Azure, Fabric, Databricks o Foundry: ¿qué servicio de Microsoft elegir?

En las dos últimas semanas comparé Snowflake con Databricks, convertí un curso de Databricks en un mapa mental interactivo y entregué una automatización documental con IA en Azure. La pregunta que llegó después cada vez vino de empresas que ya trabajan con Microsoft: ¿qué servicio de Azure necesitamos de verdad: Fabric, Databricks o Foundry?

Este artículo la responde en tres pasos: por qué una empresa elige Azure frente a AWS o Google Cloud, para qué sirve cada plataforma de Microsoft y qué combinaciones funcionan en proyectos de IA reales. Cada nombre de producto se comprobó en Microsoft Learn, la documentación de AWS y las notas de versión de Google Cloud el 6 de noviembre de 2026. Los nombres cambian a menudo, así que las fuentes del final llevan el estado actual.

La respuesta corta. Azure es la nube. Microsoft Fabric es la plataforma SaaS para ingeniería de datos, analítica y BI. Azure Databricks es el lakehouse para Spark a gran escala, Delta Lake y aprendizaje automático. Microsoft Foundry es la plataforma para aplicaciones LLM y agentes de IA. Azure AI Search es la capa de recuperación y Azure Machine Learning el ciclo de vida de ML clásico. Se complementan, y ninguno sustituye a Azure.

¿Por qué una empresa elegiría Azure en vez de AWS o Google Cloud?

Una empresa elige Azure cuando su identidad, sus documentos y sus informes ya viven con Microsoft. Microsoft Entra ID gestiona los inicios de sesión, Microsoft 365 y SharePoint guardan los documentos, Teams es donde trabaja la gente y Power BI es donde se leen los números. Un proyecto de IA en Azure se conecta a ese patrimonio con identidades gestionadas y un solo modelo de gobernanza en vez de federar tres nubes.

Servicio a servicio, las tres nubes hacen trabajos comparables. Esta tabla mapea los servicios básicos de Azure con sus equivalentes en AWS y Google Cloud.

Categoría	Azure	AWS	Google Cloud
Máquinas virtuales	Azure Virtual Machines	EC2	Compute Engine
Almacenamiento de objetos	Blob Storage, ADLS Gen2	S3	Cloud Storage
Almacén de datos	Fabric Warehouse (antes Synapse)	Redshift	BigQuery
Kubernetes	AKS	EKS	GKE
Funciones serverless	Azure Functions	Lambda	Cloud Functions
Contenedores serverless	Container Apps	ECS sobre Fargate	Cloud Run
SQL gestionado	Azure SQL	RDS	Cloud SQL
Red	Virtual Network	VPC	VPC
Identidad	Entra ID	IAM	IAM
Secretos	Key Vault	Secrets Manager	Secret Manager
Monitorización	Azure Monitor	CloudWatch	Cloud Monitoring
OCR de documentos	Document Intelligence	Textract	Document AI

Los trabajos coinciden; el precio, la arquitectura, las integraciones y los límites, no. Elige la nube por el patrimonio que tienes y las habilidades de tu equipo, y después mapea los servicios con una tabla como esta.

Qué atrae a una empresa hacia Azure, y qué aporta cada atractivo a un proyecto de IA:

Atractivo de Azure	Qué aporta a un proyecto de IA
Microsoft Entra ID	Usuarios, grupos, identidades gestionadas y RBAC reutilizados por Foundry, Fabric, Databricks y AI Search
Microsoft 365, SharePoint, Teams	Los documentos y conversaciones que la mayoría de asistentes empresariales necesitan leer
Power BI	La capa de informes que los usuarios de negocio ya abren; Fabric la alimenta mediante Direct Lake
Microsoft Foundry	Más de 10.000 modelos de Microsoft, OpenAI, Anthropic, Meta y otros en un catálogo bajo la gobernanza de Azure
Un acuerdo empresarial existente	Una factura, un contrato de soporte, una revisión de cumplimiento

¿Cuál es la diferencia entre Azure, Microsoft Fabric, Azure Databricks y Microsoft Foundry?

Están en niveles distintos. Azure es la infraestructura: cómputo, almacenamiento, red e identidad. Microsoft Fabric y Azure Databricks son plataformas de datos que corren sobre esa infraestructura. Microsoft Foundry es una plataforma de aplicaciones de IA que también corre sobre ella. Azure AI Search y Azure Machine Learning son servicios especializados a su lado. Todos son complementarios; el error es tratar Foundry como sustituto de Databricks o de Fabric.

Plataforma	Responsabilidad principal	Pensada para	Equivalente en AWS	Equivalente en Google Cloud
Microsoft Azure	Infraestructura en la nube: cómputo, almacenamiento, red, identidad, seguridad	Todos	AWS	Google Cloud
Microsoft Fabric	Ingeniería de datos, analítica, lakehouse y BI como un solo SaaS	Analistas, desarrolladores de BI, ingenieros de datos	Redshift con el ecosistema Glue	BigQuery
Azure Databricks	Ingeniería de datos a gran escala, Spark, Delta Lake, ML, lakehouse	Ingenieros de datos, ingenieros de ML, científicos de datos	Databricks en AWS, EMR	Databricks en Google Cloud, Dataproc
Microsoft Foundry	Aplicaciones de IA, LLM, agentes, evaluación, gobernanza	Ingenieros de IA, equipos de aplicaciones	Amazon Bedrock	Gemini Enterprise Agent Platform
Azure Machine Learning	Ciclo de vida de ML clásico: entrenamiento, registro, despliegue	Científicos de datos, MLOps	SageMaker AI	Gemini Enterprise Agent Platform (antes Vertex AI)
Azure AI Search	Búsqueda empresarial, recuperación híbrida y vectorial	Aplicaciones RAG y de búsqueda	OpenSearch	Agent Search (antes Vertex AI Search)

¿Qué es Microsoft Foundry?

