Flujos que toman decisiones: IA aplicada a Power Automate

Durante años hemos utilizado Power Automate para automatizar procesos basados en reglas bastante claras. Si llega un correo, crea una tarea. Si se aprueba una solicitud, actualiza un estado. Si una fila cambia en Dataverse, envía una notificación. Este tipo de automatización sigue siendo tremendamente útil, pero tiene una limitación evidente: normalmente funciona muy bien cuando las condiciones están perfectamente definidas.

El problema aparece cuando la información de entrada no viene limpia, estructurada o preparada para una condición clásica. Un correo puede estar escrito de mil formas diferentes. Una solicitud puede contener texto libre. Un documento puede incluir información relevante escondida entre párrafos. Una incidencia puede parecer urgente no por un campo de prioridad, sino por el tono del mensaje y el contexto del cliente.

Ahí es donde la inteligencia artificial empieza a cambiar las reglas del juego.

Power Automate ya no tiene por qué limitarse a mover datos de un sitio a otro. Combinado con AI Builder, prompts generativos, Dataverse y acciones de aprobación, puede analizar información, clasificarla, extraer datos, proponer decisiones y orquestar procesos mucho más inteligentes. Microsoft documenta el uso de prompts de AI Builder dentro de Power Automate mediante la acción Run a prompt, que permite generar texto dentro de un flujo automatizado y utilizar después la salida en pasos posteriores del proceso.

Dicho de otra forma: pasamos de flujos que simplemente ejecutan instrucciones a flujos que ayudan a decidir qué camino debe seguir un proceso.

Qué significa que un flujo “tome decisiones”

Cuando digo que un flujo toma decisiones, no me refiero a dejar que la IA actúe sin control ni supervisión. Me refiero a utilizar IA para interpretar información compleja y convertirla en señales útiles para el proceso.

Un flujo inteligente puede recibir un correo, analizar su contenido, clasificar la solicitud, calcular una prioridad, extraer datos clave, detectar riesgos y decidir si debe crear una incidencia, enviarla a un equipo concreto, pedir aprobación o escalarla a un responsable.

La decisión no tiene por qué ser definitiva. De hecho, en muchos escenarios lo más recomendable es que la IA proponga una acción y que una persona la valide. Microsoft también recomienda incorporar revisión humana sobre las salidas generadas por prompts para asegurar calidad, alineación con criterios éticos y adecuación a requisitos específicos del negocio. 

Este matiz es importante. La IA no debe convertirse en una caja negra que aprueba facturas, rechaza solicitudes o asigna prioridades críticas sin trazabilidad. La IA debe actuar como una capa de análisis que mejora la automatización, no como un sustituto irresponsable del criterio de negocio.

El patrón base: entrada, análisis, decisión y acción

Una arquitectura sencilla para aplicar IA en Power Automate podría organizarse en cuatro bloques.

Primero tenemos la entrada. Puede ser un correo, un formulario, un registro de Dataverse, un documento, un mensaje de Teams o una solicitud enviada desde Power Apps. Power Automate puede iniciar flujos desde múltiples orígenes, y en el caso de Dataverse dispone de triggers para actuar cuando una fila se crea, actualiza o elimina, además de acciones para crear, actualizar, consultar, relacionar o eliminar registros. 

Después llega el análisis con IA. Aquí podemos utilizar AI Builder, prompts generativos o modelos específicos para procesar el contenido. Los prompts de AI Builder permiten escenarios como clasificación de correos, resumen de textos, generación de borradores, extracción de información, transformación de datos o identificación de próximos pasos.

El tercer bloque es la decisión. El flujo utiliza la salida de la IA para aplicar lógica de negocio. Por ejemplo, si la prioridad sugerida es alta, se crea una tarea urgente. Si el riesgo es bajo, se continúa automáticamente. Si el importe supera un umbral, se solicita aprobación.

Por último tenemos la acción. El flujo actualiza Dataverse, envía una aprobación, publica en Teams, manda un correo, crea una tarea, invoca un conector personalizado o informa a una Power App. Power Automate y Dataverse pueden trabajar juntos para guardar el estado de procesos, registrar resultados y mantener trazabilidad de las decisiones tomadas durante el flujo. 

Este patrón es sencillo, pero extremadamente potente.

Caso práctico 1: clasificación inteligente de correos de soporte

Imaginemos un buzón compartido de soporte interno donde llegan peticiones de todo tipo. Algunas personas escriben “no puedo acceder a VPN”, otras “el portátil no arranca”, otras “necesito permisos en una carpeta” y otras simplemente envían mensajes largos explicando un problema de forma poco estructurado.

Con un flujo clásico, tendríamos que construir condiciones basadas en palabras clave. Si el asunto contiene “VPN”, asignar a infraestructura. Si contiene “contraseña”, asignar a identidad. Si contiene “equipo”, asignar a workplace. Este enfoque funciona hasta cierto punto, pero se vuelve frágil muy rápido. Basta con que el usuario escriba de forma diferente para que la clasificación falle.

Con IA, el flujo puede analizar el cuerpo completo del correo y devolver una estructura más útil:

{ 

        "categoria": "Accesos", 

        "subcategoria": "VPN", 

        "prioridad": "Media", 

        "equipoAsignado": "Infraestructura", 

        "resumen": "El usuario no puede conectarse a la VPN desde fuera de la oficina.", 

        "requiereRevisionHumana": false

}
A partir de esa salida, Power Automate puede crear una incidencia en Dataverse, asignarla al equipo correcto, enviar una confirmación al usuario y notificar por Teams si la prioridad es alta.

Este es un gran ejemplo de cómo la IA no sustituye al flujo. Lo que hace es darle al flujo una capacidad que antes era muy difícil de implementar solo con condiciones tradicionales: entender lenguaje natural.

