Azure AI Foundry: Complete Guide to Enterprise Setup 2026

Azure AI Foundry: Configurando tu Entorno Empresarial de Desarrollo IA

He perdido la cuenta de cuántas veces he llegado a una organización donde ya habían empezado a construir sobre Azure AI sin ninguna estructura base. Un proyecto aquí, otro allá, cada equipo usando su propia suscripción y su propia conexión a Azure OpenAI. El resultado es siempre el mismo: caos de costes, imposibilidad de gobernar, y un momento incómodo cuando alguien del CISO pregunta quién tiene acceso a qué modelo.

Azure AI Foundry existe precisamente para evitar ese escenario. Y mi recomendación es clara: antes de que ningún equipo escriba una sola línea de código con IA en tu organización, define la arquitectura de tu entorno. Lo que inviertes en esta fase te ahorra semanas de refactorización más adelante.

He desplegado esto con clientes en el sector financiero en España, en manufactura en Alemania y en servicios profesionales en Reino Unido. En todos los casos, el patrón que funciona es el mismo: un hub por unidad de negocio, un proyecto por iniciativa, y las conexiones a modelos gestionadas de forma centralizada desde el hub. Lo que cambia son los detalles de gobernanza y los requisitos de residencia de datos.

Esta guía te explica cómo montar ese entorno desde cero: arquitectura, configuración, RBAC, redes, monitorización y MLOps. Si ya tienes algo desplegado, te sirve igualmente para auditar lo que tienes y refactorizarlo con criterio.

Para una visión general oficial, consulta Qué es Azure AI Foundry.

Antes de empezar

Antes de crear tu primer hub, asegúrate de tener esto resuelto. Si faltas alguno, para y resuélvelo primero — intentar avanzar sin ellos te costará más tiempo del que ahorras.

• [ ] Suscripción de Azure con cuota aprobada para Azure OpenAI — la aprobación puede tardar días; pídela antes de planificar timelines
• [ ] Grupo de recursos dedicado creado con naming convention consistente (por ejemplo, rg-ai-foundry-prod-westeurope)
• [ ] Roles IAM definidos — quién será Owner del hub, quién será Azure AI Developer en cada proyecto, quién tendrá solo Reader
• [ ] Región de despliegue decidida teniendo en cuenta residencia de datos (para Europa: West Europe o Sweden Central son mis preferidas)
• [ ] VNet existente o diseño de red aprobado si vas a usar endpoints privados (en entornos empresariales esto no es opcional)
• [ ] Presupuesto mensual aprobado y persona responsable de las alertas de coste
• [ ] Account de Azure Storage pre-creada si necesitas control total sobre la configuración de la cuenta (si dejas que el portal la cree, tendrás menos control)
• [ ] Acceso al portal ai.azure.com verificado con las credenciales corporativas

Preguntas que debes hacerte (y hacerle a tu equipo)

Antes de montar la arquitectura, estas preguntas deben tener respuesta. Sin ellas, tomarás decisiones que tendrás que revertir.

¿Cuántos equipos van a usar AI Foundry en los próximos 6 meses?

La respuesta determina cuántos hubs necesitas. Un hub por equipo es demasiado granular; uno para toda la empresa es demasiado rígido. Mi recomendación: un hub por división o unidad de negocio principal.

¿Tienes requisitos de residencia de datos que obliguen a separar geografías?

Si tienes equipos en la UE y en EEUU, necesitas hubs en regiones distintas. No es algo que puedas añadir fácilmente después.

¿Qué nivel de aislamiento de red exige tu política de seguridad?

Endpoints privados tienen un coste adicional (DNS privado, VNet, tiempo de configuración). Decide esto antes de crear el hub, no después — cambiar la configuración de red de un hub ya creado es doloroso.

¿Quién controla las conexiones a los modelos: el equipo de plataforma o cada proyecto?

Mi respuesta siempre es: el equipo de plataforma define las conexiones aprobadas a nivel de hub, los proyectos solo pueden usarlas, no crear las suyas propias. Esto previene que alguien conecte un modelo no aprobado.