Microsoft Foundry es la plataforma de Microsoft para construir, desplegar, gestionar y monitorizar aplicaciones y agentes de IA, construida sobre Azure. Se llamó Azure AI Studio y después Azure AI Foundry; Azure AI Services pasó a ser Foundry Tools. Foundry unifica agentes, modelos y herramientas en un solo recurso de Azure con trazas, evaluaciones, control de acceso por roles, red y políticas.

Qué se hace en Microsoft Foundry:

• Modelos. Explorar y desplegar más de 10.000 modelos de Microsoft, OpenAI, Anthropic, Meta y otros desde el catálogo Foundry Models, con ajuste fino donde el modelo lo admite.
• Agentes. Construir agentes de prompt declarativos en el portal o el SDK, o agentes alojados que ejecutan tu propio código (Microsoft Agent Framework, LangGraph, Semantic Kernel) en un contenedor con endpoint gestionado, todo en Foundry Agent Service.
• Herramientas y conocimiento. Ampliar los agentes con herramientas integradas, memoria y recuperación mediante el Foundry Toolbox; Foundry IQ (vista previa) es la capa de conocimiento que conecta las fuentes de la empresa.
• Evaluación y observabilidad. Trazar y evaluar agentes y modelos, y monitorizarlos en paneles integrados.
• Gobernanza. Identidad de Entra, RBAC, filtros de contenido, aislamiento de red y Azure Policy mediante el plano de control de Foundry.

Un ejemplo trabajado: un chatbot RAG empresarial sobre los PDF de la compañía.

1. Subir los PDF a Blob Storage.
2. Extraer el texto y las tablas con Document Intelligence.
3. Limpiar, transformar y trocear los documentos en Azure Databricks.
4. Generar embeddings con un modelo de Foundry.
5. Guardar los vectores en Azure AI Search.
6. Recuperar los fragmentos relevantes para cada pregunta.
7. Enviar el contexto a un LLM en Foundry y generar una respuesta con citas.

Foundry gestiona las partes de modelo, agente, evaluación y despliegue de este flujo. El almacenamiento, la extracción, el procesamiento de datos, la red y la identidad siguen en otros servicios de Azure. Foundry no sustituye a Azure; es una capa dentro de la arquitectura de Azure.

¿Cómo se compara Microsoft Foundry con Amazon Bedrock y Gemini Enterprise Agent Platform?

Son los equivalentes más cercanos en las tres nubes: coincidencias funcionales, no sustitutos uno a uno. Amazon Bedrock es la plataforma gestionada de IA generativa de AWS; Gemini Enterprise Agent Platform es la plataforma de IA y agentes de Google Cloud de la que Vertex AI pasó a formar parte el 22 de abril de 2026.

Capacidad	Microsoft Foundry	Amazon Bedrock	Gemini Enterprise Agent Platform
Catálogo de modelos	Foundry Models	Modelos de Bedrock	Model Garden
Inferencia LLM	Foundry Models	Bedrock Runtime	Modelos Gemini
Agentes de IA	Foundry Agent Service: agentes de prompt y alojados	Bedrock Agents, runtime AgentCore	Agent Runtime (antes Agent Engine)
RAG	Foundry IQ y herramientas de recuperación, Azure AI Search	Knowledge Bases	RAG Engine, Vector Search, Agent Search
Ajuste fino	Foundry Models	Personalización de modelos de Bedrock	Ajuste de modelos
Evaluación	Evaluaciones y trazas de Foundry	Evaluaciones de Bedrock	Servicio de evaluación
Gobernanza	Plano de control de Foundry, Entra ID	Guardrails e IAM	Model Armor e IAM
Tu propio código de agente	Agentes alojados en contenedores	Runtime AgentCore	Agent Runtime con el ADK o LangGraph

¿Qué nombres de producto cambiaron en 2025 y 2026?

Varios de los nombres de estas tablas tienen menos de un año, y los antiguos siguen apareciendo en la documentación, las ofertas de empleo y los tutoriales. Este glosario mapea el nombre anterior con el actual para que el resto del artículo se lea igual que las páginas de los proveedores.

Nombre anterior	Nombre actual	Proveedor
Azure AI Studio, Azure AI Foundry	Microsoft Foundry	Microsoft
Azure AI Services	Foundry Tools	Microsoft
Assistants API (Agents v1)	Responses API (Agents v2)	Microsoft
Azure Synapse Analytics	Microsoft Fabric: Data Warehouse y Data Engineering	Microsoft
Azure Data Factory	Data Factory en Fabric; el servicio de Azure sigue existiendo	Microsoft
Vertex AI	Parte de Gemini Enterprise Agent Platform desde el 22 de abril de 2026	Google Cloud
Vertex AI Agent Engine	Agent Runtime	Google Cloud
Vertex AI Search	Agent Search	Google Cloud
Vertex AI RAG Engine, Vector Search, Model Garden	RAG Engine, Vector Search, Model Garden	Google Cloud
Amazon SageMaker	SageMaker AI para el servicio de ML; SageMaker es ahora la plataforma unificada de datos e IA	AWS
Bedrock Agents	Bedrock Agents, con el runtime AgentCore para los agentes nuevos; Bedrock Guardrails se aplica a las políticas de AgentCore desde junio de 2026	AWS

¿Qué es Microsoft Fabric?

Microsoft Fabric es la plataforma SaaS unificada de Microsoft para recoger, almacenar, procesar, analizar y visualizar datos. En vez de configurar por separado un lago de datos, un almacén, pipelines ETL, clústeres Spark y una herramienta de BI, Fabric los entrega como cargas de trabajo sobre un solo lago lógico, OneLake, con Power BI como capa de informes. Microsoft Learn añade un detalle que sorprende a los ingenieros de Azure: no hace falta una cuenta de Azure para usar Fabric.

