Agentes de IA que trabajan con servidores MCP para modelos semánticos de Power BI

Este contenido fue traducido mediante IA y no ha sido revisado por un editor humano. Las imágenes y los gráficos permanecen en su idioma original.

Puntos clave

• Este artículo forma parte de una serie. Empieza por la primera parte, aquí.
• Las aplicaciones de IA pueden usar servidores MCP con herramientas para manipular modelos semánticos. Con este enfoque, las herramientas proporcionan una forma programática de leer el modelo semántico y realizar cambios en él. Esto suele hacerse mediante el Tabular Object Model (TOM).
• Hay varios servidores MCP de Power BI disponibles, incluido uno de Microsoft. El Power BI modelling MCP ofrece muchas herramientas y recursos útiles para el desarrollo con agentes de modelos semánticos. Es uno de los servidores MCP más sofisticados y mejor desarrollados que hemos usado hasta ahora (no solo para Power BI, sino para cualquier ámbito).
• Los servidores MCP son cómodos de usar y configurar. Puedes usarlos con cualquier aplicación de IA que admita el Model Context Protocol. Incluyen contexto listo para usar que ayuda al agente a encontrar y utilizar herramientas con más facilidad para el escenario y el prompt adecuados. El servidor Power BI modelling MCP de Microsoft está muy bien hecho, con muchas opciones y mecanismos de protección para ayudarte.
• Sin embargo, los servidores MCP usan mucho contexto y las herramientas pueden ser inflexibles u opacas. Cuando usas un servidor MCP, consume gran parte de tu ventana de contexto disponible. Es como un presupuesto que tienes para tus sesiones de chat con IA. Cuando “gastas” demasiado, puedes notar una reducción del rendimiento y alcanzar los límites más rápido. Además, no puedes modificar las herramientas disponibles en un servidor MCP, así que quizá no encajen con tu escenario o caso de uso. Para usarlas bien, necesitas entender las herramientas disponibles y qué hace cada una.
• Recomendamos que uses servidores MCP sobre metadatos del modelo en local (TMDL). Esto te ayuda a realizar operaciones masivas de forma más eficiente, y facilita el seguimiento, la gestión y la posibilidad de revertir cambios. Los cambios sencillos todavía pueden realizarse directamente en archivos TMDL mediante agentes de codificación.

Este resumen lo ha elaborado el autor, no la IA.

Uso de servidores MCP de Power BI para modificar modelos semánticos

Esta serie te enseña distintos enfoques para usar la IA y facilitar cambios en un modelo semántico mediante agentes. Un agente para modelos semánticos tiene herramientas que le permiten leer, consultar y escribir cambios en un modelo semántico. A usar agentes de esta manera se le llama desarrollo con agentes, y puede ser una forma útil de complementar las herramientas y flujos de trabajo tradicionales en determinados escenarios.

Hay varias formas en las que la IA puede hacer cambios en un modelo semántico, como modificar archivos de metadatos (TMDL), usar servidores MCP o escribir código. Cada enfoque tiene pros y contras y, si vas a usar IA para hacer cambios en modelos semánticos, lo más probable es que uses los tres.

En este artículo, analizamos en detalle los servidores MCP para facilitar el desarrollo con agentes de modelos semánticos de Power BI.

¿Qué es un servidor MCP?

En un artículo anterior presentamos el model context protocol (MCP) y comentamos cómo los servidores MCP podrían cambiar las herramientas de BI. En resumen, los servidores MCP son una forma de ampliar las capacidades de los modelos de lenguaje a gran escala (LLM) proporcionándoles contexto reutilizable (recursos), prompts y herramientas. Las herramientas aportan funciones específicas y código que permiten a la IA interactuar con su entorno, ya sea para recuperar contexto o para ejecutar acciones.