¿Cómo vas a trackear costes por equipo o proyecto?

Azure Cost Management con etiquetas de recursos es suficiente si lo configuras desde el principio. Si no lo haces desde el día uno, después es casi imposible reconstruir quién gastó qué.

¿Tienes un proceso de evaluación de calidad antes de ir a producción?

Si no tienes métricas de groundedness y relevancia definidas antes de desplegar, no sabes si tu aplicación de IA funciona. Define los umbrales mínimos ahora.

Qué es Azure AI Foundry

Azure AI Foundry — anteriormente conocido como Azure AI Studio — es la plataforma unificada de Microsoft para construir, evaluar y desplegar aplicaciones de inteligencia artificial a escala empresarial. Consolida lo que antes era un panorama fragmentado de servicios individuales de Azure AI en un único entorno de desarrollo coherente.

La plataforma se construye sobre tres conceptos fundamentales: hubs, proyectos y conexiones. Los hubs proporcionan el límite organizativo y la infraestructura compartida. Los proyectos dentro de los hubs ofrecen a los equipos espacios de trabajo aislados para construir soluciones de IA. Las conexiones definen cómo tus proyectos acceden a modelos, fuentes de datos y recursos de cómputo.

Una configuración bien diseñada de AI Foundry permite que múltiples equipos construyan soluciones de IA de forma independiente, manteniendo controles consistentes de seguridad, gobernanza y costes.

Visión General de la Arquitectura: Hubs, Proyectos y Conexiones

Hubs de AI Foundry

Un hub es la unidad organizativa de nivel superior en AI Foundry. Piensa en él como un espacio de trabajo compartido que proporciona:

• Recursos de cómputo compartidos: Clústeres de GPU y CPU disponibles para todos los proyectos
• Conexiones comunes: Acceso compartido a Azure OpenAI, Azure AI Search y otros servicios
• Gobernanza centralizada: Controles de RBAC, redes y cumplimiento normativo
• Almacenamiento compartido: Cuenta de Azure Storage para conjuntos de datos, modelos y artefactos

Mi recomendación de diseño de hubs: Crea hubs alineados con los límites organizativos — uno por unidad de negocio o uno por iniciativa principal de IA. No crees un único hub para toda la organización; esto genera complejidad en la gobernanza que escala mal.

Proyectos

Los proyectos son donde ocurre el desarrollo real de IA:

• Espacios de trabajo aislados: Cada proyecto tiene su propio conjunto de flujos, despliegues y evaluaciones
• Alcance por equipo: Asigna miembros específicos del equipo a proyectos concretos
• Despliegues independientes: Cada proyecto puede desplegar modelos de forma independiente
• Recursos compartidos: Los proyectos heredan conexiones y cómputo de su hub padre

Conexiones

Las conexiones definen el acceso a servicios externos:

Hub: IA Empresarial
├── Conexión: Azure OpenAI (GPT-4o, GPT-4o-mini)
├── Conexión: Azure AI Search (índice de conocimiento corporativo)
├── Conexión: Azure Storage (conjuntos de datos de entrenamiento)
├── Proyecto: Agente de Atención al Cliente
│   ├── Usa: Azure OpenAI, Azure AI Search
│   └── Despliegue: Endpoint de FAQ de clientes
├── Proyecto: Procesamiento de Documentos
│   ├── Usa: Azure OpenAI, Azure Storage
│   └── Despliegue: Endpoint de extracción de facturas
└── Proyecto: Bot de Conocimiento Interno
    ├── Usa: Azure OpenAI, Azure AI Search
    └── Despliegue: Endpoint de asistente para empleados

Para detalles de arquitectura, consulta Arquitectura de Azure AI Foundry.