Carga de trabajo de Fabric	Qué hace	Tecnología parecida
OneLake	El lago de datos lógico de todo el tenant que todas las cargas leen y escriben	ADLS Gen2, S3, Cloud Storage
Data Factory	Ingesta, pipelines y Dataflow Gen2 con más de 200 conectores	Azure Data Factory, AWS Glue
Data Engineering	Notebooks y trabajos de Apache Spark, lakehouses	Databricks, EMR, Dataproc
Data Warehouse	Analítica SQL sobre tablas Delta, cómputo separado del almacenamiento	Snowflake, Redshift, BigQuery
Data Science	Experimentos y modelos de ML, integrado con Azure Machine Learning	Databricks ML, SageMaker AI
Real-Time Intelligence	Ingesta en streaming, bases de datos KQL y el Real-Time hub	Kinesis, Pub/Sub, Event Hubs
Databases	Base de datos SQL en Fabric, más el reflejo de Azure SQL, Cosmos DB, Azure Databricks y Snowflake en OneLake	Azure SQL, RDS
Power BI	Informes y cuadros de mando, Direct Lake sobre OneLake	Tableau, Looker
Fabric IQ (vista previa)	Ontología, Fabric Graph, agente de datos, agente de operaciones, modelos semánticos	Capas semánticas
OneLake Catalog y Purview	Descubrimiento, permisos, etiquetas de confidencialidad, auditoría	Unity Catalog, Dataplex

¿Qué es OneLake?

OneLake es el único lago de datos lógico que recibe cada tenant de Fabric, construido sobre Azure Data Lake Storage Gen2. Piensa en un OneDrive para los datos analíticos de la empresa: un solo espacio de nombres que abarca usuarios, regiones y nubes, organizado en workspaces, lakehouses y almacenes, leído por todas las cargas de Fabric sin copias. Las tablas se guardan como Delta Parquet, y OneLake expone metadatos Iceberg de las tablas Delta para que los lectores Iceberg las vean sin copiar datos.

Tenant de Microsoft Fabric
└── OneLake
    ├── Workspace: Finanzas
    │   ├── Lakehouse
    │   └── Warehouse
    ├── Workspace: Marketing
    │   └── Lakehouse
    └── Workspace: Proyectos de IA
        └── Lakehouse

Dos funciones de OneLake importan para la arquitectura. Los atajos montan almacenamiento existente, incluidos ADLS Gen2, Amazon S3 y Google Cloud Storage, como referencias sin copia dentro del lago. El reflejo replica Azure SQL, Cosmos DB, Unity Catalog de Azure Databricks y Snowflake en OneLake, de modo que Fabric los lee sin un pipeline.

¿Cómo se construiría un pipeline de datos en Fabric?

Toma una empresa de comercio electrónico que recibe datos de una API de Shopify, PostgreSQL, Salesforce, SharePoint y archivos CSV, y quiere una sola plataforma analítica.

1. Crear un workspace de Fabric y un lakehouse dentro.
2. Ingerir las fuentes con los conectores de Data Factory de forma programada.
3. Depositar los datos crudos como tablas bronce en el lakehouse.
4. Limpiar y deduplicar en tablas plata con notebooks de PySpark.
5. Agregar en tablas oro listas para el negocio y consultarlas en SQL desde el endpoint del almacén.
6. Construir el cuadro de mando de Power BI sobre las tablas oro, y conectar esas mismas tablas a un agente de Microsoft Foundry para preguntas en lenguaje natural.

Es la arquitectura medallón que Databricks popularizó. Fabric admite el mismo patrón bronce, plata y oro sobre el mismo formato Delta.

Microsoft Fabric frente a Azure Databricks: ¿cuál es la diferencia real?

Los dos ejecutan Apache Spark distribuido sobre tablas Delta Lake. La diferencia está en para quién están hechos y cuánto control dan. Microsoft Fabric es un SaaS gestionado con Power BI dentro, hecho para analistas de negocio, analistas de datos, ingenieros de datos y desarrolladores de BI. Azure Databricks es una plataforma de ingeniería e IA con cómputo configurable, MLflow y Mosaic AI, hecha para ingenieros de datos, ingenieros de ML, científicos de datos e ingenieros de IA.

Área	Microsoft Fabric	Azure Databricks
Infraestructura	SaaS gestionado, gobernado por la capacidad de Fabric	Plataforma gestionada dentro de tu suscripción de Azure
Spark	Fabric Spark sobre cómputo gestionado	Databricks Runtime sobre clústeres que configuras
SQL	Fabric Warehouse y endpoints SQL	SQL warehouses de Databricks
Almacenamiento	OneLake	Tu propio ADLS Gen2 (o S3, Cloud Storage)
Formato de tabla	Delta Lake	Delta Lake
ETL y orquestación	Pipelines de Data Factory	Trabajos y pipelines de Lakeflow
Aprendizaje automático	Carga Data Science, integrada con Azure Machine Learning	MLflow, Mosaic AI, servicio de modelos
BI	Power BI nativo, con Direct Lake	AI/BI Dashboards; Power BI mediante conector
Aplicaciones	Integraciones con Power BI y Microsoft 365	Databricks Apps
Gobernanza	OneLake Catalog y Microsoft Purview	Unity Catalog
Control del cómputo	Capacidad, autoescalado de Spark, entornos	Tipos de nodo, tamaños de clúster, clústeres con GPU, ajustes de Spark
Nubes	Azure, con atajos de OneLake a S3 y Cloud Storage	Azure, AWS y Google Cloud

La misma comparación en preguntas de sí o no, que es como suele llegar la pregunta:

¿Puede...?	Microsoft Fabric	Azure Databricks
¿Procesar conjuntos de datos enormes con Spark distribuido?	Sí	Sí
¿Ejecutar PySpark con varios workers y autoescalado?	Sí, gestionado por la capacidad	Sí, configurable
¿Construir modelos de ML?	Sí	Sí
¿Construir aplicaciones de IA?	Sí, con Microsoft Foundry	Sí, con Mosaic AI
¿Construir aplicaciones web?	Mediante integraciones	Sí, Databricks Apps
¿Servir cuadros de mando de negocio nativos?	Power BI	AI/BI Dashboards
¿Integrarse con la BI de la empresa?	Muy fuerte	Normalmente una herramienta de BI externa
¿Afinar Spark y el cómputo con GPU al detalle?	Más gestionado, restricciones de capacidad	Más flexible

Elige Microsoft Fabric cuando la empresa usa Microsoft 365, Power BI y SharePoint; las cargas son sobre todo analítica SQL e informes de negocio; quieres ingeniería de datos y BI en un solo entorno gestionado; y nadie en el equipo quiere dimensionar un clúster Spark.