En el contexto de un modelo semántico de Power BI, un servidor MCP puede usar la biblioteca Tabular Object Model (TOM) para realizar cambios programáticos en el modelo mediante el protocolo XMLA:

Esto es similar a los enfoques existentes con herramientas como SQL Server Management Studio (SSMS) y herramientas externas como Tabular Editor. La diferencia aquí es que las operaciones de TOM están codificadas en herramientas que usa el LLM, y no las utiliza directamente el usuario. Las herramientas determinan lo que la IA puede hacer. Los servidores MCP pueden permitir todas las operaciones que podrías hacer mediante un C# Script en Tabular Editor o editando a mano archivos TMDL. Pero puede ser muy restrictivo. Esto depende de cada servidor MCP y de cómo funcionen sus herramientas.

Para ilustrarlo, aquí tienes un ejemplo de Claude Code usando el servidor Power BI modelling MCP de Microsoft para hacer cambios en un modelo semántico.

Esta demostración muestra a Claude Code usando el servidor MCP para implementar funciones DAX que faltaban en un modelo después de volver a vincular un Report. El agente usa el servidor MCP para conectarse al modelo local abierto en Power BI Desktop, explorarlo y añadir las funciones, sustituyendo el DAX. Fíjate en que es más difícil ver y seguir los cambios; ya no tenemos diffs en línea que muestren lo que cambió el agente como cuando el agente trabaja directamente con archivos de metadatos en local (TMDL). El agente también se confunde en un momento dado y empieza a trabajar con el modelo equivocado.

Sin embargo, usar el servidor MCP es más rápido y cómodo; cualquier cambio que rompa algo se detecta y devuelve errores, lo que permite al agente corregirlos y aplicar solo cambios válidos de una sola vez. En unos minutos, el agente puede hacer los cambios, que luego puedes comprobar en Power BI Desktop o en Tabular Editor.

Diagrama del escenario

El siguiente diagrama muestra una visión general sencilla de cómo puedes usar servidores MCP para facilitar el desarrollo con agentes de un modelo semántico:

Ten en cuenta que este diagrama representa un escenario algo simplificado. En una implementación real, es probable que uses más componentes y herramientas, tanto en el sentido tradicional como en el de IA. Puedes entender este proceso así:

1. Tienes tu modelo abierto en Power BI Desktop o publicado en un Workspace. También puedes tener el modelo guardado como PBIP para ver y trabajar con los metadatos del modelo. El enfoque depende de las preferencias del usuario y del servidor MCP concreto.
2. El usuario recopila y mantiene un conjunto base de instrucciones (como AGENTS.md o CLAUDE.md) y contexto (otros archivos de instrucciones; normalmente, Markdown) sobre el formato TMDL y el modelo semántico que quiere cambiar, Opcionalmente, el usuario también configura otras herramientas y componentes de desarrollo con agentes, según el agente de codificación que use, como el servidor MCP remoto de Microsoft Docs o una habilidad de Claude Code. Configurar estas instrucciones y este contexto no es una tarea puntual y requiere revisión y mantenimiento continuos; es más una habilidad de comunicación y redacción que una habilidad técnica.
3. El usuario crea un prompt o redacta un plan con el agente de codificación. Lo ideal es hacerlo de forma iterativa con el agente de codificación antes de que realice cualquier cambio. El contexto, las instrucciones y los prompts no los genera la IA ni los crean agentes, ya que esto puede degradar el rendimiento.
4. El usuario envía el prompt para iniciar una sesión.
5. El agente incorpora sus instrucciones, además de descripciones de herramientas y recursos de los servidores MCP configurados. Esta información entra en la ventana de contexto, que es el presupuesto finito de tokens que el agente puede usar por sesión.
6. El agente puede usar herramientas integradas o herramientas de servidores MCP para leer otras instrucciones o recuperar información sobre el modelo semántico (una vez conectado).
7. El agente realiza cambios en el modelo semántico, ya sea en Power BI Desktop o en un modelo publicado en el servicio de Power BI.
8. El usuario valida esos cambios en Power BI Desktop u otras herramientas.

Demostraciones: cómo se ve esto

Aquí tienes algunos ejemplos de agentes trabajando con servidores MCP sobre un modelo semántico.

Ejemplo con GitHub Copilot

GitHub Copilot en modo agente incluye un amplio soporte para servidores MCP y personalización. Power BI MCP viene con una extensión de VS Code incluida que te ayuda a administrarlo.

