Partner de Databricks
Ficha DB-08
Databricks · Genie Code · Lakeflow Pipelines
Genie Code: el asistente de código de Databricks para equipos de datos
La formación sobre Genie Code, el asistente de código de Databricks, es una formación práctica en vivo de 6 horas para que equipos de datos aprendan a pedirle bien las tareas, a usar su modo agente con control y a revisar y probar lo que genera. BertIA, consultora de datos e IA en España y partner de Databricks, la imparte sobre el código y los pipelines reales de cada equipo.
6 h de práctica con casos reales del equipo
6–10 personas por sesión
FUNDAE bonificable, gestión incluida
En vivo presencial u online
01
Qué es la formación sobre Genie Code en Databricks y para quién
Dos sesiones de tres horas para que el equipo use el asistente donde ya trabaja: notebooks, editor de consultas, Lakeflow Pipelines, paneles y MLflow. Escribir, depurar y explicar código es la parte fácil; la que marca la diferencia es cómo se revisa y se prueba lo que sale, para ganar tiempo sin perder confianza en el resultado.
Para quién
ingenieros y analistas de datos que ya programan en Python o en consultas y mantienen pipelines y notebooks. No es una formación de iniciación a Databricks.
Qué gana la organización
menos tiempo en tareas repetitivas, código heredado explicado y documentado, y unos criterios comunes de revisión. Esta formación puede abrir un proyecto de modernización de pipelines y buenas prácticas de desarrollo.
Cómo lo trabajamos
empezamos con un diagnóstico previo: una encuesta corta a los asistentes y una llamada de 30 minutos con quien impulsa la formación, para elegir notebooks y pipelines reales. La sesión se hace con vuestros procesos, documentos y jerga, no con ejemplos genéricos. Lo hemos visto en farma, industria y retail: el asistente rinde más donde el equipo tiene convenciones claras y pruebas que lo respaldan.
02
Objetivos de aprendizaje con el asistente de código de Databricks
Al terminar, cada participante es capaz de:
OA-1
Pedir a Genie Code tareas concretas con el contexto necesario: tablas, convenciones y resultado esperado.
OA-2
Explicar y documentar con su ayuda un notebook o un pipeline heredado.
OA-3
Depurar un error con el asistente y comprobar que la solución es la correcta, no solo que ejecuta.
OA-4
Usar el modo agente con el alcance acotado, revisando el plan y cada cambio antes de aceptarlo.
OA-5
Escribir pruebas automáticas y una lista de revisión para el código generado.
OA-6
Describir en un lienzo los casos de uso de modernización con mayor retorno para el equipo.
03
Temario sobre Genie Code para equipos de datos, sesión a sesión
Temario de referencia para dos sesiones de 3 h, online o presenciales. En la propuesta se ajusta a vuestro código y a vuestro sector.
M1
Conocer Genie Code y pedir bien
Sesión 1 · 90 min
1.1
Qué es Genie Code: el nombre actual del asistente de IA de Databricks, que sustituyó a Databricks Assistant en marzo de 2026. Dónde está: notebooks, editor de consultas, Lakeflow Pipelines, paneles y MLflow.
1.2
Pedir bien: tablas, columnas, resultado esperado y convenciones del equipo escritos en la petición.
1.3
Permisos: Genie Code respeta los permisos de Unity Catalog, de modo que trabaja con lo que cada persona puede ver.
1.4
Práctica: explicar y documentar un notebook heredado del propio equipo.
M2
Escribir, depurar y explicar código
Sesión 1 · 90 min
2.1
Generar transformaciones de datos en Python y en consultas a partir de una descripción del resultado.
2.2
Depurar: pasar el error y el contexto, entender la causa y decidir si la corrección encaja con el diseño.
2.3
Explicar código heredado: resúmenes, diagramas de flujo en texto y comentarios útiles.
2.4
Revisar siempre: leer el código, ejecutarlo sobre una muestra y comparar el resultado con el esperado.
2.5
Práctica: cada participante resuelve una tarea real pendiente de su lista de tareas con el asistente.
M3
Modo agente en notebooks y pipelines
Sesión 2 · 90 min
3.1
Modo agente: el asistente propone un plan, edita varias celdas o ficheros y ejecuta pasos. Cuándo conviene y cuándo no.
3.2
Acotar el alcance: peticiones pequeñas, plan por delante y revisión de cada cambio antes de aceptarlo.
3.3
Lakeflow Pipelines: entender, ordenar y modernizar un pipeline existente con ayuda del agente.
3.4
Trabajar con control: cambios en una rama, comparación con el pipeline actual y vuelta atrás sencilla.
3.5
Práctica: modernizar un tramo de pipeline heredado y comparar resultados.
M4
Revisión, pruebas y taller de casos de uso
Sesión 2 · 90 min
4.1
Pruebas automáticas: pedir al asistente las pruebas, entender qué cubren y completar las que faltan.