Elige Azure Databricks cuando el trabajo es procesamiento Spark a gran escala o ingeniería distribuida compleja; el equipo construye cargas avanzadas de ML e IA; necesitas control sobre el cómputo, los tipos de nodo y las GPU; o la arquitectura abarca streaming y más de una nube.

También trabajan juntos. Microsoft documenta el reflejo de las tablas de Unity Catalog de Azure Databricks en OneLake como catálogo de solo lectura sin mover datos, disponible de forma general desde 2025, y el camino inverso, la federación de catálogos de OneLake, que permite a Unity Catalog consultar datos guardados en OneLake desde el cómputo de Databricks y estaba en Beta cuando lo comprobé.

¿Fabric es Databricks sin multiprocesamiento?

No. Fabric y Databricks reparten el trabajo entre ejecutores de Spark los dos; ninguno depende del multiprocesamiento de Python. La confusión viene de mezclar dos tipos de paralelismo.

Tecnología	Cómo paraleliza	Dónde corre
multiprocessing de Python	Varios procesos locales del sistema operativo	Una máquina
threading de Python	Varios hilos en un proceso	Una máquina
PySpark	Tareas repartidas entre ejecutores de Spark	Un clúster
Azure Databricks	Cargas Spark distribuidas en clústeres que configuras	Tu suscripción de Azure
Microsoft Fabric	Cargas Spark distribuidas sobre capacidad gestionada	El SaaS de Fabric

Un Pool(4) en Python arranca cuatro procesos locales y nunca toca un clúster:

from multiprocessing import Pool

def process(x):
    return x * 2

with Pool(4) as pool:
    results = pool.map(process, range(100_000))

En Fabric o Databricks la misma intención es una operación sobre un DataFrame, y Spark decide qué ejecutor procesa cada partición:

df = spark.read.parquet("/path/to/data")
result = df.repartition(8).groupBy("category").count()
result.show()

Fabric no es un Databricks menos potente por estar más gestionado. Databricks ofrece más flexibilidad para la ingeniería de cómputo avanzada; Fabric cambia esa flexibilidad por integración y sencillez dentro del ecosistema Microsoft.

¿Cómo se ven las capas en Azure, AWS y Google Cloud?

Toda arquitectura de IA empresarial tiene las mismas cuatro capas: aplicaciones y agentes de IA arriba, ingeniería de datos debajo, almacenamiento de datos bajo esa y la infraestructura en la nube en la base. Elige una nube en el diagrama y toca una capa para ver qué servicios la ocupan.

AzureAWSGoogle Cloud

Microsoft Foundry arriba, Microsoft Fabric o Azure Databricks en medio, OneLake y ADLS Gen2 debajo, la infraestructura de Azure en la base.

1. Aplicaciones y agentes de IAMicrosoft FoundryFoundry Agent ServiceAzure AI Search
2. Ingeniería de datosMicrosoft FabricAzure DatabricksData Factory
3. Almacenamiento de datosOneLakeADLS Gen2 / Blob StorageFabric WarehouseAzure SQL
4. Infraestructura en la nubeAzure VMsAKSContainer AppsAzure FunctionsVirtual NetworkEntra IDKey VaultAzure Monitor

Uso típico: Una empresa que ya usa Microsoft 365, Entra ID y Power BI y quiere sus agentes de IA junto a esos datos.

Toca una capa para leer qué hace esa tecnología en esta pila.

Azure. Microsoft Foundry arriba, Microsoft Fabric o Azure Databricks en medio, OneLake y ADLS Gen2 debajo, la infraestructura de Azure en la base. Uso típico: Una empresa que ya usa Microsoft 365, Entra ID y Power BI y quiere sus agentes de IA junto a esos datos.

Capa	Tecnología	Qué hace
Aplicaciones y agentes de IA	Microsoft Foundry, Foundry Agent Service, Azure AI Search	Foundry Models sirve el LLM, Foundry Agent Service ejecuta el agente y Azure AI Search guarda los vectores y el índice híbrido del que recupera el RAG.
Ingeniería de datos	Microsoft Fabric, Azure Databricks, Data Factory	Fabric para pipelines SaaS gestionados, Spark y Power BI; Azure Databricks para trabajos Spark grandes, Delta Lake y ML; Data Factory para ingerir desde más de 200 conectores.
Almacenamiento de datos	OneLake, ADLS Gen2 / Blob Storage, Fabric Warehouse, Azure SQL	Almacenamiento de objetos para archivos y tablas Delta, OneLake como lago lógico que leen todas las cargas de Fabric, un almacén SQL para analítica y Azure SQL para transacciones.
Infraestructura en la nube	Azure VMs, AKS, Container Apps, Azure Functions, Virtual Network, Entra ID, Key Vault, Azure Monitor	Cómputo, contenedores, serverless, red, identidad, secretos y monitorización: la parte que ni Foundry ni Fabric sustituyen.

AWS. Amazon Bedrock arriba, Glue, EMR o Databricks en medio, S3 y Redshift debajo, EC2, EKS y Lambda en la base. Uso típico: Instituciones financieras, fintech, comercio electrónico y grandes plataformas de datos que ya corren en AWS.

