Power BI Modelling MCP Server: Cómo la IA puede ayudarte a mejorar el modelado de datos

¿Te imaginas contar con una ayuda inteligente que entienda el modelo de datos de tu informe mientras trabajas en Power BI? El análisis de datos está evolucionando rápidamente gracias a los agentes de IA, y en este contexto empieza a ganar protagonismo una nueva pieza técnica: el Power BI Modelling MCP Server.

En Aglaia nos gusta probar estas herramientas directamente en el campo para contarte qué funciona y qué no. Uno de nuestros consultores ha estado trabajando con esta tecnología para entender hasta dónde llega realmente su aportación. La conclusión es clara: no sustituye a un experto en Power BI, pero sí puede convertirse en un apoyo interesante para acelerar tareas concretas de modelado y DAX, siempre que se use con conocimiento y supervisión.

¿Qué es un MCP Server y por qué revoluciona Power BI?

Para entender esto de forma sencilla, un MCP Server (Model Context Protocol) es un protocolo de comunicación que permite que los grandes modelos de lenguaje, como los que usan ChatGPT, Copilot o Claude hablen directamente con Power BI.

Tradicionalmente, si querías ayuda de la IA para una fórmula DAX, tenías que copiar y pegar nombres de tablas y explicarle todo el contexto manualmente. Con el MCP Server, el agente de IA mira directamente la estructura de tu informe. Sabe qué relaciones existen y qué nombres tienen tus columnas, dándote respuestas precisas y listas para aplicar.

¿Para qué sirve realmente el MCP en el día a día?

Tras haber trabajado y testeado esta funcionalidad, brilla especialmente en tareas concretas y bien definidas. Aquí es donde mejor funciona:

1. Trabajar con medidas simples. Es excelente para generar las típicas sumas, contar registros o cálculos básicos que suelen quitar mucho tiempo.
2. Uso de documentación para medidas repetitivas. Puedes pedirle que cree medidas basadas en la documentación oficial de DAX para insertarlas en tu informe de forma masiva.
3. Conexión de orígenes y transformaciones sencillas. Ideal para conectar fuentes de datos simples o crear columnas calculadas básicas, como concatenaciones de texto.
4. Creación de tablas calendario. Aunque los expertos solemos preferir usar scripts de TMDL para esto, la IA puede generarte una tabla calendario funcional en un segundo.

Configuración y requisitos previos

Antes de empezar a usar el servidor MCP remoto de Power BI, es fundamental cumplir con ciertos requisitos técnicos y de seguridad:

• Aprobación del administrador. El administrador de Power BI debe habilitar en el inquilino la configuración: Los usuarios pueden usar el punto de conexión del servidor del Protocolo de Contexto del Modelo de Power BI. Sin este paso, no podrás conectar ningún agente.
• Acceso al modelo semántico. Debes tener permisos de creación en al menos un modelo semántico de Power BI.
• Preparación del modelo. Para obtener mejores resultados, se recomienda optimizar los modelos para la IA añadiendo descripciones claras y respuestas comprobadas.

Instalación en VS Code

El servidor MCP remoto de Power BI está centralizado en una URL oficial:

Para configurarlo manualmente en VS Code, debes añadir el servidor a tu archivo de configuración de MCP indicando que el tipo es http y pegando la URL mencionada anteriormente. Una vez hecho esto, podrás ver el servidor en el panel de servidores MCP de tu entorno de desarrollo.

VS Code vs. Antigravity: ¿qué entorno elegir?

Para usar esta tecnología, necesitas un entorno de desarrollo o IDE. Aquí es donde la experiencia de nuestro equipo marca la diferencia entre el éxito y la frustración.

La facilidad de VS Code y GitHub Copilot

La manera más fácil de trabajar es usar VS Code junto con GitHub Copilot. Una vez configurado el servidor, solo tienes que abrir el chat, habilitar el modo de agente y proporcionar el identificador de tu modelo semántico. A partir de ahí, puedes preguntarle o pedirle cosas como «¿qué tablas hay en este modelo?» o «muestra los 10 productos principales por ventas».

El gran inconveniente es que este sistema depende totalmente de los créditos de GitHub Copilot. Si le das mucha intensidad al trabajo, es muy probable que agotes tu cupo diario en apenas un par de horas.

El reto de Antigravity, el IDE de Google

Recientemente, Google ha lanzado Antigravity, un IDE muy potente porque crea planes de tareas y gestiona versiones con GIT solo. Sin embargo, para Power BI tiene un problema crítico. Y es que Gemini no funciona bien con esta extensión. Al intentar la conexión, el sistema suele fallar sin dar explicaciones claras, por lo que actualmente no es la mejor opción para modelado.

Modelos de IA: Claude vs. GPT vs. Gemini

No todos los cerebros de IA se comportan igual al analizar modelos de datos. Tras nuestras pruebas, este es el ranking:

• Claude. Es el que mejor rendimiento ofrece. Entiende perfectamente las jerarquías de datos y genera el código DAX más limpio y preciso.
• GPT. Funciona de forma solvente, pero el crédito se consume a una velocidad alarmante en entornos de producción.
• Gemini. Presenta fallos de integración con el MCP al intentar la conexión remota, por lo que no lo recomendamos de momento para esta tarea.

Limitaciones críticas que debes conocer

Incluso con la configuración oficial, existen advertencias importantes de nuestros consultores:

• Solo opera con medidas. La IA todavía no puede intervenir en la parte estética del informe ni crear objetos visuales.
• Se pierde en la complejidad. Si tu medida necesita funciones CALCULATE muy largas o contextos de filtro muy avanzados, la IA puede cometer errores.
• Cuidado con los archivos. El sistema actualiza directamente el archivo .pbix y lo guarda. Es obligatorio hacer siempre copia de seguridad porque no gestiona versiones.
• Nombres de archivo. La extensión no permite conectarse a archivos que tengan paréntesis en su nombre.

Al tratarse de una funcionalidad muy innovadora, los proveedores como Microsoft, OpenAI o Google trabajan de forma contínua en su desarollo, solucionando así limitaciones y apareciendo nuevos retos y posibilidades.

El mito de los modelos locales y el coste real

Muchos usuarios intentan evitar costes corriendo modelos gratuitos en local, como Deepseek. Sin embargo, nuestra investigación confirma que esto no compensa. Aquí van dos razones:

• Complejidad técnica. Requiere montar API REST y orquestadores, lo cual es muy complejo y lento.
• Entornos cerrados. Tanto VS Code como Antigravity te obligan a pasar por sus propias API públicas de pago y no permiten configurar puntos de conexión personalizados fácilmente.

Recuerda que la suscripción de GitHub Copilot es independiente de la de ChatGPT. Además, para lanzar consultas avanzadas contra el modelo, a menudo necesitas habilitar la API en la configuración, lo que supone un coste adicional por uso.

Para mantenerte al dia de todas las novedades y mantener actualizada la versión de Power BI Modelling MCP Server te recomendamos que revises la página del marketplace de esta extensión.