Fabric Data Agent ya corre Python con Code Interpreter: por qué esta preview sí cambia el tipo de preguntas que un agente de datos puede resolver
Microsoft activó en junio de 2026 el Code Interpreter Tool para Fabric Data Agent. La parte útil para builders no es otro chat sobre datos: es sumar análisis estadístico, cálculos y visualización en un sandbox Python auditable, con NL2SQL mejorado y observabilidad en Foundry alrededor.
Por qué importa
Esta nota se enfoca en la decisión práctica para builders: qué cambia, qué riesgo agrega y cómo aplicarlo sin romper operación.
Muchos “agentes de datos” siguen atrapados en una versión bastante corta del trabajo analítico: traducen lenguaje natural a SQL, devuelven filas y te dejan a ti el resto. Microsoft movió hoy una pieza más útil que eso. En las novedades de junio de 2026, Fabric Data Agent suma Code Interpreter Tool en preview, además de mejoras de NL2SQL y observabilidad en Foundry.
La lectura correcta no es “ahora también tiene Python”. La lectura correcta es otra: el agente ya no se queda en consulta; puede entrar a análisis, cálculo y visualización dentro de un sandbox controlado.
Qué cambia de verdad
La documentación de Microsoft lo explica sin demasiada vuelta. Con Code Interpreter Tool habilitado, el agente:
- recupera datos desde sus fuentes conectadas;
- pasa esos resultados al entorno Python aislado;
- ejecuta análisis, cálculos o visualizaciones;
- y deja visible el código generado y sus salidas en los run steps.
Eso mueve el tipo de preguntas que puedes resolver. Ya no te quedas en “trae la tabla”. Puedes pedir:
- una correlación;
- un heatmap;
- una proyección;
- un análisis de cohortes;
- o una visualización rápida sin salirte a otra herramienta.
El propio ejemplo de Microsoft habla de detectar correlaciones, graficar tendencias y combinar resultados de varias fuentes. Eso es una mejora concreta para cualquier equipo que ya use lenguaje natural como interfaz, pero no quiera renunciar a análisis reproducible.
Lo valioso está en la cadena completa, no en la palabra Python
Yo veo tres mejoras que juntas sí justifican atención.
1. El agente puede enseñar cómo llegó al resultado
Microsoft dice que en los run steps puedes revisar el código Python generado, los inputs y la salida. Eso importa más que el marketing.
La mayoría de equipos no necesita que el agente “parezca listo”. Necesita saber:
- qué calculó;
- con qué datos;
- y dónde falló si el resultado se ve raro.
2. La preview llega al mismo tiempo que NL2SQL mejora
En el mismo bloque de novedades, Microsoft también destaca un Improved NL2SQL Engine para Fabric Data Agent. La combinación es importante: primero mejoras cómo entiende la consulta y después amplías lo que puede hacer con el resultado.
Si falla el primer paso, Python no te salva. Si el primer paso mejora, entonces sí tiene sentido sumar análisis encima.
3. Foundry ya empieza a cubrir la capa de observabilidad
Microsoft también añadió Observability for Fabric Data Agent in Microsoft Foundry en preview. Esa pieza ayuda a no dejar el agente como caja negra, sobre todo cuando ya lo usas como tool dentro de otro agente mayor.
Eso vuelve esta noticia más seria que un simple “feature drop”. Empieza a verse una cadena completa:
consulta -> traducción -> análisis -> visualización -> trazas.
El límite real está en requisitos y madurez
No conviene vender esto como juguete universal.
La guía pone varias condiciones desde el principio:
- capacidad Fabric F2 o superior, o Power BI Premium P1 o superior;
- configuración de cross-geo processing y cross-geo storing para AI;
- y acceso de lectura a fuentes como warehouse, lakehouse, semantic model, KQL database, mirrored database u ontology.
Además, sigue siendo preview. Eso significa que la pregunta sana no es “¿ya reemplaza mi flujo?”. La pregunta sana es:
¿en qué análisis repetibles me ahorra trabajo sin meterme todavía en un callejón de producto en preview?
Dónde sí le veo mejor encaje
Yo lo pondría a prueba cuando el equipo ya vive dentro de Fabric y necesita:
- responder preguntas analíticas sin salir del mismo entorno;
- validar cálculos con trazabilidad;
- generar gráficos rápidos sin exportar a otra capa;
- o usar un data agent como herramienta dentro de un agente más grande en Foundry.
No lo usaría para vender la fantasía de “analista autónomo total”. Ahí es donde estas demos suelen romperse.
Mi lectura práctica
La noticia sí importa porque cambia la frontera entre agente que consulta y agente que analiza. No resuelve todo, pero empuja a Fabric Data Agent a un terreno bastante más útil para builders que ya trabajan con datos reales.
Si estás comparando capas de conocimiento y operación, esta pieza conversa bien con Foundry IQ como infraestructura de conocimiento para agentes. Y si todavía te falta la base antes de meterte en herramientas y permisos, el punto de entrada sobrio sigue siendo el curso gratis.
La conclusión corta es esta: Code Interpreter en Fabric Data Agent importa menos por el Python y más porque empieza a cerrar el loop entre pregunta, análisis y evidencia dentro del mismo agente.