Capa	Tecnología	Qué hace
Aplicaciones y agentes de IA	Amazon Bedrock, Bedrock AgentCore, OpenSearch	Bedrock sirve los modelos fundacionales, Knowledge Bases y Guardrails; AgentCore es el runtime de los agentes; OpenSearch es el almacén de vectores habitual.
Ingeniería de datos	AWS Glue, Amazon EMR, Databricks on AWS	Glue para ETL gestionado y su Data Catalog, EMR para clústeres Spark que dimensionas tú, Databricks para el lakehouse con Unity Catalog.
Almacenamiento de datos	Amazon S3, Redshift, RDS	S3 es el lago de datos, Redshift el almacén y RDS la base de datos relacional gestionada.
Infraestructura en la nube	EC2, EKS, Lambda, VPC, IAM, Secrets Manager, CloudWatch	Máquinas virtuales, Kubernetes, funciones serverless, red, identidad, secretos y monitorización.

Google Cloud. Gemini Enterprise Agent Platform arriba, Dataflow, Dataproc o Databricks en medio, Cloud Storage y BigQuery debajo, Compute Engine, GKE y Cloud Run en la base. Uso típico: Empresas con una gran inversión en BigQuery, cargas de trabajo analíticas y aplicaciones basadas en Gemini.

Capa	Tecnología	Qué hace
Aplicaciones y agentes de IA	Gemini Enterprise Agent Platform, Agent Runtime, Agent Search	Desde abril de 2026 Vertex AI forma parte de Gemini Enterprise Agent Platform: Model Garden y los modelos Gemini, Agent Runtime (antes Agent Engine), RAG Engine, Vector Search y Agent Search (antes Vertex AI Search).
Ingeniería de datos	Dataflow, Dataproc, Databricks on Google Cloud	Dataflow para pipelines gestionados por lotes y en streaming, Dataproc para clústeres Spark, Databricks para el lakehouse con Unity Catalog.
Almacenamiento de datos	Cloud Storage, BigQuery, Cloud SQL	Cloud Storage es el lago de datos, BigQuery el almacén alrededor del que giran muchas arquitecturas de Google Cloud y Cloud SQL la base de datos relacional gestionada.
Infraestructura en la nube	Compute Engine, GKE, Cloud Run, Cloud Functions, VPC, IAM, Secret Manager, Cloud Monitoring	Máquinas virtuales, Kubernetes, contenedores, funciones serverless, red, identidad, secretos y monitorización.

¿Cómo encajan los servicios en un proyecto de IA real?

Toma un asistente de IA empresarial que procesa miles de documentos PDF. En Azure, cada componente tiene un servicio, y solo tres de los diez pertenecen a Foundry.

Componente	Servicio de Azure	Propósito
Almacenamiento de documentos	Azure Blob Storage	Guardar los PDF
Extracción de documentos	Document Intelligence	Extraer texto y tablas
Procesamiento de datos	Azure Databricks	Limpiar, transformar y trocear los documentos
Embeddings	Foundry Models	Convertir texto en vectores
Base de datos vectorial	Azure AI Search	Guardar y recuperar vectores, búsqueda híbrida
LLM	Foundry Models	Generar las respuestas
Orquestación de agentes	Foundry Agent Service	Gestionar herramientas y la ejecución del agente
Backend	Azure Container Apps	Alojar la aplicación Python y FastAPI
Autenticación	Microsoft Entra ID	Asegurar el acceso
Monitorización	Azure Monitor	Seguir el rendimiento y el coste de la aplicación

La arquitectura equivalente en AWS usa S3, Textract, Glue, Bedrock, OpenSearch y ECS sobre Fargate. En Google Cloud usa Cloud Storage, Document AI, Dataflow o Dataproc, Gemini Enterprise Agent Platform, BigQuery y Cloud Run. La forma es la misma; cambian los nombres.

¿Qué pilas tecnológicas combinan las empresas?

Las empresas rara vez usan una sola plataforma. Combinan servicios especializados, y cinco combinaciones cubren la mayoría de proyectos de IA empresarial: la pila empresarial de Microsoft, Azure Databricks con Foundry, Fabric con Databricks y Foundry, AWS con Databricks y Bedrock, y Google Cloud con Databricks y Gemini Enterprise Agent Platform. Son patrones prácticos, no paquetes de proveedor.

Microsoft enterprise AIAzure Databricks + FoundryFabric + Databricks + FoundryAWS + Databricks + BedrockGoogle Cloud + Databricks + Gemini

Todo dentro del ecosistema Microsoft: Fabric para los datos, Foundry para la IA, Power BI para el negocio, Entra ID para la identidad.

1. NubeAzure
2. Ingeniería de datosMicrosoft FabricData Factory
3. Lago de datosOneLake
4. Almacén de datosFabric Warehouse
5. Modelos de IAMicrosoft Foundry
6. RAG y búsquedaAzure AI Search
7. Agentes de IAFoundry Agent Service
8. BackendPython / FastAPI
9. AlojamientoAzure Container Apps
10. BIPower BI
11. SeguridadEntra IDKey Vault

Uso típico: Una gran empresa que quiere conectar SharePoint, Microsoft 365, bases de datos, documentos internos, analítica y agentes de IA.

Toca una capa para leer qué hace esa tecnología en esta pila.

Microsoft enterprise AI. Todo dentro del ecosistema Microsoft: Fabric para los datos, Foundry para la IA, Power BI para el negocio, Entra ID para la identidad. Uso típico: Una gran empresa que quiere conectar SharePoint, Microsoft 365, bases de datos, documentos internos, analítica y agentes de IA.

