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 ANALYTICS 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
37+
Agentes construidos
5+
Operando en producción
14+
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 etapa 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 etapas.
Casi todo el mercado vende la etapa 5. El trabajo real está antes y después de ella. Desplázate por la sección —o toca una etapa— para ver qué implica y qué construí ahí.
▸ La etapa 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 etapaFundación 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.
Los chips atenuados son tecnologías de laboratorio y práctica, todavía sin producción.
Datos y lakehouse
DatabricksPySparkDelta LakeUnity CatalogLakeflow / DLTMedallionKafkaMicrosoft FabricBigQuery
Nube e infraestructura
Azure ADFSynapseAKSGCPAWSTerraformDockerGitHub ActionsFastAPI
Agentes y LLMs
Azure AI FoundryAgent FrameworkAzure OpenAIOpenAI (GPT)Claude / AnthropicMCPVector SearchRAGLangGraphVertex AIBedrock
Evaluación y LLMOps
LLM-as-judgeHuman-in-the-loopGuardrailsTrazas y telemetríaVersionado de promptsMLflow
Analítica y BI
Power BIDAXDatabricks SQLT-SQLMicrosoft Fabric
Lenguajes y herramientas
PythonSQLTypeScriptClaude CodeCodexGitJiraScrum
TRAYECTORIA
14 años en datos, ahora con agentes.
De analista de cobranzas a construir agentes con evaluación y humano en el loop.
Jul 2026 – hoy
iData Global · Data Engineer Senior
Dos proyectos: migración a la plataforma inteligente de Databricks (Data Intelligence Platform) y migración de Synapse a Microsoft Fabric (en curso).
Nov 2025 – Jun 2026
Apex Global Mobility · Senior Data Engineer · AI Engineer (contractor)
Arquitectura Medallion en Databricks, pipelines en Azure Data Factory, Terraform y CI/CD. Construí y lideré el Agente de soporte N1 (Azure AI Foundry + Databricks), su evaluador y su monitor.
Jul – Oct 2025
Handytec · Senior Data Engineer (contractor)
Preventa técnica y migraciones a cloud (SAP S/4HANA, Dynamics, SQL Server → Azure, Databricks, GCP) con orquestación en Cloud Composer y BigQuery.
Nov 2023 – Jul 2025
WIRBI · para Yanbal · Analista BI Senior
Migración de on-premise a Azure, Databricks, Fabric y Unity Catalog en más de 10 países; gobernanza de datos y dashboards de KPIs globales.
Ago 2022 – Mar 2024
Grupo KOBSA · Data Engineer Senior
Data warehouse para más de 140 unidades de negocio y consolidación del área de ciencia de datos; ETL y reportería que redujeron 70 % los tiempos de procesamiento.
Jun 2021 – Ago 2022
VETA BPO · Analista de datos y ML (ventas)
Modelo supervisado que subió 30 % la contactabilidad desde el primer mes y dashboards en Power BI para campañas.
Ago 2012 – Mar 2020
Grupo KOBSA · De analista de cobranzas a coordinador de datos
Empecé en cobranzas (2012), pasé a coordinar el procesamiento y análisis de datos (2017) y automaticé reportes con jobs SQL: 90 % menos de tiempo de procesamiento.
CREDENCIALES
Lo que estudié y certifiqué.
Con enlace a la credencial cuando el emisor la publica.
Microsoft
- Desarrollar aplicaciones y agentes de IA en Azure (AI-103) · 30/30 insignias 2026
- Desarrollar una app de IA con el SDK de Foundry 2026
- Azure Data Fundamentals (DP-900)
LangChain Academy
Databricks
- Data Engineer Associate · ruta de aprendizaje (Lakeflow)2026
- Generative AI Engineering · ruta de aprendizaje2026
Coursera
- Duke · Large Language Model Operations (LLMOps), especialización 2026
- Google · Project Management
- Microsoft AI Agents: Foundations to Applications
DeepLearning.AI
- Agentic AI · MCP con Anthropic · Agent Skills con Anthropic · RAG
Google Cloud
- GCP SecOps Technical Credential
En preparación: Microsoft DP-700 · Databricks Data Engineer Professional
FORMACIÓN
También lo enseño.
Explicarlo a gente que va a implementarlo es la prueba más dura de que el método funciona.
2026 · curso en dictado, 8 sesiones
Databricks AI Engineer
De la fundación de datos al agente evaluado: el recorrido completo de las nueve etapas, con laboratorios sobre datos reales.
En academia · coordinación externa
Octubre 2026 · capacitación a entidades financieras
Agentes de IA en Microsoft Foundry
Curso práctico de 15 horas, en cinco sábados desde el 3 de octubre, para equipos de una entidad financiera supervisada. El eje: construir, evaluar y gobernar agentes con 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