Requisitos Previos y Configuración de la Suscripción de Azure

Recursos de Azure Necesarios

Antes de crear tu entorno de AI Foundry, aprovisiona estos recursos:

1. Suscripción de Azure con cuota suficiente para servicios de IA
2. Grupo de recursos dedicado a recursos de AI Foundry
3. Recurso de Azure OpenAI (requiere aprobación de solicitud separada si aún no está concedida)
4. Azure AI Search (para escenarios de RAG)
5. Cuenta de Azure Storage (se crea automáticamente con el hub, pero considera crearla previamente para mayor control)

Planificación de Cuotas

Los servicios de Azure AI tienen cuotas regionales que debes planificar:

| Recurso | Cuota Clave | Recomendación |

|---------|-------------|---------------|

| Azure OpenAI GPT-4o | Tokens por minuto (TPM) | Comienza con 80K TPM, escala según uso |

| Azure OpenAI GPT-4o-mini | TPM | 120K TPM para cargas de evaluación |

| Azure AI Search | Unidades de búsqueda | S1 para desarrollo, S2+ para producción |

| Instancias de cómputo | VMs con GPU | Comienza con Standard_NC6s_v3 para ajuste fino |

Estimación de Costes

Planifica tu presupuesto utilizando la Calculadora de Precios de Azure. Principales factores de coste:

• Inferencia de modelos: Pago por token para modelos de Azure OpenAI
• Cómputo: Instancias GPU para ajuste fino y alojamiento de modelos personalizados
• Búsqueda: Nivel de servicio de Azure AI Search y número de documentos
• Almacenamiento: Almacenamiento de datos para conjuntos de datos, modelos y resultados de evaluación
• Redes: Costes de endpoints privados si se utiliza integración con VNet

Creación de tu Primer Hub y Proyecto

Paso 1: Crear el Hub

# Usando Azure CLI
az ml workspace create \
  --name "enterprise-ai-hub" \
  --resource-group "rg-ai-foundry" \
  --kind hub \
  --location "westeurope" \
  --storage-account "/subscriptions/{sub}/resourceGroups/rg-ai-foundry/providers/Microsoft.Storage/storageAccounts/saienterprise"

O a través del portal de Azure AI Foundry en ai.azure.com:

1. Haz clic en + Nuevo hub
2. Selecciona la suscripción y el grupo de recursos
3. Elige la región (considera los requisitos de residencia de datos)
4. Configura la red (endpoint público o privado)
5. Revisa y crea

Paso 2: Crear un Proyecto

az ml workspace create \
  --name "agente-atencion-cliente" \
  --resource-group "rg-ai-foundry" \
  --kind project \
  --hub-id "/subscriptions/{sub}/resourceGroups/rg-ai-foundry/providers/Microsoft.MachineLearning/workspaces/enterprise-ai-hub"

Paso 3: Añadir Conexiones

# Añadir conexión de Azure OpenAI
az ml connection create \
  --name "openai-prod" \
  --resource-group "rg-ai-foundry" \
  --workspace-name "enterprise-ai-hub" \
  --type azure_open_ai \
  --url "https://tu-openai.openai.azure.com/" \
  --api-key "tu-api-key"

Para instrucciones de configuración, consulta Crear un hub de Azure AI Foundry.

Catálogo de Modelos: Modelos Disponibles

AI Foundry proporciona acceso a un amplio catálogo de modelos que abarca múltiples proveedores:

Modelos de OpenAI

• GPT-4o: Último modelo multimodal, ideal para razonamiento complejo y generación de contenido
• GPT-4o-mini: Opción rentable para tareas más sencillas
• GPT-4 Turbo: Modelo de texto de alta capacidad con contexto de 128K tokens
• text-embedding-ada-002 y text-embedding-3-large: Para embeddings vectoriales en RAG

Modelos de Código Abierto

• Meta Llama 3.1: Modelos de 8B, 70B y 405B parámetros — excelentes para escenarios on-premises o sensibles al coste
• Mistral: Modelos europeos competitivos con rendimiento destacado
• Microsoft Phi-3: Modelos de lenguaje pequeños optimizados para edge y despliegues sensibles al coste
• Cohere: Modelos especializados para aplicaciones de búsqueda y RAG

Opciones de Despliegue

| Tipo de Modelo | Despliegue | Caso de Uso |

|----------------|-----------|-------------|

| Azure OpenAI | Gestionado (pago por token) | Inferencia en producción, carga variable |

| Código Abierto | API sin servidor | Pruebas, carga moderada |

| Código Abierto | Cómputo gestionado | Alto rendimiento, modelos con ajuste fino |

| Personalizado | Endpoint online gestionado | Modelos con ajuste fino y requisitos específicos |

Para el catálogo de modelos, consulta Catálogo de modelos en Azure AI Foundry.