Capa	Tecnología	Qué hace
Nube	Azure	Suscripciones, regiones, red y el acuerdo empresarial que la compañía ya tiene.
Ingeniería de datos	Microsoft Fabric, Data Factory	Los pipelines de Data Factory ingieren desde SharePoint, SQL y fuentes SaaS; los notebooks de Fabric Spark los transforman en tablas bronce, plata y oro.
Lago de datos	OneLake	Un lago lógico por tenant sobre ADLS Gen2, organizado en workspaces y lakehouses, leído por todas las cargas de Fabric sin copias.
Almacén de datos	Fabric Warehouse	Analítica SQL sobre tablas Delta en OneLake, con cómputo y almacenamiento escalados por separado.
Modelos de IA	Microsoft Foundry	Foundry Models para el LLM y los embeddings, con evaluaciones y trazas desde el mismo proyecto.
RAG y búsqueda	Azure AI Search	Recuperación híbrida: palabras clave, vectores y ranking semántico sobre los documentos troceados, con seguridad a nivel de documento.
Agentes de IA	Foundry Agent Service	Agentes de prompt definidos en el portal o el SDK, o agentes alojados que ejecutan tu propio código con un endpoint gestionado.
Backend	Python / FastAPI	La lógica de negocio propia de la aplicación, los endpoints de herramientas que llama el agente y la API que usa el front end.
Alojamiento	Azure Container Apps	Contenedores con escalado a cero, identidad gestionada y sin clúster que operar.
BI	Power BI	Cuadros de mando sobre las tablas oro, entregados a través del servicio Power BI, Teams y Excel.
Seguridad	Entra ID, Key Vault	Identidad, identidades gestionadas y RBAC desde Entra ID; secretos y claves en Key Vault.

Azure Databricks + Foundry. Cada plataforma tiene un trabajo: Azure Databricks el trabajo intensivo en datos, Microsoft Foundry los modelos y agentes gestionados. Uso típico: Millones de registros limpiados en PySpark y guardados como tablas Delta, y después un agente que responde preguntas sobre los documentos procesados.

Capa	Tecnología	Qué hace
Nube	Azure	Azure Databricks es un servicio de primera parte de Azure, facturado y asegurado a través de la suscripción de Azure.
Ingeniería de datos	Azure Databricks, PySpark	Notebooks y trabajos de Lakeflow ingieren millones de registros y ejecutan las transformaciones en PySpark.
Lago de datos	ADLS Gen2	Tu propia cuenta de almacenamiento: los archivos se quedan en tu suscripción de Azure.
Formato de almacenamiento	Delta Lake	Tablas bronce, plata y oro como archivos Parquet más un log de transacciones, con viaje en el tiempo y MERGE.
Gobernanza	Unity Catalog	Permisos, linaje y metadatos de cada tabla, volumen y modelo.
Modelos de IA	Microsoft Foundry	Foundry Models aporta el LLM y los embeddings; los datos nunca tienen que salir de Azure.
Búsqueda vectorial	Azure AI Search, Databricks Vector Search	Azure AI Search cuando necesitas recuperación híbrida empresarial; Databricks Vector Search cuando el índice debe vivir junto a las tablas Delta.
Orquestación de agentes	Foundry Agent Service, LangGraph	Un agente de prompt gestionado en Foundry, o tu propio grafo de LangGraph empaquetado como contenedor y ejecutado como agente alojado de Foundry.
Backend	Python / FastAPI	Expone la aplicación: autenticación, endpoints de herramientas, la API de chat.
Despliegue	Azure Container Apps, AKS	Container Apps para la mayoría de servicios; AKS cuando necesitas un clúster Kubernetes completo.
Monitorización	Azure Monitor	Logs, métricas y alertas de la app; Foundry añade trazas y evaluaciones del agente.

Fabric + Databricks + Foundry. La híbrida: Azure Databricks para el procesamiento Spark complejo, Microsoft Fabric para la analítica de negocio, Microsoft Foundry para los agentes. Solo merece la pena cuando ambas plataformas de datos ya existen. Uso típico: Databricks procesa cientos de millones de transacciones, Fabric expone tablas listas para el negocio, Power BI sirve a la dirección y un agente de Foundry responde preguntas sobre la actividad de los clientes.

Capa	Tecnología	Qué hace
Nube	Azure	Infraestructura, identidad y facturación de las tres plataformas.
Analítica de negocio	Microsoft Fabric, Power BI	Fabric expone las tablas curadas a los analistas; Power BI sirve los informes.
Ingeniería de datos	Azure Databricks	Procesamiento Spark complejo, streaming y pipelines de ML con el cómputo que tú configuras.
Lago de datos	OneLake, ADLS Gen2	Tablas de Unity Catalog reflejadas en OneLake como catálogo de solo lectura, sin mover datos; Databricks también puede consultar OneLake mediante federación de catálogos.
Gobernanza	Unity Catalog, Microsoft Purview	Unity Catalog gobierna el lado de Databricks; OneLake Catalog y Purview gobiernan el descubrimiento, las etiquetas y el cumplimiento en el lado de Fabric.
Plataforma de IA	Microsoft Foundry	LLM, agentes, evaluaciones y el plano de control para la gobernanza.
Búsqueda	Azure AI Search	Recuperación RAG sobre documentos y datos curados.
Aplicación	Python / FastAPI	Lógica de negocio y el puente entre el agente y los sistemas de la empresa.
Alojamiento	Azure Container Apps	Despliegue en producción de la API y las herramientas del agente.

AWS + Databricks + Bedrock. El mismo patrón en AWS: Databricks o EMR para la ingeniería, S3 y Redshift para el almacenamiento, Amazon Bedrock para modelos y agentes. Uso típico: Instituciones financieras, fintech, comercio electrónico y plataformas de datos a gran escala que ya corren en AWS.

