Si tu empresa trabaja sobre Azure —y muchas en LATAM lo hacen— ya tienes acceso a uno de los catálogos de modelos de IA más grandes del mercado. El problema que me encuentro una y otra vez es que la mayoría de equipos no sabe por dónde entrar: hay demasiados servicios, la documentación es densa y los nombres cambian cada seis meses. Azure AI Foundry —rebautizado Microsoft Foundry en 2026— es el punto de entrada unificado. En este artículo te cuento qué incluye, cuándo usarlo y cómo arrancar sin perderte en la burocracia de Azure.
Qué es Azure AI Foundry y qué unificó en 2026
Hasta hace un par de años, trabajar con IA en Azure significaba navegar entre Azure OpenAI Service, Azure Machine Learning Studio, Azure Cognitive Services, Azure Bot Service y una lista creciente de herramientas independientes. Cada una con su propio portal, su propia forma de autenticación y su propia curva de aprendizaje. Azure AI Foundry —lanzado en 2024 como GA, rebautizado Microsoft Foundry en 2026— unificó todo eso en una plataforma: accedes a modelos, construyes flujos, testeas, despliegas y monitoreas aplicaciones de IA generativa desde un mismo lugar en ai.azure.com.
En 2026, la plataforma tiene tres partes principales que conviene entender desde el principio: el catálogo de modelos (donde eliges qué modelo usar), Prompt Flow (donde construyes flujos de trabajo con IA), y el Agent Service (donde despliegas y administras agentes con estado). En julio 2026, el Agent Service salió de preview y ya es GA —lo que significa que puedes usarlo en producción con SLAs reales.
Los modelos disponibles hoy en el catálogo
Esta es la parte que más sorprende a los devs que no han entrado a Foundry: no es solo GPT. El catálogo en 2026 incluye GPT-5.5 y GPT-4o de OpenAI, Claude Sonnet 5 de Anthropic (en GA desde julio 2026, corriendo sobre hardware Blackwell Ultra de Azure), la familia Phi-4 de Microsoft (Phi-4 Mini y Phi-4 Medium, modelos pequeños con rendimiento sorprendente para tareas de razonamiento estructurado), Meta Llama 4 en sus variantes, y Mistral Large 2. Para modelos open-source hay acceso vía Fireworks AI con enterprise SLAs sin contratos separados.
Cómo elegir entre ellos: GPT-5.5 y Claude Sonnet 5 para tareas complejas y agentes de alto valor; Phi-4 Mini para casos de uso donde la latencia es crítica o el costo necesita ser bajo (funciona sorprendentemente bien en tareas estructuradas como extracción de datos o clasificación); Llama 4 cuando necesitas control total sobre el modelo y quieres evitar lock-in con un vendor. No hay una respuesta universal: el catálogo está ahí para que pruebes con tus datos reales antes de comprometerte.
Azure AI Foundry vs llamar directamente a la API de OpenAI o Anthropic
La pregunta que surge siempre: ¿para qué Azure AI Foundry si puedo llamar directo a la API de OpenAI o Anthropic? La respuesta corta es: si eres solo tú o un equipo chico construyendo un prototipo, la API directa está bien. Pero si estás en una empresa con requisitos de seguridad, compliance y gobernanza, Foundry cambia la ecuación. Los datos no salen del tenant de Azure de tu empresa —crucial para banca, salud, gobierno y cualquier empresa con datos regulados. Tienes control de acceso granular por equipo o proyecto vía Azure Active Directory. El monitoreo y los logs van al mismo stack de observabilidad que ya usa tu equipo de infraestructura. Y puedes combinar GPT-5.5 con Phi-4 o Llama sin cambiar de plataforma ni de facturación.
El tradeoff es real y vale la pena nombrarlo: Azure AI Foundry tiene más fricción inicial que llamar directo a una API. Configurar el Hub, el Proyecto, los endpoints, los permisos y las conexiones a otros servicios de Azure lleva tiempo. No es el camino más rápido para un MVP de fin de semana. Pero para producción en una empresa que ya trabaja sobre Azure, ese setup paga con creces cuando necesitas auditoría, rollbacks, cost management y gobernanza de modelos a escala.