Prompt Flow: Construcción de Pipelines de Orquestación

Prompt Flow es la herramienta de orquestación visual de AI Foundry para construir la lógica de aplicaciones de IA.

Conceptos Fundamentales

• Flujos (Flows): Grafos dirigidos de pasos de procesamiento
• Nodos: Unidades individuales de procesamiento (llamadas a LLM, código Python, herramientas)
• Conexiones: Referencias a servicios externos utilizados por los nodos
• Variantes: Diferentes configuraciones del mismo nodo para pruebas A/B

Construcción de un Pipeline RAG

Un flujo típico de Generación Aumentada por Recuperación (RAG):

Entrada (consulta del usuario)
    │
    ├── Nodo: Embedding (convertir consulta a vector)
    │
    ├── Nodo: Búsqueda Vectorial (Azure AI Search)
    │       └── Devuelve los top-k documentos relevantes
    │
    ├── Nodo: Construcción del Prompt
    │       └── Combina consulta + documentos recuperados + prompt del sistema
    │
    ├── Nodo: Llamada al LLM (GPT-4o)
    │       └── Genera respuesta fundamentada
    │
    └── Salida (respuesta + citas)

Flujos de Evaluación

Los flujos de evaluación miden la calidad de tu aplicación de IA:

• Fundamentación (Groundedness): ¿La respuesta se ciñe al contexto proporcionado?
• Relevancia: ¿La respuesta es relevante para la pregunta del usuario?
• Coherencia: ¿La respuesta está bien estructurada y es legible?
• Fluidez: ¿La respuesta es gramaticalmente correcta?
• Similitud: ¿Qué tan cercana es la respuesta a una respuesta de referencia?

Para la documentación de Prompt Flow, consulta Prompt Flow en Azure AI Foundry.

Integración de Azure AI Search para RAG

Diseño del Índice

Diseña tu índice de búsqueda para un rendimiento óptimo de RAG:

{
  "name": "conocimiento-corporativo",
  "fields": [
    { "name": "id", "type": "Edm.String", "key": true },
    { "name": "content", "type": "Edm.String", "searchable": true, "analyzer": "es.microsoft" },
    { "name": "title", "type": "Edm.String", "searchable": true },
    { "name": "contentVector", "type": "Collection(Edm.Single)", "dimensions": 1536, "vectorSearchProfile": "default" },
    { "name": "source", "type": "Edm.String", "filterable": true },
    { "name": "lastUpdated", "type": "Edm.DateTimeOffset", "filterable": true }
  ],
  "vectorSearch": {
    "algorithms": [{ "name": "hnsw", "kind": "hnsw" }],
    "profiles": [{ "name": "default", "algorithm": "hnsw" }]
  }
}

Estrategias de Fragmentación (Chunking)

La forma en que fragmentas los documentos impacta significativamente en la calidad del RAG:

• Fragmentos de tamaño fijo (500-1000 tokens): Simples y consistentes, pero pueden dividir unidades semánticas
• Fragmentación semántica: Divide en límites de párrafos o secciones para una mejor preservación del contexto
• Ventana deslizante: Fragmentos superpuestos para evitar pérdida de contexto en los bordes
• Jerárquica: Diferentes tamaños de fragmentos para distintos tipos de contenido

Para la integración con AI Search, consulta Documentación de Azure AI Search.