Capa	Tecnología	Qué hace
Nube	AWS	Cuentas, regiones, VPC e IAM.
Ingeniería de datos	Databricks, Amazon EMR	Databricks para el lakehouse y Unity Catalog; EMR para clústeres Spark que gestionas tú.
Lago de datos	Amazon S3	Almacenamiento de objetos para archivos y tablas Delta.
Almacén de datos	Redshift	Analítica SQL; los SQL warehouses de Databricks son la alternativa dentro del lakehouse.
Gobernanza	Unity Catalog, AWS Glue Data Catalog	Unity Catalog para los activos de Databricks, el Glue Data Catalog para el resto del patrimonio de datos en AWS.
Modelos de IA	Amazon Bedrock	Modelos fundacionales, Knowledge Bases para RAG, Guardrails y evaluación de modelos.
Búsqueda vectorial	OpenSearch, Databricks Vector Search	OpenSearch para el ecosistema AWS existente; Databricks Vector Search junto a las tablas Delta.
Agentes de IA	Bedrock AgentCore, LangGraph	Bedrock Agents y el runtime AgentCore, o tu propia aplicación LangGraph.
Backend	Python / FastAPI	Lógica de la aplicación y endpoints de herramientas.
Alojamiento	ECS, EKS, Lambda	Contenedores en ECS o EKS, funciones en Lambda.
Monitorización	CloudWatch	Logs, métricas y alarmas.

Google Cloud + Databricks + Gemini. BigQuery en el centro, Databricks o Dataflow para la ingeniería, modelos Gemini y Agent Runtime en Gemini Enterprise Agent Platform. Uso típico: Empresas con una inversión importante en BigQuery, cargas de trabajo analíticas y aplicaciones de IA basadas en Gemini.

Capa	Tecnología	Qué hace
Nube	Google Cloud	Proyectos, regiones, VPC e IAM.
Ingeniería de datos	Databricks, Dataflow	Databricks para el lakehouse; Dataflow para pipelines gestionados por lotes y en streaming.
Lago de datos	Cloud Storage	Almacenamiento de objetos para archivos y tablas Delta.
Almacén de datos	BigQuery	El almacén serverless sobre el que se construye la mayor parte de la analítica en Google Cloud.
Gobernanza	Unity Catalog, Dataplex	Unity Catalog para los activos de Databricks, Dataplex para el patrimonio de datos de Google Cloud.
Modelos de IA	Gemini Enterprise Agent Platform	Modelos Gemini y el Model Garden, ajuste y evaluación; la plataforma de la que Vertex AI pasó a formar parte en abril de 2026.
Búsqueda vectorial	Vector Search	Índice vectorial gestionado para RAG, junto a RAG Engine y Agent Search.
Agentes de IA	Agent Runtime, LangGraph	Agent Runtime (antes Agent Engine) aloja agentes construidos con el ADK o LangGraph.
Backend	Python / FastAPI	Lógica de la aplicación y endpoints de herramientas.
Alojamiento	Cloud Run, GKE	Cloud Run para contenedores con escalado a cero, GKE para un clúster Kubernetes completo.
Monitorización	Cloud Monitoring	Logs, métricas y alertas.

La pila Azure Databricks más Foundry funciona como un relevo. Databricks ingiere millones de registros, PySpark los limpia y transforma, Delta Lake guarda las tablas bronce, plata y oro y Unity Catalog gestiona los permisos. Los documentos procesados se indexan en Azure AI Search, Foundry aporta el LLM, un agente recupera la información relevante y responde a los usuarios, y FastAPI expone la aplicación. Databricks se encarga de la carga intensiva en datos; Foundry aporta las capacidades de IA gestionadas.

Qué combinación encaja con cada proyecto:

Proyecto	Combinación recomendada
Chatbot RAG empresarial	Azure AI Search, Microsoft Foundry, FastAPI
Asistente de IA sobre SharePoint	SharePoint, Fabric Data Factory, Microsoft Foundry
Analítica financiera con IA	Azure Databricks, Delta Lake, Microsoft Foundry
Plataforma de ML a gran escala	Azure Databricks, MLflow, Azure Machine Learning
Procesamiento documental con IA	Document Intelligence, Blob Storage, Microsoft Foundry
Agentes de IA con herramientas de negocio	Microsoft Foundry, FastAPI, API Management
BI empresarial con IA	Microsoft Fabric, Power BI, Microsoft Foundry
Analítica de trading en tiempo real	Azure Databricks, Kafka, Delta Lake, servicio de modelos

Una advertencia sobre la pila híbrida: no introduzcas Fabric y Databricks juntos por defecto. Si Fabric Spark es suficiente, añadir Databricks añade coste y complejidad; si Databricks ya es la plataforma de datos, Fabric se gana su sitio solo para los usuarios de Power BI y Microsoft 365.

¿Qué prácticas de arquitectura mantienen estas pilas mantenibles?

Siete prácticas separan una demo de un sistema en producción en cualquiera de las pilas anteriores.

1. Separa la ingeniería de datos de la orquestación de IA. Databricks o Fabric hacen la ingesta, las transformaciones y las agregaciones; Foundry hace la inferencia de modelos y los flujos de agentes; FastAPI guarda la lógica de la aplicación. Un agente nunca debería ser responsable de procesar millones de registros.
2. No uses una sola base de datos vectorial para todo. Elige por requisito de recuperación, como en la tabla de abajo.
3. Usa RAG híbrido, no RAG solo vectorial. Combina búsqueda por palabras clave (BM25), similitud vectorial, filtrado por metadatos y reordenación. Los documentos legales, los informes financieros y la documentación técnica necesitan los cuatro.
4. Implementa seguridad basada en identidad. Entra ID, identidades gestionadas, Key Vault, RBAC y seguridad a nivel de documento. Nunca expongas el índice de búsqueda ni la base de datos directamente a todos los agentes.
5. Procesa los documentos de forma asíncrona. Colas y workers en segundo plano, no usuarios esperando al OCR.
6. Evalúa la calidad de la IA antes de desplegar. Precisión y exhaustividad de la recuperación, fundamentación de las respuestas, tasa de alucinaciones, latencia, consumo de tokens y coste por petición.
7. Evita el bloqueo de proveedor donde sea práctico. Lógica de negocio en Python, API estándar, proveedores de modelos detrás de interfaces, datos en formatos abiertos como Parquet y Delta Lake.

