Copilot funciona como un orquestador de inteligencia artificial dentro de Microsoft 365 que conecta tus datos empresariales con modelos generativos sin entrenarlos con tu información. Si trabajas con agentes de IA en entornos corporativos, entender esta arquitectura te ayuda a personalizar respuestas, reducir alucinaciones y mantener la seguridad de tus datos.
Cómo funciona la arquitectura de Copilot paso a paso
Todo empieza en el tenant, ese ambiente empresarial donde viven tu Teams, OneDrive, SharePoint y correos. Ahí se almacena y se asegura la información de tu organización [01:00].
Cuando lanzas un prompt, Copilot no responde por sí mismo. Actúa como director de orquesta y decide quién entra en cada momento. Su primera parada es el Microsoft Graph, la estructura que guarda correos, archivos y reuniones, y que opera tras bambalinas en toda la productividad de Microsoft 365 [01:30].
Qué pasa cuando necesitas datos fuera del tenant
A veces tu pregunta requiere contexto externo. Para eso Copilot se conecta con otras fuentes que enriquecen el prompt antes de enviarlo al modelo:
- Bing, para indexar contenido de la web abierta.
- Conectores hacia bases de datos o sistemas internos de tu organización.
- Dataverse o Fabric, entornos específicos para administración y almacenamiento de datos [02:30].
Todos estos conectores viajan al tenant y el Microsoft Graph complementa la pregunta original antes de mandarla al modelo de IA.
Por qué tus datos no entrenan al modelo de IA
Aquí viene lo interesante. El modelo procesa la consulta con controles de inteligencia artificial responsable que bloquean peticiones poco éticas. Después devuelve la respuesta al Microsoft Graph, donde entra en acción el Microsoft Security Graph, el guardián que protege y encripta la información antes de regresarla al usuario [03:30].
¿Copilot entrena la IA con los datos de mi empresa? No. Todo lo que vive en Microsoft 365 permanece en el Microsoft Graph. Copilot solo toma contexto temporal para que el modelo procese la respuesta y la devuelva protegida bajo políticas de privacidad, cumplimiento y prevención de pérdida de datos [05:00].
Cómo personalizar Copilot para tu organización
El modelo base no conoce tus proyectos, correos ni reuniones. Personalizarlo te da escalabilidad, reduce las alucinaciones y entrega soluciones a la medida. Ninguna empresa, incluida Microsoft, asegura que la IA generativa sea 100% efectiva el 100% de las veces, así que la personalización es tu mejor aliada para que los datos duros de tus documentos coincidan con las respuestas [06:00].
Qué es el índice semántico y cómo mejora la búsqueda
Un buscador léxico tradicional solo compara tu palabra contra un diccionario. Si escribes project Melbourne shiproom en lugar de showroom, te corrige por aproximación de letras y te devuelve un enlace.
El índice semántico trabaja distinto: vectoriza todo el contenido de tu plataforma de colaboración y entiende conceptos, no solo palabras. Reconoce que project Melbourne showroom es un proyecto real en tu entorno, corrige ortografía, identifica a los expertos que generaron los documentos y hasta sugiere preguntas con sus respuestas [07:30].
¿Qué es el índice semántico en Copilot? Es una capa de IA que vectoriza tus datos del Microsoft Graph para entender el significado de tu búsqueda, no solo las palabras. Detecta conceptos, corrige errores y muestra a los expertos detrás de cada documento.
Cómo funciona el RAG en Copilot
El RAG, Retrieval-Augmented Generation, es otra forma de personalización. Cuando mandas un prompt al modelo, no llega solo. Llega acompañado de varios ingredientes:
- Datos cimentados del Microsoft Graph, Bing, Dataverse y otros sistemas.
- El historial del chat hasta ese momento.
- El prompt del sistema, que funciona como el inconsciente del agente con instrucciones de tono, formalidad y temas prohibidos [09:30].
Esa combinación es la que da respuestas relevantes y alineadas con tu organización.
Cuándo usar fine tuning o reentrenamiento
Si necesitas algo más específico, existen dos niveles adicionales de personalización. El fine tuning entrena solo una pequeña porción del modelo y se la añade para ampliar su contexto sin reentrenarlo desde cero. El reentrenamiento completo se reserva para tareas muy particulares donde necesitas un modelo dedicado [10:30].
En orden de menor a mayor complejidad, las opciones de personalización quedan así:
- Ingeniería de prompts, para guiar respuestas con instrucciones precisas.
- RAG, para sumar contexto automatizado desde el Microsoft Graph y conectores externos.
- Fine tuning, para entrenar una capa adicional sobre el modelo base.
- Reentrenamiento completo, como última opción para casos muy específicos.
¿Cuál es la diferencia entre RAG y fine tuning? El RAG inyecta contexto en tiempo real desde tus fuentes de datos sin tocar el modelo. El fine tuning entrena una pequeña porción del modelo con tu información para ampliar su conocimiento base.
Cómo aplicar todo esto en un proyecto real
El proyecto del curso toma como caso de estudio un hotel. La idea es que detectes casos de uso y problemas concretos que pueda tener esa operación, armes un primer documento y después construyas las soluciones con agentes de IA en Copilot Studio [11:30]. ¿Qué problemas se te ocurren que un hotel podría resolver con un agente personalizado? Cuéntamelo en los comentarios.
