El 4 de noviembre Microsoft Fabric publicó algo que, si trabajas con datos, te va a tocar antes de lo que crees: OneLake ahora tiene un servidor MCP hospedado por Microsoft, en preview, además de herramientas de seguridad, de shortcuts y APIs para descubrir endpoints. El título del anuncio en el blog de la comunidad de Fabric no deja mucho a la imaginación: "OneLake: the file system for agent-first data engineering".
Traducido: ya no se trata de que Copilot te sugiera una fórmula dentro de un notebook. Se trata de que un agente externo se conecte a tu lago de datos, explore qué hay, y trabaje sobre él sin que tú le instales nada en tu máquina.
Qué anunció Fabric exactamente
Tres cosas se movieron en la misma semana, y vale la pena separarlas porque se confunden rápido:
- ▸Servidor MCP de OneLake (4 de noviembre). Remoto y hospedado, en preview. La gracia de que sea remoto es que no hay que levantar un servidor local por cada persona del equipo: el agente se conecta al endpoint y ya puede explorar y administrar los datos según los permisos que le des.
- ▸Project Osmos, el agente de data engineering de Fabric, también en preview. Está pensado para trabajos largos: inspecciona los datos, escribe y ejecuta Spark, crea notebooks, limpia y transforma, y crea o actualiza tablas Delta y artefactos del workspace. Microsoft compró la startup Osmos en enero de 2026 y su equipo entró a la organización de ingeniería de Fabric.
- ▸Más puentes con Databricks. El 3 de noviembre Fabric sumó soporte de vistas materializadas y streaming tables en los catálogos espejo de Azure Databricks, y el 2 de noviembre Azure Databricks dejó en public preview las external locations de OneLake, para que Unity Catalog guarde tablas y volúmenes gestionados dentro de OneLake.
La frase que resume la apuesta la dice el propio blog de Fabric: OneLake es el sistema de archivos, los motores de Fabric son los programas y el prompt es la terminal. Es marketing, sí, pero describe bien hacia dónde empujan.
Por qué MCP y no otra integración más
MCP (Model Context Protocol) es el protocolo que estandariza cómo un modelo descubre y usa herramientas externas. Antes de que existiera, cada plataforma te obligaba a escribir su propio conector: uno para Snowflake, otro para BigQuery, otro para tu API interna. Con MCP escribes el servidor una vez y cualquier cliente compatible lo consume.
Que Microsoft lo hospede cambia el cálculo para un equipo de datos. El costo de probar baja casi a cero: no hay que empaquetar nada, ni pelear con credenciales en las laptops de cinco analistas. Ese detalle operativo suele decidir si una tecnología se adopta o se queda en la demo del viernes.
Lo que nadie dice en el anuncio: un agente con acceso de lectura y escritura a tu lago es exactamente lo que te asusta a las 2 de la mañana. Por eso las herramientas de seguridad vienen en el mismo paquete que las de exploración, y por eso yo empezaría con un workspace de pruebas y permisos de solo lectura antes de dejarlo tocar nada productivo.
El cuello de botella de un equipo de datos casi nunca es escribir el Spark. Es entender qué tabla sirve, quién la carga y si el dato está completo. Ahí es donde un agente que explora el catálogo rinde más que uno que escribe código.
Qué cambia en tu trabajo si eres data engineer
No desaparece el puesto. Cambia dónde pones las horas. Hoy un pipeline típico se te va en escribir transformaciones, revisar que los tipos cuadren y parchear cargas que fallaron de madrugada. Un agente de larga duración como Osmos se come buena parte de ese trabajo mecánico, pero depende por completo de dos cosas que siguen siendo tuyas:
- ▸El modelado y el contrato de datos. Si tus tablas no tienen nombres entendibles ni documentación, el agente va a adivinar igual de mal que un practicante nuevo.
- ▸La gobernanza. Permisos, linaje y auditoría dejan de ser un trámite cuando quien ejecuta es un proceso autónomo que corre durante horas.
Dicho de otra forma: el valor se mueve del que escribe el notebook al que sabe diseñar el lakehouse y sabe revisar lo que el agente hizo. Si tu perfil hoy es "ejecuto transformaciones", este anuncio es un aviso.
No es solo Microsoft: la misma semana se movió todo el sector
Vale la pena mirarlo con perspectiva. En los últimos días Anthropic sumó hilos de mensajes del lado del servidor a su API y reforzó los controles de seguridad para empresas, OpenAI soltó un modelo especializado en encontrar vulnerabilidades, y Fabric abrió su lago a los agentes. Tres anuncios distintos, una misma dirección: los agentes dejan de ser un chat y pasan a ser procesos con acceso real a sistemas.
Para los equipos de datos eso tiene una consecuencia práctica incómoda: las credenciales, los permisos y el linaje dejan de ser tarea del área de seguridad y pasan a ser parte del diseño del pipeline. Si tu lakehouse hoy tiene un service principal con permisos de administrador porque "era más rápido así", ese atajo acaba de volverse caro.
Cómo probarlo esta semana sin romper nada
Si tienes un tenant de Fabric a mano, el camino corto es este: crea un workspace aparte, sube un par de tablas de ejemplo a un lakehouse, conecta el servidor MCP de OneLake desde tu cliente favorito y pídele primero tareas de exploración (qué tablas hay, cuántas filas, qué columnas tienen nulos). Recién después le das una transformación pequeña y comparas su resultado contra el tuyo.
Dos avisos honestos. Todo esto está en preview, así que las APIs pueden cambiar sin aviso; no montes un proceso crítico encima todavía. Y si tu organización ya corre sobre Databricks, el movimiento interesante no es migrar: es el espejo entre ambos mundos, que esta misma semana ganó vistas materializadas y streaming tables.
Qué estudiar para llegar preparado
La base no cambió: Spark, modelado de lakehouse y gobernanza siguen siendo el 80% del trabajo. Lo que se suma es saber orquestar agentes sobre esa base. Si vas por el lado Microsoft, la certificación de Fabric Data Engineer (DP-700) cubre justo lo que un agente asume que tú ya dominas: lakehouse, Delta, seguridad y orquestación. Y si todavía te falta el músculo de procesamiento distribuido, Apache Spark desde los fundamentos es el prerequisito real, no el opcional.
Si tu stack es el otro lado del puente, el bootcamp de Databricks Data Engineer te deja con Unity Catalog y Delta en las manos, que es exactamente lo que ahora puede vivir dentro de OneLake. Y para la parte que se viene encima de todo esto —diseñar, dar herramientas y controlar agentes que corren solos— la ruta de AI Agentic Engineer es el camino directo: ahí se ve MCP, memoria, orquestación y cómo no dejar un agente suelto sobre datos reales.
¿Y si recién empiezas? No arranques por el agente. Arranca por el bootcamp de Data Engineer, porque sin SQL, Python y modelado no vas a poder juzgar si lo que el agente produjo está bien o está mal. Y ese juicio es, hoy, la parte que te pagan.
Si quieres practicar esto con gente que está probando lo mismo esta semana, en la Comunidad AI Builders hacemos un taller en vivo de IA cada semana, desde 19 USD al mes. Y el catálogo completo de cursos está acá si prefieres armar tu propio camino.
Una última cosa, por si te quedas con una sola: abre tu catálogo de datos y mira cuántas tablas tienen descripción. Ese número, hoy, predice mejor que cualquier otra cosa qué tan útil te va a resultar un agente sobre tu lago.