El siguiente ejemplo muestra a GitHub Copilot añadiendo descripciones, cadenas de formato y carpetas de visualización a varias medidas de un modelo. Ten en cuenta que aquí estamos trabajando con Power BI Desktop:

Ejemplo con Claude Desktop

Otra herramienta popular que admite servidores MCP es Claude Desktop. Claude Desktop tiene una interfaz de usuario más ligera y sencilla que Visual Studio Code (VS Code) y destaca a la hora de ofrecer elementos visuales o diagramas ad hoc de diversos conceptos.

Para configurar el servidor MCP en Claude Desktop, debes descargar el archivo .vsix de la extensión de Visual Studio Code y extraer el ejecutable (.exe). Después, tienes que proporcionar una configuración más detallada, ya sea en el JSON de configuración o creando un archivo .mcpb o .dxt personalizado.

A continuación se muestra un ejemplo de Claude Desktop usando el servidor MCP para representar las relaciones entre campos en un diagrama bastante descuidado:

Ten en cuenta que Claude Desktop puede crear artefactos que representan el código como imágenes dentro de la aplicación. Claude Desktop es bueno para tareas exploratorias o para consumir y analizar modelos, pero no tanto para el desarrollo. Por lo general, también rinde mejor con este tipo de diagramas si le das más contexto y ejemplos de lo que esperas en cuanto a estética y diseño. Para desarrollo, recomendamos que uses GitHub Copilot en VS Code o Claude Code desde un terminal.

Ejemplo con Claude Code

Claude Code tiene una interfaz de usuario, pero también puedes usarlo desde el terminal.

Añadir este servidor MCP a Claude Code es un poco más complejo, ya que requiere una configuración específica. Puedes copiar el siguiente comando para hacerlo. Tienes que ejecutarlo en PowerShell o Bash, sustituyendo la ruta por la ruta correcta a powerbi-modeling-mcp.

claude mcp add --transport stdio powerbi-modeling-mcp --env PBI_MODELING_MCP_CLIENT_ID=ea0616ba-638b-4df5-95b9-636659ae5121 -- "C:\pathto\powerbi-modeling-mcp.exe" --start

A continuación se muestra un ejemplo de Claude Code usando el servidor MCP del modelo semántico. Aquí, el usuario le pide a Claude Code que añada y realice algunos cambios en medidas DAX:

En este ejemplo, puedes ver que mover medidas entre tablas puede ser destructivo; da como resultado un error en un Visual. También puedes ver que el agente hace ciertas suposiciones sobre DAX basadas en patrones existentes del modelo; no puedes confiar en que escriba "buen" DAX o Power Query a menos que incluyas instrucciones o ejemplos suficientes en tu prompt o contexto. Este también es un ejemplo de un mal caso de uso para el desarrollo agéntico; habría sido más rápido, más barato y probablemente más sencillo crear y ajustar las medidas en Power BI Desktop o Tabular Editor.

Como viste en la demostración, Claude Code es especialmente útil porque te ofrece un desglose visual de lo que está ocurriendo con tu ventana de contexto. En el siguiente diagrama, puedes ver que el 60% del contexto ya está consumido en una sesión completamente nueva, sin haber escrito ningún prompt. El 29% del contexto lo consume el servidor MCP de modelado de Power BI, por sí solo:

Este es uno de los mayores retos de los servidores MCP, por eso lo destacamos desde ya. Más adelante en el artículo explicaremos con un poco más de detalle por qué esto es un reto.