Cómo empezar en Azure AI Foundry (los pasos reales)
Si tienes una suscripción de Azure, este es el camino más directo:
- ▸Ve a ai.azure.com y crea un Hub (el contenedor de proyectos). El Hub define la región, los permisos y los recursos compartidos de todos tus proyectos de IA
- ▸Crea un Proyecto dentro del Hub. Cada Proyecto es un espacio de trabajo aislado con sus propios conexiones, modelos desplegados y deployments
- ▸Despliega un modelo del catálogo. Para empezar: GPT-4o Mini o Phi-4 Mini son buenos puntos de entrada por costo. Obtén el endpoint y la API key del deployment
- ▸Usa el Playground integrado para probar el modelo con tus prompts antes de llamarlo desde código. Ahorra iteraciones innecesarias
- ▸Construye tu primer flujo con Prompt Flow o conéctalo directamente desde Python usando el SDK de Azure AI. Para RAG sobre documentos propios, el Data connection a Azure Blob Storage o SharePoint es el siguiente paso
El error más común es saltar a modelos caros (GPT-5.5 Sol o Claude Sonnet 5) antes de validar que la lógica del flujo funciona. Siempre empieza con el modelo más económico del catálogo, valida la arquitectura, y luego sube al modelo más capaz solo si el caso de uso lo justifica. He visto proyectos gastar miles de dólares en tokens durante la fase de desarrollo cuando Phi-4 Mini o GPT-4o Mini hubieran servido igual para testear.
Casos de uso que ya funcionan en empresas de LATAM
Los casos que más veo funcionar en la región son los que mantienen los datos dentro del tenant. Chatbots de atención al cliente que corren sobre documentación interna con RAG sobre SharePoint o Azure Blob: el agente responde preguntas usando los documentos de la empresa sin que esos documentos salgan de Azure. Generación automática de reportes a partir de datos en Azure Synapse o Microsoft Fabric: el agente lee las tablas, genera el análisis y lo entrega en formato legible sin intervención humana. Automatización de procesos de onboarding y compliance: el Agent Service (ahora en GA) gestiona el estado del proceso a lo largo de múltiples pasos que antes requerían coordinación manual. Análisis de contratos con extracción estructurada: Phi-4 Medium es especialmente bueno en este tipo de tareas a un costo menor que los modelos fronteras.
Lo que nadie te dice sobre empezar con IA en Azure
Azure AI Foundry es una plataforma enterprise, y eso se nota. La documentación puede ser inconsistente (cambia cada vez que rebrandean algo, que es frecuente). Los precios tienen muchas variables: pagas por el modelo (tokens), por el hosting del endpoint (horas de deploy), y en algunos casos por el compute del Agent Service. Si no monitoreas el billing desde el primer día, los costos pueden sorprenderte. Dicho eso, los créditos de Azure para nuevas suscripciones cubren bastante para experimentar, y el modelo de datos soberanos —todo dentro de tu tenant— es el argumento que abre más puertas en clientes corporativos en LATAM.
Cómo aprender Azure AI Foundry con estructura
Si quieres dominar Azure como plataforma de IA generativa, el camino más directo es la Especialización en IA Generativa en Azure de DataPath: cubre Azure OpenAI Service, Azure AI Foundry, la familia Phi-4 y los patrones de RAG y agentes en el entorno de Azure. Si quieres enfocarte en el deployment de agentes específicamente, el Taller de Agentes Inteligentes con Azure te lleva directo a construir y desplegar agentes en producción sobre Azure AI Foundry.
Si tu objetivo es entender todo el ecosistema de IA generativa —no solo Azure sino también cuándo ir a AWS, GCP o llamar directo a las APIs— la ruta de AI Engineer pone Azure en contexto junto con el resto del stack. Ver también los posts sobre IA generativa en AWS y IA generativa en Google Cloud para completar el panorama de clouds.
Si el Agent Service de Azure AI Foundry llama tu atención y quieres especializarte en construir agentes —no solo desplegarlos en Azure sino diseñarlos bien desde el principio— la ruta de AI Agentic Engineer cubre exactamente eso: LangGraph, CrewAI, patrones de producción y cómo llevar agentes a entornos enterprise como Azure.