4.2
Lista de revisión del código generado: datos de entrada, casos límite, rendimiento, nombres y seguridad.
4.3
Trazabilidad: qué se pidió, qué se aceptó y quién lo revisó, ligado a vuestro flujo de trabajo.
4.4
Taller final de casos de uso: cada grupo completa un lienzo con el problema, los datos, los usuarios, el valor y el esfuerzo.
4.5
Puesta en común: los casos se comparan y se anota cuáles pasan al informe priorizado.
04
Asistentes de código en Databricks, Microsoft y otras plataformas
La formación se imparte con Genie Code en Databricks. Para equipos que combinan herramientas, esta tabla sitúa cada tarea en el entorno que ya conocen.
Tarea
Databricks
Microsoft
Otras plataformas
Asistente de código
Databricks
Genie Code, antes Databricks Assistant
Microsoft
GitHub Copilot en el editor
Otras plataformas
Asistente de código integrado en cada entorno
Modo agente
Databricks
Modo agente de Genie Code
Microsoft
Modo agente de GitHub Copilot en el editor
Otras plataformas
Agentes de código de cada herramienta
Pipelines de datos
Databricks
Lakeflow Pipelines
Microsoft
Data Factory en Fabric
Otras plataformas
Orquestadores propios
Revisión del código generado
Databricks
Revisión por pares y pruebas del equipo
Microsoft
Revisión de código de Copilot con skills y MCP
Otras plataformas
Revisión por pares y pruebas del equipo
Datos que el asistente puede ver
Databricks
Permisos de Unity Catalog
Microsoft
Exclusiones de contenido de Copilot, en los planes Business y Enterprise
Otras plataformas
Control de acceso de cada sistema
Genie Code está disponible con modo agente. Lo aprendido sobre cómo pedir, acotar y revisar sirve igual con GitHub Copilot y con otros asistentes: cambia la pantalla, no el criterio. Nombres y estado a octubre de 2026.
05
Requisitos para la formación sobre Genie Code en Databricks
Para todos
- Ordenador propio por participante y navegador actualizado
- Dos o tres notebooks o pipelines reales elegidos antes de empezar, sin datos sensibles
- Disposición a revisar lo generado como se revisa el código de un compañero
Databricks
Espacio de trabajo con Unity Catalog
- Un espacio de trabajo con Genie Code habilitado para los asistentes
- Cómputo disponible para ejecutar notebooks; con tecnología sin servidor es lo más sencillo
- Un repositorio de pruebas conectado, con ramas, si queréis trabajar los cambios con control de versiones
Conocimientos
Perfil técnico
- Python o consultas de datos a nivel de trabajo diario
- Haber construido o mantenido algún notebook o pipeline
06
Material de la formación sobre Genie Code en Databricks
Informe de 5 a 10 casos de uso priorizados, con la recomendación de por dónde empezar la modernización
Reunión de devolución a las dos semanas, para repasar el informe y acordar el siguiente paso
Sesión online
Cuaderno de prácticas con los ejercicios hechos sobre el código del equipo
Notebook
Guía de peticiones con los patrones que mejor funcionaron en el grupo
Documento
Lista de revisión y plantilla de pruebas para el código generado
PDF y Python
Lienzo de caso de uso: problema, datos, usuarios, valor y esfuerzo
Certificado con horas, temario e identificador verificable
07
Ejemplos de peticiones, pruebas y comprobaciones con Genie Code
Tres fragmentos del temario. En la sesión se escriben sobre las tablas, el código y las convenciones de cada equipo.
M1 · 1.2 · una petición bien planteada
Texto
Contexto: tabla produccion.silver.ordenes, una fila por orden.
// qué quiero
Calcula, por línea y por semana, el porcentaje de órdenes
entregadas fuera de plazo.
entregadas fuera de plazo.
// convenciones del equipo
Usa funciones pequeñas con nombre en español, sin cambiar
las tablas originales, y añade un comentario por paso.
las tablas originales, y añade un comentario por paso.
// qué espero ver
Un plan de tres pasos antes de escribir el código.
Por qué funciona. Con tabla, resultado esperado, convenciones y petición de plan, la primera respuesta suele servir. Sin ellas, el asistente rellena los huecos a su manera.
M4 · 4.1 · una prueba automática del código generado
Python
def margen_porcentual(ventas, coste):
# devuelve None si no hay ventas, en lugar de dividir por cero
if not ventas:
return None
return (ventas – coste) / ventas
def test_margen_normal():
assert margen_porcentual(200, 150) == 0.25
def test_sin_ventas_no_falla():
assert margen_porcentual(0, 10) is None
return None
return (ventas – coste) / ventas
def test_margen_normal():
assert margen_porcentual(200, 150) == 0.25
def test_sin_ventas_no_falla():
assert margen_porcentual(0, 10) is None
Por qué funciona. El asistente puede escribir la función y las pruebas, pero las pruebas las decide el equipo: cubren el caso normal y el caso límite que ya os dio problemas.