Aprobaciones inteligentes: incorporando IA en la toma de decisiones

Uno de los escenarios más interesantes para Power Automate con IA son los procesos de aprobación.

Microsoft documenta patrones donde Dataverse se utiliza para almacenar el estado de aprobaciones y Power Automate se encarga de orquestar el proceso, permitiendo que la información del flujo viva en una tabla independiente y sea consultada o modificada desde una app. 

Ahora llevemos este patrón un paso más allá.

Supongamos que una empresa tiene un proceso de compras donde cada solicitud incluye:

• Departamento solicitante.
• Importe estimado.
• Justificación.
• Proveedor sugerido.
• Fecha límite.
• Documentos adjuntos.
• Histórico del proveedor.

Un flujo tradicional podría decir:

• Si el importe es menor de 1.000 €, aprobación automática.
• Si el importe está entre 1.000 € y 10.000 €, aprobación del responsable.
• Si supera 10.000 €, aprobación financiera.

Esto está bien, pero es limitado. Una solicitud de 800 € puede ser sospechosa si el proveedor tiene incidencias previas. Una solicitud de 12.000 € puede ser perfectamente razonable si corresponde a un contrato recurrente aprobado. El importe no siempre cuenta toda la historia.

Con IA, el flujo puede generar una evaluación previa:

{ 

        "riesgo": "Medio", 

        "motivo": "El proveedor tiene dos retrasos registrados en pedidos anteriores y la fecha límite indicada es ajustada.",                          "accionRecomendada": "Enviar a aprobación del responsable de compras", 

        "confianza": 0.82

}

Después, Power Automate puede decidir la ruta del proceso. Si el riesgo es bajo y el importe está dentro de determinados límites, puede continuar. Si el riesgo es medio, puede pedir aprobación. Si el riesgo es alto o la confianza baja, puede escalar la solicitud para revisión manual.

Este enfoque convierte el flujo en un proceso mucho más contextual. La decisión ya no depende solo de un número, sino de una combinación de datos estructurados, texto libre e histórico de negocio.

Buenas prácticas para flujos con IA

La primera buena práctica es pedir siempre una salida estructurada cuando el flujo necesite tomar decisiones. Si el modelo devuelve texto libre, será más difícil utilizar la respuesta en condiciones, ramas o actualizaciones de Dataverse. En muchos casos, pedir JSON válido simplifica muchísimo el diseño del flujo.

La segunda buena práctica es no confiar solo en la IA. Siempre que el proceso tenga impacto económico, legal, reputacional o de seguridad, conviene incorporar revisión humana. Microsoft documenta precisamente la posibilidad de añadir revisión humana después de la acción de prompt en Power Automate para mejorar calidad y control del resultado. [learn.microsoft.com]

La tercera es guardar la decisión. Si un flujo clasifica una solicitud como urgente, recomienda aprobar una compra o marca una factura como sospechosa, ese razonamiento debería quedar registrado. Dataverse es una buena opción para almacenar tanto el dato operativo como el histórico del proceso, ya que Power Automate puede crear y actualizar filas mediante su conector nativo.

La cuarta es separar la lógica de negocio del prompt. El prompt puede interpretar texto, resumir, clasificar o proponer. Pero las reglas críticas del negocio deberían seguir estando en el flujo, en Dataverse o en componentes gobernados. Por ejemplo, si toda compra superior a 50.000 € requiere aprobación financiera, esa regla no debería depender únicamente de que el modelo la recuerde.

La quinta es controlar errores y respuestas inesperadas. Un flujo con IA debe contemplar casos donde la respuesta no tenga el formato esperado, la confianza sea baja, falten datos o se produzca throttling. La documentación de AI Builder indica que los prompts pueden estar sujetos a límites de uso o capacidad, por lo que conviene diseñar mecanismos de fallback.

La sexta es medir. Si incorporamos IA a un proceso, deberíamos medir si realmente mejora algo: tiempo medio de clasificación, porcentaje de reasignaciones, número de revisiones manuales, precisión de la prioridad o satisfacción de los usuarios.

Errores habituales

A la hora de integrar IA en nuestros flujos, no basta con conseguir que funcione. También debemos pensar en el mantenimiento, la fiabilidad, la seguridad y el control sobre las decisiones que estamos automatizando. Estos son algunos de los errores más habituales que deberíamos evitar:

• Crear un prompt demasiado complejo.
  El primer error es convertir el prompt en un monstruo. Algunos flujos terminan con instrucciones larguísimas, contradictorias y difíciles de mantener. Un prompt debe ser claro, específico y comprobable.

• No validar la salida de la IA.
  Si pedimos JSON, debemos comprobar que la respuesta es realmente JSON y que incluye los campos esperados. Si no lo hacemos, el flujo puede fallar o, peor aún, tomar decisiones con datos incompletos o incorrectos.

• Automatizar decisiones sensibles sin revisión.
  Que técnicamente podamos aprobar, rechazar o escalar algo automáticamente no significa que debamos hacerlo siempre. En determinados procesos es importante mantener algún tipo de revisión o intervención humana.

• No registrar la justificación de la IA.
  Una prioridad sin explicación aporta poco, y una recomendación sin motivo genera desconfianza. Siempre que sea posible, la IA debería indicar por qué propone una determinada acción, facilitando así la revisión y la trazabilidad.

• Olvidarse de la seguridad.
  Si el flujo accede a Dataverse, documentos, correos o sistemas externos, debemos revisar aspectos como las conexiones, permisos, políticas DLP, propietarios del flujo y modelo de ejecución. En Power Automate también es importante tener en cuenta cómo se gestionan las conexiones con Dataverse, especialmente cuando intervienen diferentes usuarios, service principals o distintos entornos.

Conclusión