Julio 2026 · webinar
Databricks Genie en producción
Por qué un Genie que contesta bien en la demo falla con usuarios reales, y qué hay que preparar antes de abrirlo.
79 asistentes en vivo · +120 en el pico · 1 h 17 min
📍 Lima, Perú
AI ENGINEER · AGENTES EN PRODUCCIÓN
No solo hablo de IA agéntica.
La construyo y la despliego.
Agentes que atienden clientes, cotizan pólizas y resuelven tickets de soporte — hoy, en producción. Construyo eso y la plataforma de datos que lo sostiene, porque la mayoría de los agentes no falla por el modelo: falla por lo que tiene debajo.
↓ SCROLL PARA TRANSFORMAR · CLICK PARA DESINTEGRAR
NIX · avatar IA de Manuel
36+
Agentes construidos
5+
Operando en producción
13+
Años en datos
CONSULTORÍA E IMPLEMENTACIÓN
Dos carriles que se necesitan.
Se pueden contratar por separado. Pero el segundo sin el primero es lo que hace que un agente se quede en demo.
Soluciones agénticas
Del caso de uso al agente operando, con evaluación y humano en el loop.
Arquitectura y patrón del agente
Decidir si el caso necesita un agente o varios, qué resuelve el modelo y qué se resuelve con reglas. La mayoría de los problemas de fiabilidad se evitan acá, no después.
Orquestación y acceso gobernado a los datos
Qué herramientas puede usar el agente, con qué permisos y sobre qué tablas. Nunca ve más de lo que le corresponde.
Conocimiento y recuperación
Documentos, histórico y búsqueda híbrida para que responda con lo tuyo, no con lo que recuerda del entrenamiento.
Evaluación sobre casos reales
Un banco de casos tomados de tu operación, con revisión automática y humana. Sin esto no hay forma de saber si una versión nueva mejoró o solo cambió.
Human-in-the-loop donde el error cuesta caro
Cola de aprobación antes de ejecutar acciones sensibles, y escalamiento a una persona con el diagnóstico ya hecho.
Seguridad y guardrails
Identidad propia del agente, límites de lo que puede hacer, defensa contra inyección de instrucciones y tratamiento de datos personales. En sector regulado esto va primero, no al final.
Observabilidad y trazas
Qué hizo, por qué, cuánto tardó y con qué datos. Cada conversación queda reconstruible cuando alguien pregunta.
FinOps del agente
Costo por conversación, el modelo adecuado para cada tarea y topes de gasto. Un agente sin control de costo escala el problema, no la solución.
Azure AI Foundry · Agent Framework · LangGraph · MCP · Claude · GPT · Gemini
Plataforma de datos
La capa que decide si el agente responde bien o inventa con seguridad.
Arquitectura Medallion
Bronce, plata y oro en Databricks o Microsoft Fabric: crudo, limpio y listo para consumo, con responsabilidades claras en cada salto.
Contratos de datos y gobierno
Un contrato versionado por tabla en Unity Catalog: quién la produce, qué garantiza y qué pasa cuando cambia. Los cambios que rompen se detectan en el CI, no en producción.
Pipelines ETL/ELT y modelado
Ingesta, transformación y modelado para consumo analítico y agéntico, con reprocesos controlados y sin sorpresas de histórico.
Calidad de datos con validación automatizada
Reglas que corren solas en cada carga y avisan antes de que el dato malo llegue al tablero o al agente.
Seguridad y accesos
Permisos por fila y por columna, enmascaramiento de datos sensibles y trazabilidad de quién consultó qué.
FinOps de la plataforma
Costo por proceso y por área, dimensionamiento del cómputo y detección de tablas y trabajos que ya nadie usa pero se siguen pagando.
Analítica y tableros
Modelos semánticos y reportes sobre esa base, para que el número del tablero y el del agente sean el mismo número.
Databricks · Microsoft Fabric · PySpark · Delta Lake · Unity Catalog · dbt · Azure · Power BI
EL MÉTODO
Un agente en producción son nueve capas.
Casi todo el mercado vende la capa 5. El trabajo real está antes y después de ella. Desplázate por la sección —o toca una capa— para ver qué implica y qué construí ahí.
▸ La capa 1 es la fundación, y se lleva entre el 60 y el 80 % del esfuerzo real.
60–80 % del esfuerzo
01 · Fundación de datos
Arquitectura Medallion: bronce, plata, oro. Sin esto el agente responde sobre datos que nadie garantizó, y el error aparece recién en producción.
Qué construí en esta capaFundación medallion en Databricks para el sistema agéntico que hoy atiende tickets reales en varios países.
AGENTES QUE CONSTRUÍ
Qué hacen, no cómo funcionan
Casos en producción y demos vivas. Los de cliente corporativo van sin nombrarlo.
TECNOLOGÍAS
Stack Técnico
Las herramientas con las que construyo soluciones reales, no solo experimentos.
Data Engineering & Lakehouse
DatabricksPySparkDelta LakeUnity CatalogdbtLakeflow / DLTMedallionKafkaBigQueryMicrosoft Fabric
Cloud & Infraestructura
Azure ADFSynapseAKSGCPAWSTerraformDockerGitHub ActionsFastAPI
AI · LLMs · Agents
Azure AI FoundryAgent FrameworkAzure OpenAIGPT-4oClaude / AnthropicLangGraphMCPVector SearchRAGVertex AIBedrock
Evaluación & LLMOps
LLM-as-judgeHuman-in-the-loopGuardrailsTrazas y telemetríaVersionado de promptsMLflow
Analytics & BI
Power BIDAXDatabricks SQLT-SQLMicrosoft Fabric
Lenguajes & Herramientas
PythonSQLTypeScriptGitJiraNotionScrum
FORMACIÓN
También lo enseño.
Explicarlo a gente que va a implementarlo es la prueba más dura de que el método funciona.
Agosto 2026 · curso, 8 sesiones
Databricks AI Engineer
De la fundación de datos al agente evaluado: el recorrido completo de las nueve capas, con laboratorios sobre datos reales.
En academia · coordinación externa
Julio 2026 · capacitación in-company
Agentes en Foundry para banca regulada
Tres equipos de inteligencia de negocio de una entidad financiera supervisada. El eje: cumplimiento y auditabilidad antes que capacidades del modelo.
Escribo cada semana
Blog: agentes en producción, sin humo
Lo que aprendo construyendo y rompiendo agentes, con las fuentes a la vista y los números verificados.
Último: «Tu agente no es peor. Tu setup sí.» · 9 min