones de Azure que renombraban columnas, mantén los flujos en la plataforma, los cuadernos en Fabric y apegaban Office Scripts.
21:06
Pagas menos en computación y mucho menos en atención.
21:09
Sin parches de contenedores, menos secretos y menos caídas en fin de semana.
21:12
Defectos por último.
21:13
Límites escritos en conectores, modelos de objetos de Office y Clip y metadatos semánticos que detectan errores de forma pronto.
21:19
Las protecciones, la precisión de herramientas y la retención del contexto eliminan el ciclo de arreglar y romper todo.
21:25
La recurrencia disminuye porque actualizas patrones, no solo archivos.
21:28
Métricas prácticas a seguir.
21:30
Tiempo de resolución por incidente, tasa de éxito, en llamadas herramientas y plazo de cambios.
21:35
Lista de implementación.
21:36
Elige tu orquestador.
21:37
Define contratos.
21:38
Usa plantillas para prompts.
21:39
Añade puertas de revisión y monitorea todo centralmente.
21:41
Python no ha muerto ha sido degrada a su especialidad.
21:45
Bien, así es como se envía.
21:46
Contra argumento y refutación, pero Python domina la ciencia de datos.
21:50
Si Python domina la ciencia de datos, bibliotecas, comunidad, cuadernos, todo.
21:53
En Fabric, esa es la razón exacta por la que lo mantienes en cuadernos y núcleos de análisis.
21:57
Es el motor, la verdad.
21:58
Los motores no gobiernan los semáforos.
22:00
La orquestación son carreteras, señales y reglas.
22:03
Ese es el dominio de Power Platform.
22:05
Conectores, Office Scripts, Dataflogan 2 y Copilot.
22:09
Esto es lo que casi todos confunden.
22:11
Dominar análisis no equivale a ser apto para el pegamento en la pila de Microsoft.
22:15
En Power Automate, Python es un cálculo externo, indirecto a través de funciones de Azure o conectores personalizados.
22:21
Sueña de costes, secretos, arranques en frío y de fase de versiones.
22:24
Mientras tanto, los scripts de Office se ejecutan donde residen tus datos de Microsoft 365 y Copilot los redacta a lenguaje sencillo.
22:30
Estás eligiendo fricción frente a velocidad nativa.
22:32
Necesitamos lógica personalizada.
22:34
Bien, ponlo tras límites escritos.
22:36
Usa un trabajo de Fabric Notebook o un punto de conexión de ML para predicciones y transformaciones pesadas.
22:40
Expone una API limpia.
22:41
Deja que el flujo se orqueste con contratos, no con vibraciones.
22:44
Disfrutas de la potencia de Python sin programar manualmente cada aprobación, cambio de nombre o salto de archivo en una flash que no parcharás.
22:49
La trayectoria de Microsoft refuerza esta división.
22:53
Los scripts de Office son la ventaja de los scripts autorizados para M3.5.
22:57
Copilot es consciente del modelo semántico en Power BI Dataflow Gen 2 generando M o Python anclado a tus metadatos.
23:03
Los agentes mejoran la precisión de las llamadas herramientas y la retención del contexto haciendo el pegamento fiable y auditable.
23:09
Nada de eso requiere que incrustes la orquestación en Python.
23:11
La tecnología híbrida no es un compromiso, es el diseño.
23:13
Los scripts y agentes con estilo TypeScript manejan el perímetro, Python manejan el computador, Python manejan el computador.
23:18
Se reúnen en API o colas tipificadas.
23:20
Reduces el tiempo de resolución, bajas costos de ejecución y cortas la recurrencia de defectos al hacer las uniones explícitas.
23:25
Usa Python de enbrille.
23:27
Deja de forzarlo a ser cinta adhesiva.
23:29
Anual de implementación en tus próximos 30 días.
23:31
Se van a un auditoría.
23:32
Etiqueta cada flujo de trabajo y datos como pegamento o análisis.
23:35
Resalta Python en funciones que tocan aprobaciones, renombran o archivan antipatrones de SST.
23:40
Documenta entradas, salidas y puntos críticos de FAI.
23:42
Extra de métricas reales, el tiempo de resolución de incidentes, el tiempo de entrega de cambios y la tasa de éxito de llamadas si usas a gente.
23:48
Si no las tienes bien, establece la línea de base ahora.
23:51
Semana 2. Migra el pegamento trivial.
23:53
Reemplaza los puntos finales de Python usados para tareas de Excel o SharePoint con scripts de Office más conectores nativos.
23:59
Usa Copilot para redactar scripts desde un inglés simple.
24:02
Después añade una lista de revisión ligera.
24:04
Las formas de columna, el manejo de nulos e idempotencia.
24:06
Estandariza las plantillas y nombre sus scripts como adultos.
24:09
Verbo, sustantivo y alcance, no como scripts finales.
24:11
2. Crea versión en su repositorio.
24:13
Sí, los scripts son COID.
24:15
Semana 3. Refactorice el flujo de datos.
24:17
Mueva las transformaciones escritas a mano a la generación asistida por Copilot en Dataflogin 2.
24:21
Mantenga la orquestación fuera de Python.
24:22
Resérvela solo para los núcleos de análisis.
24:25
Válide con su modelo semántico.
24:26
Nombres de columna, tipos de datos y medidas.
24:28
Capture la diferencia que acepte y añádala a su biblioteca de prompts para que el siguiente cambio sea una edición, no una expedición.
24:34
No una expedición.
24:34
Semana 4. Introduzca un agente para la orquestación compleja.
24:38
Restrinja la caja de herramientas, la hoja de cálculo, actualizar tabla, dataverse.doc.observ, dataflow.run, email.send.
24:45
Defina los contratos de tipo para cada herramienta, incluyendo cargas útiles de muestra y criterios de aceptación.
24:50
Active la validación previa a la ejecución con muestras y mida la precisión de llamadas y tiempo de resolución.
24:54
Si el agente falla, ajusta el patrón y actualice prompts, esquemas o nombres de herramientas para reducir la recurrencia.
25:00
Gobernanza en todo momento.
25:02
Aplique interfaces tipificadas en cada costura.
25:04
Ponacen indicaciones junto con el código.
25:06
Añada puertas de revisión a los scripts y al flujo de datos.
25:08
Centralice la telemetría y la historia de la ejecución de Power Automate, el linaje de datos y seguimientos de agentes en un panel.
25:14
Los planes de reversión no son negociables.
25:16
Versiones de script anteriores, último flujo de datos bueno conocido e instantáneos de trabajos de bloc de notas.
25:21
Criterios de salida al día 30.
25:23
Menos conectores a medida para unión trivial.
25:25
Reducción medible del costo operativo.
25:27
Cambios rápidos con menor radioimpacto de interfaces que permiten a un nuevo integrante desplegar en un día, no en una semana.
25:33
Python permanece dentro de los cuadernos y los núcleos de análisis.
25:36
El enlace.
25:37
Se genera, se escribe y se aburre.
25:39
Ese es el punto.
25:41
Conclusión clave.
25:42
En el ecosistema de Microsoft, los agentes y los scripts de TypeScript se orquestan con limpieza,
25:46
mientras Python queda limitado al análisis donde sus librerías sí rinden.
25:50
Si esto le ahorró tiempo, pague la deuda.
25:53
Suscríbase.
25:54
Ve el seguimiento sobre cómo crear su primer manual de agente con contratos de herramientas tipificados y puertas de revisión.
25:59
Realizarás envíos más rápidos, con menos cortes y finanzas dejará de suspirar al ver tu factura.
26:03
No.