Cómo empezar

Para usar este enfoque, necesitas un servidor MCP que admita operaciones de modelado semántico, como el servidor MCP de Power BI. También necesitas una aplicación de IA compatible con el Model Context Protocol (un cliente MCP, como los que se muestran arriba). Aquí tienes la lista completa:

• Tu modelo puede estar en uno de estos tres formatos:
  • Abierto en Power BI Desktop.
  • Guardado en formato PBIP o guardado como archivos de metadatos locales.
  • Publicado en un Workspace de Power BI. Ten en cuenta que aquí puede que necesites una licencia de Power BI Pro o un modo de licencia del Workspace compatible con el punto de conexión XMLA, según el servidor MCP que estés usando.
• Un agente de codificación que puedas usar, como GitHub Copilot en modo agente, Claude Code o Gemini CLI. La mayoría de los agentes de codificación requieren una suscripción de pago para poder usarlos. Recomendamos Claude Code, que creemos que ofrece las mejores funciones y la mejor experiencia para desarrolladores para el desarrollo agéntico en Microsoft Fabric, Power BI y, en general.
• Idealmente, también deberías tener alguna forma de hacer seguimiento y gestionar los cambios en tu modelo. Para una introducción básica a este tema, consulta este artículo de la documentación de Microsoft.

Diferencias con otros enfoques

Los agentes que usan servidores MCP se diferencian de las modificaciones directas de metadatos o del uso de CLI y scripts en varios aspectos, que comentamos a continuación.

Beneficios

Aquí tienes algunos de los beneficios únicos de este enfoque:

• Herramientas para agentes: Los servidores MCP destacan al proporcionar a los agentes herramientas y una forma de indicarles cuándo y cómo usarlas. Las herramientas bien diseñadas permiten a los usuarios usarlo en modo "plug-and-play" con mucha más facilidad, y no tienen que invertir tanto en contexto o en archivos de instrucciones para que los agentes usen las herramientas adecuadas en los escenarios adecuados. Para los modelos semánticos, esto sirve para que el agente sepa cuándo usar una herramienta para modificar medidas y cuándo consultar un modelo, según el prompt y el contexto.
• Contexto y prompts portátiles: Además de herramientas, los servidores MCP también pueden proporcionar recursos y prompts. Los recursos son básicamente archivos de contexto que el agente puede leer y usar automáticamente, mientras que los prompts son indicaciones reutilizables para ciertas tareas repetibles. Para los modelos semánticos, esto es especialmente útil con funcionalidades de DAX más nuevas, como funciones y calendarios personalizados.
• Menos alucinaciones: A diferencia de modificar los metadatos del modelo directamente, este enfoque solo permite cambios admitidos a través del TOM. Esto depende de las herramientas disponibles y de cómo estén diseñadas, pero ayuda a garantizar que el agente solo haga cambios válidos en un modelo semántico, y reduce la probabilidad y el impacto potencial de las alucinaciones.
• Relativamente fácil de configurar y usar: Los servidores MCP están diseñados para la portabilidad, así que puedes configurarlos fácilmente para usarlos con la herramienta o el modelo que elijas. Esto es especialmente útil si trabajas con modelos locales (mediante aplicaciones como LMStudio) para reforzar la seguridad o la privacidad.

En resumen, los servidores MCP son una forma útil de dar a los agentes herramientas con una configuración sencilla. Son difíciles de diseñar bien, pero cuando lo están, pueden ser muy potentes y prácticos. Sin embargo, tampoco están exentos de retos.

Retos

Aquí tienes algunas advertencias y consideraciones para usar servidores MCP tanto con modelos semánticos en Power BI como en general:

• Visibilidad de los cambios y posibilidad de revertirlos: A diferencia de cuando haces cambios en los metadatos del modelo directamente, con servidores MCP no puedes ver fácilmente qué ha cambiado. Solo puedes contrastar la salida del agente con lo que sucede en Power BI o Tabular Editor. Además, no puedes deshacer ni revertir los cambios. Si no configuras el control de código fuente, te arriesgas a perder mucho tiempo cuando (no si) tu agente se salga de control. Esto es especialmente problemático cuando empiezas a usar el servidor MCP o lo usas con un modelo nuevo, y todavía no tienes buenas instrucciones o prompts configurados.
• Posible diseño de herramientas opaco o rígido: Cuando usas un servidor MCP, quedas limitado a cómo el desarrollador diseñó las herramientas. Eso significa que las descripciones, el código o las respuestas de las herramientas podrían no ser óptimos para tu escenario, o directamente no lo admiten. A menos que el servidor MCP sea de código abierto, probablemente tampoco puedas ver ni modificar estas herramientas. Esto puede ser especialmente complicado cuando tienes una configuración, un diseño o incluso un modo de almacenamiento únicos, como los modelos compuestos. En este escenario, deberías trabajar directamente sobre los metadatos del modelo o usar la CLI de Tabular Editor 2.
• Inflación de contexto: Un problema conocido de los servidores MCP es que llenan la ventana de contexto de tu sesión. Cuanto más contexto uses, peor se comporta un agente en una tarea determinada. También hace que las sesiones lleguen a sus límites de forma demasiado abrupta. Esto es especialmente problemático para servidores MCP “monolíticos” y grandes, con un alcance demasiado amplio, que conviene dividir en componentes modulares específicos por escenario para usarlos cuando sea necesario.
• Siguen requiriendo instrucciones: Los servidores MCP son muy convenientes porque proporcionan mucho contexto, listo para usar, sobre cómo y cuándo usar las herramientas. Sin embargo, eso no significa que el agente vaya a usar estas herramientas de forma correcta o eficaz. Por ejemplo, si le pides al agente que parametrice cadenas de conexión en Power Query, puede que tenga herramientas para crear expresiones compartidas o modificar particiones de M, pero eso no significa que vaya a saber escribir código M siguiendo los patrones que quieres o necesitas usar. Para hacerlo, tienes que dar instrucciones específicas sobre qué cambiar y cómo cambiarlo. Esto es especialmente importante cuando se trata de cambiar expresiones de DAX y Power Query.
• Retos de seguridad: Los servidores MCP son una tecnología nueva y en evolución. Hay muchas preocupaciones o vulnerabilidades de seguridad que todavía no están bien abordadas o entendidas.

Como puedes ver, el “impuesto” que pagas por la comodidad de usar servidores MCP viene acompañado de otros inconvenientes y consideraciones.

Cuándo podrías usar este enfoque

Los servidores MCP son preferibles a enfoques alternativos para el desarrollo agéntico en los siguientes escenarios:

• Cambios masivos y refactorización: Las herramientas de servidor MCP, como las del MCP de Power BI, ofrecen una forma elegante de hacer varios cambios a la vez. Establecer varias propiedades o crear varias medidas; este tipo de operaciones son fáciles de preparar y usar. Esto es especialmente útil cuando quieres crear nuevas perspectivas y traducciones para tu modelo.
• Las herramientas aportan funcionalidad útil y única: Los servidores MCP funcionan mejor cuando resuelven problemas específicos. Los servidores MCP pequeños y elegantes que te ayudan a abordar escenarios con herramientas especializadas pueden ser muy beneficiosos.
• No puedes o no quieres usar un agente de línea de comandos: Los agentes que viven en la línea de comandos funcionan mejor con otras herramientas CLI y API. Sin embargo, si solo estás usando herramientas con interfaz de usuario, como GitHub Copilot en modo agente o Claude Desktop, puede que el servidor MCP te ofrezca una mejor experiencia de usuario.
• Escenarios más genéricos: El powerbi-modelling-mcp es actualmente la mejor herramienta para el desarrollo agéntico de modelos semánticos en escenarios típicos. Si tienes necesidades o requisitos más específicos, puedes complementarlo con otras herramientas.

Cuándo podrías no usar este enfoque

Hay algunos casos en los que podrías considerar alternativas en lugar de servidores MCP.