RBAC y Control de Acceso

Asignaciones de Roles

AI Foundry utiliza Azure RBAC para el control de acceso:

| Rol | Ámbito | Permisos |

|-----|--------|----------|

| Azure AI Developer | Proyecto | Construir y probar flujos, desplegar modelos, ejecutar evaluaciones |

| Azure AI Inference Deployment Operator | Proyecto | Desplegar y gestionar endpoints de inferencia |

| Reader | Hub/Proyecto | Ver recursos, sin modificaciones |

| Contributor | Hub | Acceso completo al hub y todos los proyectos |

| Owner | Hub | Acceso completo + gestión de asignación de roles |

Principio de Mínimo Privilegio

Nivel de Hub:
├── Owner: Líder del equipo de plataforma (1-2 personas)
├── Contributor: Ingenieros de plataforma
└── Reader: Equipo de gobernanza, auditores

Nivel de Proyecto:
├── Azure AI Developer: Científicos de datos, ingenieros de IA
├── Azure AI Inference Deployment Operator: Equipo de MLOps
└── Reader: Stakeholders de negocio

Para la configuración de RBAC, consulta Control de acceso basado en roles en Azure AI Foundry.

Gestión de Costes y Planificación de Cuotas

Monitorización de Costes

Configura la gestión de costes desde el primer día:

1. Alertas de presupuesto: Configura alertas de Azure Cost Management al 50%, 75% y 90% del presupuesto mensual
2. Etiquetas de asignación de costes: Etiqueta todos los recursos de AI Foundry con identificadores de proyecto y equipo
3. Dashboards de uso: Crea dashboards en Power BI mostrando coste por proyecto, modelo y equipo
4. Seguimiento de tokens: Monitoriza el consumo de tokens por despliegue para optimización

Estrategias de Optimización de Costes

• Utiliza GPT-4o-mini para tareas rutinarias y reserva GPT-4o para escenarios complejos
• Implementa caché para consultas repetidas (Azure Redis Cache o a nivel de aplicación)
• Establece límites de tokens por solicitud para prevenir costes descontrolados
• Usa throughput aprovisionado para cargas de trabajo predecibles y de alto volumen (reduce el coste por token)
• Programa el apagado de cómputo en entornos de desarrollo fuera del horario laboral

Redes y Endpoints Privados

Para despliegues empresariales, configura el aislamiento de red:

Arquitectura de Endpoints Privados

Red Corporativa (VNet)
├── Subred: ai-foundry
│   ├── Endpoint Privado: Azure OpenAI
│   ├── Endpoint Privado: Azure AI Search
│   └── Endpoint Privado: Cuenta de Storage
├── Subred: compute
│   └── Instancias de cómputo gestionadas
└── Reglas NSG que restringen tráfico entrante/saliente

Pasos de Configuración

1. Crea una VNet con subredes dedicadas para AI Foundry
2. Habilita endpoints privados en Azure OpenAI, AI Search y Storage
3. Configura la resolución DNS (Zonas DNS Privadas)
4. Deshabilita el acceso de red pública en recursos sensibles
5. Configura reglas NSG para acceso de red con mínimo privilegio

CI/CD para Aplicaciones de IA

Pipeline de GitHub Actions

name: Desplegar Flujo de IA
on:
  push:
    branches: [main]
    paths: ['flows/**']

jobs:
  deploy:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - uses: azure/login@v1
        with:
          creds: ${{ secrets.AZURE_CREDENTIALS }}
      - name: Desplegar Prompt Flow
        run: |
          az extension add -n ml
          az ml online-deployment create \
            --name production \
            --endpoint-name customer-service \
            --file flows/customer-service/deployment.yml \
            --resource-group rg-ai-foundry \
            --workspace-name customer-service-agent

Mejores Prácticas de MLOps

1. Versiona todo: Flujos, prompts, conjuntos de datos de evaluación, configuraciones de modelos
2. Automatiza evaluaciones: Ejecuta flujos de evaluación en CI antes de desplegar
3. Despliegues blue-green: Despliega nuevas versiones junto a las existentes, desplaza el tráfico gradualmente
4. Procedimientos de rollback: Mantén la capacidad de revertir rápidamente a versiones anteriores
5. Monitorización: Configura alertas sobre métricas de rendimiento del modelo en producción

Para prácticas de MLOps, consulta MLOps con Azure Machine Learning.