M4 · 4.2 · comprobación de datos tras un cambio
Python
ordenes = spark.table(«produccion.silver.ordenes»)
# no puede haber dos filas con el mismo identificador de orden
duplicadas = ordenes.groupBy(«id_orden»).count().filter(«count > 1»)
assert duplicadas.count() == 0, «Hay órdenes duplicadas»
assert duplicadas.count() == 0, «Hay órdenes duplicadas»
# el número de filas no debe cambiar tras modernizar el pipeline
assert ordenes.count() == filas_antes, «Cambió el número de filas»
Por qué funciona. Antes y después de aceptar un cambio del modo agente, estas comprobaciones dicen si el resultado sigue siendo el mismo. La confianza viene de ahí, no de la apariencia del código.
08
Errores habituales al usar un asistente de código, y cómo se corrigen
Seis situaciones que aparecen en casi todos los grupos y que se resuelven durante la formación.
Síntoma
Qué se hace
El código funciona con la muestra y falla con el volumen real.
- Probar en un entorno de pruebas con datos de tamaño real y comparar el resultado con el pipeline actual.
El modo agente cambia más de lo que se pidió.
- Acotar la petición, pedir primero el plan y revisar la diferencia completa antes de aceptar.
El código no sigue las convenciones del equipo.
- Incluir las convenciones en la petición y comprobarlas en la lista de revisión.
Dos personas obtienen soluciones distintas para lo mismo.
- Es normal. El criterio se fija con pruebas compartidas, no con la forma de pedirlo.
Se acepta el código sin leerlo.
- La revisión es la misma que con el código de un compañero: quien lo acepta, lo entiende.
Se pegan datos sensibles en la petición.
- Trabajar con las tablas a través de los permisos y usar datos anonimizados. Lo cubre la formación «Prepara la casa antes de la IA».
09
Preguntas frecuentes sobre el asistente de código de Databricks
¿Genie Code es lo mismo que Databricks Assistant?
Genie Code es el nombre actual: sustituyó a Databricks Assistant en marzo de 2026. Trabaja en notebooks, editor de consultas, Lakeflow Pipelines, paneles y MLflow, y tiene modo agente. Genie Code se paga por uso, con una franquicia mensual por usuario, y no entra en la gratuidad anunciada para Genie One y Genie Agents; lo revisamos con vosotros antes de empezar.
¿Se trabaja con nuestro código y nuestros pipelines?
Sí, y es lo recomendable. Cada participante usa un notebook o pipeline real del equipo en un entorno de pruebas, sin datos sensibles.
¿Qué ve el asistente de nuestros datos?
Genie Code respeta los permisos de Unity Catalog: ve lo que la persona que pregunta puede ver. Antes de la formación revisamos con vosotros los permisos del entorno de pruebas.
¿Cómo sabremos si ayuda al equipo?
Se mide por tarea o por equipo, por ejemplo el tiempo de una tarea de mantenimiento antes y después, o las incidencias tras un cambio. Nunca se mide por persona.
¿Qué pasa después de las sesiones?
Recibís el informe de 5 a 10 casos de uso priorizados, con la recomendación de por dónde empezar, y nos reunimos dos semanas después. Si queréis modernizar pipelines con acompañamiento, os enviamos la propuesta en menos de 48 horas laborables.
¿Sirve si usamos GitHub Copilot?
Sí en lo esencial: cómo pedir, acotar el alcance, revisar y probar. Las pantallas cambian, el criterio es el mismo. Tenéis la formación GitHub Copilot para equipos de desarrollo y datos.
¿Es bonificable por FUNDAE?
Sí. Es formación en vivo y la gestión de la bonificación va incluida. En la propuesta os damos una estimación, que depende del crédito disponible de vuestra empresa.
¿Hay examen o notas?
No. El resultado es vuestro propio código revisado y probado. El certificado acredita la asistencia, las horas y el temario.
Ficha técnica
Duración
6 h · 2 sesiones de 3 h
Formato
En vivo, presencial u online
Grupo
6 a 10 personas
Nivel
Intermedio, perfil técnico
Requisito
Python o consultas de datos a nivel de trabajo
Plataformas
Databricks: Genie Code, Lakeflow Pipelines y Unity Catalog
Bonificación
FUNDAE, con la gestión incluida
Certificado
De asistencia y verificable. Registro de la formación del equipo
Formadores
Partners
Microsoft, Databricks y Anthropic
Siguiente paso
Ganemos tiempo en el código sin perder confianza
Contadnos cuántas personas sois, qué notebooks o pipelines os gustaría modernizar y cómo revisáis el código hoy. Os enviamos la propuesta en menos de 48 horas laborables, con el temario ajustado a vuestro código y una estimación de la bonificación.