Requisito de recuperación	Almacén vectorial recomendado
Búsqueda empresarial con recuperación híbrida y seguridad a nivel de documento	Azure AI Search
Vectores junto a las tablas Delta en Databricks	Databricks Vector Search
Un ecosistema AWS existente	OpenSearch
Un ecosistema Google Cloud existente	Vector Search en Gemini Enterprise Agent Platform
Un corpus pequeño que ya está en PostgreSQL	pgvector, antes de comprar nada

El camino de ingesta asíncrona, que es el mismo en todas las nubes:

subida del documento
   → cola de mensajes
   → workers de procesamiento de documentos
   → OCR y extracción
   → troceado y embeddings
   → base de datos vectorial

¿Qué servicio de Microsoft deberías elegir?

Elige por la carga de trabajo dominante. Las aplicaciones LLM, el RAG y los agentes van a Microsoft Foundry con Azure AI Search. La analítica SQL, la BI y los usuarios de Microsoft 365 van a Microsoft Fabric con Power BI. El Spark pesado, el ML a medida y el cómputo que quieres configurar van a Azure Databricks. Un ciclo de vida de ML clásico sin Spark va a Azure Machine Learning. Todo lo demás son servicios de Azure sin más y tu propio código.

Las preguntas que un arquitecto de soluciones de IA debería hacerse antes de añadir una plataforma:

• Si la empresa ya tiene Databricks, ¿por qué introducir Fabric? Solo para los usuarios de negocio.
• Si una aplicación LangGraph ya funciona, ¿por qué sustituirla por Foundry Agent Service? Ejecútala como agente alojado de Foundry y gana el endpoint, la identidad y las trazas.
• Si PostgreSQL con pgvector cumple el requisito de recuperación, ¿por qué pagar una base de datos vectorial aparte?
• Si toda la carga es SQL e informes, ¿por qué correr un clúster Spark siquiera?

Saber qué herramientas combinar es ingeniería de IA. Saber cuándo no combinarlas es arquitectura.

¿Qué debería aprender primero un ingeniero de IA en el ecosistema Microsoft?

Aprende cómo se integran las plataformas en vez de cada servicio individual, y mapea Azure sobre lo que ya sabes de AWS y Google Cloud. Mi orden de prioridades para alguien con experiencia en Python, LangChain, LangGraph, RAG y Databricks:

Prioridad	Tecnología	Qué dominar
1	Fundamentos de Azure	Cómputo, almacenamiento, red, identidad
2	Microsoft Foundry	Modelos, agentes, evaluación, despliegue
3	Azure AI Search	Búsqueda híbrida, búsqueda vectorial, RAG
4	Microsoft Fabric	Lakehouse, OneLake, arquitectura medallón, Direct Lake
5	Azure Databricks	Spark, Delta Lake, Unity Catalog, pipelines de ML
6	Seguridad en Azure	Entra ID, Key Vault, RBAC, red privada
7	Despliegue en Azure	Container Apps, AKS, CI/CD, monitorización

Y el orden en que aprender las combinaciones: primero Azure con Databricks y Foundry, para la arquitectura de IA empresarial; segundo Fabric con Power BI y Foundry, para la analítica integrada de Microsoft; tercero AWS con Bedrock y Databricks; cuarto Google Cloud con BigQuery y Gemini Enterprise Agent Platform. Nadie necesita las cuatro a la vez.

Si ya conoces Spark, Delta Lake y Databricks, no vuelvas a aprender los conceptos en Fabric. Dedica el tiempo a lo específico de Fabric: OneLake, el lakehouse de Fabric, Data Factory, el Warehouse, Direct Lake y la integración con Power BI. Eso es lo que distingue a un ingeniero de Fabric de un ingeniero de Databricks generalista.

Fuentes

• Microsoft Learn, What is Microsoft Foundry?: el cambio de nombre de Azure AI Studio y Azure AI Foundry a Microsoft Foundry, Foundry Models, Foundry Agent Service con agentes de prompt y alojados, el Foundry Toolbox, la observabilidad y el plano de control. Página fechada en agosto de 2026, leída el 6 de noviembre de 2026.
• Microsoft Learn, What is Microsoft Fabric?: las cargas de trabajo, OneLake sobre ADLS Gen2, los atajos, el reflejo, Fabric IQ (vista previa) y las integraciones con Microsoft Foundry y Azure Machine Learning. Leída el 6 de noviembre de 2026.
• Microsoft Learn, documentación de Azure Databricks y Connect to Microsoft Fabric: el catálogo de Unity Catalog reflejado en OneLake y la federación de catálogos de OneLake (Beta).
• Blog de Microsoft Fabric, How OneLake provides Apache Iceberg support: metadatos Iceberg generados para las tablas Delta sin copiar datos.
• Google Cloud, notas de versión de Gemini Enterprise Agent Platform, entrada del 22 de abril de 2026: "Vertex AI is now part of Gemini Enterprise Agent Platform", Agent Engine renombrado Agent Runtime, Vertex AI Search renombrado Agent Search.
• AWS, documentación de Amazon Bedrock y la nota What's New de junio de 2026 sobre Bedrock Guardrails en las políticas de AgentCore.
• Mis propias notas de estudio de noviembre de 2026 sobre las cinco pilas de referencia, la tabla de proyecto a pila y las siete prácticas, escritas a partir de los proyectos anteriores y comprobadas contra la documentación listada aquí. Los precios, las cuotas y el estado de vista previa cambian cada mes; las páginas de los proveedores son la fuente de verdad.