Monitorización y Observabilidad

Las aplicaciones de IA en producción requieren una monitorización exhaustiva en múltiples dimensiones.

Métricas Clave a Rastrear

| Métrica | Objetivo | Umbral de Alerta |

|---------|----------|-----------------|

| Latencia de solicitud (P95) | < 5 segundos | > 8 segundos |

| Tasa de errores | < 1% | > 3% |

| Consumo de tokens | Dentro del presupuesto | > 80% de la asignación mensual |

| Disponibilidad del modelo | 99.9% | < 99.5% |

| Puntuación de fundamentación | > 4.0/5.0 | < 3.5/5.0 |

Integración con Azure Monitor

Configura Application Insights para tus aplicaciones de AI Foundry:

1. Métricas personalizadas: Rastrea tokens consumidos, puntuaciones de calidad de respuesta y tasas de aciertos de caché
2. Trazado distribuido: Traza solicitudes a través de todo tu pipeline RAG — desde la generación de embeddings pasando por la búsqueda hasta la respuesta del LLM
3. Análisis de logs: Centraliza logs de todos los componentes de IA para análisis forense
4. Dashboards: Construye dashboards operacionales mostrando métricas de salud y calidad en tiempo real
5. Alertas: Configura alertas sobre picos de latencia, aumentos en la tasa de errores y umbrales de coste

Dashboard de Monitorización de Costes

Construye un dashboard de Power BI conectado a Azure Cost Management que muestre:

• Consumo diario de tokens por modelo y proyecto
• Tendencia de coste por solicitud (debería disminuir con el tiempo a medida que optimizas)
• Tasa de consumo del presupuesto con proyección mensual total
• Comparación de costes entre modelos (GPT-4o vs GPT-4o-mini vs código abierto)

Para orientación sobre monitorización, consulta Monitorizar Azure AI Foundry.

Mejores Prácticas para el Desarrollo de IA Multi-Equipo

Basándome en mi experiencia configurando AI Foundry para clientes empresariales en Europa:

1. Un hub por división, un proyecto por iniciativa: Esto equilibra la gobernanza con la autonomía del equipo
2. Estandariza las conexiones: Define conexiones de modelos aprobadas a nivel de hub
3. Crea plantillas de proyectos: Usa plantillas Bicep/ARM para aprovisionar nuevos proyectos con configuración consistente
4. Implementa barandillas de coste: Establece alertas de presupuesto y límites de tokens por proyecto
5. Establece estándares de evaluación: Define umbrales mínimos de calidad (fundamentación > 0.8, relevancia > 0.7) antes del despliegue en producción
6. Documenta todo: Mantén una base de conocimiento con patrones de prompting, plantillas de flujos y lecciones aprendidas
7. Revisiones de arquitectura periódicas: Revisiones mensuales del uso, costes y postura de seguridad de AI Foundry

Tu checklist de implementación

Planificación

• [ ] Cuota de Azure OpenAI solicitada y aprobada en la región target
• [ ] Región de despliegue decidida (con sign-off de Data Residency si aplica)
• [ ] Diseño de hubs y proyectos documentado (quién es Owner de cada hub)
• [ ] Roles RBAC definidos para cada equipo
• [ ] Presupuesto mensual aprobado con alertas configuradas
• [ ] Decisión tomada sobre endpoints privados vs acceso público
• [ ] Naming convention de recursos definida y aprobada

Implementación

• [ ] Grupo de recursos creado con etiquetas de proyecto/equipo
• [ ] Hub creado en AI Foundry con configuración de red correcta
• [ ] Conexión a Azure OpenAI añadida al hub y verificada
• [ ] Conexión a Azure AI Search añadida (si hay escenarios RAG)
• [ ] Proyectos creados para cada iniciativa o equipo
• [ ] Asignaciones de roles RBAC aplicadas (Hub Owner, Azure AI Developer por proyecto)
• [ ] Endpoints privados configurados y DNS resuelto (si aplica)
• [ ] Alertas de presupuesto configuradas en Azure Cost Management