• Las herramientas no encajan con tu escenario o caso de uso: Como mencionamos arriba, las herramientas del servidor MCP pueden ser rígidas o inflexibles y quizá no se ajusten a lo que necesitas. Si necesitas más flexibilidad, quizá sea mejor trabajar directamente con los metadatos del modelo o usar interfaces programáticas.
• Single or one-off changes: Normalmente es más rápido y más barato hacer estos cambios con herramientas tradicionales, o hacer que el agente trabaje directamente sobre los metadatos del modelo.
• Repetitive and deterministic changes that are scriptable: Cuando usas IA con metadatos del modelo o servidores MCP, obtendrás resultados diferentes con el mismo prompt. Si quieres el mismo resultado cada vez, es mejor hacer que la IA escriba y ejecute un script. Un ejemplo es crear medidas de inteligencia temporal, una tabla de fechas o aplicar patrones comunes de DAX y del Data model.
• CI/CD pipelines: MCP servers add unnecessary complexity and security concerns. Si estás considerando usar agentes asíncronos como parte de canalizaciones de CI/CD, haz que lean y trabajen directamente con los metadatos. No utilices agentes en absoluto si no los necesitas. En general, CI/CD se centra en la reproducibilidad; los LLM, por naturaleza, no son muy reproducibles…
• Estás en Mac o en Linux: Actualmente, las bibliotecas que permiten interactuar de forma programática con el modelo semántico tienen dependencias de Windows que impiden que funcionen en un equipo Mac o Linux. Sin embargo, esto podría cambiar en el futuro.

En resumen, cuándo usar o no un servidor MCP depende realmente de tu escenario específico. Necesitas entender las herramientas disponibles, cómo funcionan y cuáles son sus limitaciones.

Consejos para tener éxito con agentes usando servidores MCP

Los servidores MCP pueden ser muy potentes cuando los usas correctamente. Aquí tienes algunos consejos basados en nuestra propia experiencia, pero muchos de los consejos del artículo anterior siguen siendo válidos (como curar el contexto, combinar con otros enfoques, y demás):

• Guarda los modelos en formato PBIP y haz commits de los cambios con regularidad: Esto es cierto con cualquier enfoque, pero aquí especialmente, para que puedas ver y revertir tus cambios con facilidad. Si usas el servidor MCP directamente en Power BI Desktop, recuerda guardar el archivo para que los cambios aparezcan en los metadatos del modelo.
• Actívalos solo cuando los necesites: Como mencionamos arriba, los servidores MCP consumen mucho de tu ventana de contexto. Sé muy selectivo con los servidores y las herramientas que tienes activos en cada sesión para evitar alcanzar los límites o que el rendimiento se degrade.
• Revisa las entradas y respuestas de las herramientas: Cuando uses un servidor MCP por primera vez, asegúrate de revisar qué recibe como entrada y qué devuelve como respuesta. Entender las herramientas de los servidores MCP es imprescindible para asegurarte de que las usas bien y de que no malinterpretas sus capacidades, evitando caer víctima de las alucinaciones de los LLM. Un ejemplo concreto es si le pides al servidor MCP que cree un parámetro de campo; si no sabe qué es un parámetro de campo, podría limitarse a crear una tabla calculada con la configuración incorrecta.
• Itera y mejora el contexto: Como con todos los enfoques, los servidores MCP mejoran a medida que mejoras el contexto. Cuando veas que el agente usa herramientas en una circunstancia equivocada o proporciona entradas que no te gustan, puedes mejorar las instrucciones para obtener mejores resultados.

En resumen, los servidores MCP son una herramienta cómoda para el desarrollo con agentes, pero deberías usarlos según la situación y con cuidado. Usa servidores MCP solo de autores de confianza y asegúrate de saber qué hacen las herramientas antes de usarlas.

Conclusión

Los servidores MCP ofrecen una forma valiosa e interesante de que la IA modifique modelos semánticos. La mayor fortaleza de un servidor MCP está en su portabilidad y en cómo puede hacer que el modelo conozca las herramientas e indicarle cuándo usarlas. Sin embargo, los servidores MCP también tienen debilidades importantes en cuanto a la cantidad de contexto que consumen y a las limitaciones de las herramientas. Aun así, cuando entiendes las herramientas y las aplicas en los escenarios adecuados, los servidores MCP pueden ser una forma muy potente de acelerar el desarrollo en determinados casos, especialmente el Power BI modelling MCP de Microsoft.

El próximo artículo de esta serie trata el tercer y último enfoque, en el que los agentes se conectan con modelos de forma programática. Este enfoque es similar a los servidores MCP, excepto que el modelo no usa herramientas predefinidas. En su lugar, escribe y ejecuta código de forma arbitraria. Este enfoque es el más flexible, pero puede conllevar riesgos adicionales y requerir más contexto.