Pruebas

• [ ] Verificar que cada rol puede acceder solo a lo que le corresponde
• [ ] Probar una llamada a GPT-4o-mini desde un proyecto con las credenciales de un AI Developer
• [ ] Verificar que las conexiones del hub están disponibles en los proyectos hijo
• [ ] Probar el flujo de evaluación con un dataset de prueba
• [ ] Confirmar que los logs llegan a Application Insights correctamente
• [ ] Verificar que las alertas de coste se disparan con un test manual

Despliegue

• [ ] Pipeline de CI/CD configurado en GitHub Actions o Azure DevOps
• [ ] Primer Prompt Flow desplegado como endpoint online
• [ ] Métricas de monitorización en producción visibles en dashboard
• [ ] Runbook de rollback documentado y probado
• [ ] Acceso del equipo de MLOps a los endpoints de despliegue confirmado
• [ ] Documentación de la arquitectura actualizada con decisiones tomadas

Preguntas frecuentes

¿Cuántos hubs de Azure AI Foundry necesita una empresa?

La regla que aplico: un hub por división o unidad de negocio, y un proyecto por iniciativa. Un hub por equipo es demasiado granular; uno único para toda la organización escala mal en gobernanza. Si tienes equipos en la UE y en EEUU con requisitos de residencia de datos distintos, necesitas hubs en regiones separadas — y eso no se añade fácilmente después.

¿Cuál es la diferencia entre un hub, un proyecto y una conexión?

El hub es el límite organizativo: aporta cómputo compartido, gobernanza (RBAC, red) y almacenamiento. El proyecto es el espacio aislado donde un equipo construye, evalúa y despliega. La conexión define el acceso a servicios externos (Azure OpenAI, AI Search, Storage). Mi recomendación: las conexiones se definen y aprueban a nivel de hub, y los proyectos solo las usan, no crean las suyas.

¿Cómo controlo los costes de Azure AI Foundry desde el principio?

Configura tres cosas el día uno: alertas de Azure Cost Management al 50/75/90 % del presupuesto, etiquetas de recurso con identificador de proyecto y equipo, y un dashboard de consumo de tokens. Reservar GPT-4o-mini para tareas rutinarias y GPT-4o para razonamiento complejo es la palanca de ahorro más rápida. Si no etiquetas desde el principio, reconstruir quién gastó qué después es casi imposible.

¿Qué métricas debo evaluar antes de pasar a producción?

Como mínimo, fundamentación (groundedness) y relevancia. Define umbrales antes de desplegar —yo uso fundamentación > 0,8 y relevancia > 0,7 como punto de partida— y automatiza el flujo de evaluación en tu pipeline de CI para que ninguna versión llegue a producción sin pasar el listón.

Próximos Pasos

Ahora que comprendes la arquitectura y configuración de Azure AI Foundry, estos son los siguientes pasos recomendados para avanzar en tu implementación empresarial:

• Configura tu primer hub y proyecto: Sigue los pasos de esta guía para crear tu entorno base en ai.azure.com y valida que los permisos RBAC funcionan correctamente para tu equipo
• Despliega un modelo del catálogo: Comienza con GPT-4o-mini para validar la conectividad y luego escala a GPT-4o para casos de uso que requieran mayor capacidad de razonamiento
• Construye tu primer flujo RAG con Prompt Flow: Utiliza Azure AI Search como fuente de conocimiento y evalúa la calidad con las métricas de fundamentación y relevancia integradas
• Implementa gobernanza de costes desde el día uno: Configura alertas de presupuesto, etiquetas de asignación y dashboards de consumo antes de que los equipos comiencen a desarrollar
• Planifica la seguridad de red: Si tu organización lo requiere, diseña la arquitectura de endpoints privados y zonas DNS antes de mover cargas de trabajo a producción

Para documentación completa de AI Foundry, visita el centro de documentación de Azure AI Foundry y la documentación del servicio Azure OpenAI.