Alle drei großen Datenplattformen erlauben inzwischen, ein großes Sprachmodell aus einer SQL-Abfrage aufzurufen. Das Modell liest eine Spalte Zeile für Zeile und gibt ein Label, ein Ja oder Nein, eine Bewertung oder extrahierte Felder zurück. Diese Woche haben alle drei etwas ergänzt: Snowflake hat AI Function Studio allgemein verfügbar gemacht, BigQuery die Gemini-4-Modelle hinzugefügt und Databricks eine asynchrone API für große Batches ausgeliefert. So schneiden sie im November 2026 im Vergleich ab.
Die Funktionen im Vergleich
| Aufgabe | Snowflake | BigQuery | Databricks |
|---|---|---|---|
| Eine Kategorie wählen | AI_CLASSIFY | AI.CLASSIFY | ai_classify |
| Ja oder Nein, zum Filtern | AI_FILTER | AI.IF | ai_classify mit zwei Labels |
| Bewerten oder einstufen | AI_SENTIMENT für Stimmung | AI.SCORE | ai_analyze_sentiment für Stimmung |
| Felder extrahieren | AI_EXTRACT | AI.GENERATE mit Ausgabeschema | ai_extract |
| Freier Text, beliebiger Prompt | AI_COMPLETE | AI.GENERATE | ai_query |
| Dokumente lesen | AI_PARSE_DOCUMENT | Über AI.GENERATE auf Dateien | ai_parse_document |
| Viele Zeilen zusammenfassen | AI_AGG | AI.GENERATE über aggregierten Text | ai_summarize pro Zeile |
Dieselbe Aufgabe auf drei Arten: Support-Tickets labeln
Eine Tabelle tickets mit einer Textspalte body. Wir wollen eine Kategorie pro Ticket.
SELECT
ticket_id,
AI_CLASSIFY(body, ['billing', 'bug', 'feature request', 'other']):labels[0]::STRING
AS category
FROM tickets;AI_CLASSIFY gibt ein Objekt zurück, dessen Feld labels ein Array ist, also nehmen wir das erste Element. Ergänzen Sie {'output_mode': 'multi'} als drittes Argument, um mehrere Labels zu erlauben, und task_description oder Few-Shot-examples im selben Objekt für mehr Genauigkeit.
SELECT
ticket_id,
AI.CLASSIFY(
body,
categories => ['billing', 'bug', 'feature request', 'other']
) AS category
FROM mydataset.tickets;Gibt einen einfachen STRING zurück. Ohne connection_id läuft die Funktion mit Ihren eigenen Google-Anmeldedaten, und ohne endpoint wählt BigQuery das Modell mit dem besten Verhältnis von Kosten und Qualität. Ergänzen Sie output_mode => 'multi' für mehrere Labels.
SELECT
ticket_id,
ai_classify(
body,
'["billing", "bug", "feature request", "other"]',
MAP('version', '2.1', 'enableConfidenceScores', 'true')
) AS result
FROM tickets;Gibt einen VARIANT mit response, metadata und error_message zurück. In Version 2.1 hat jedes Element von response einen Schlüssel value, und Sie können Konfidenzwerte und kurze Begründungen (enableRationales) anfordern. Labels können ein JSON-Objekt mit Beschreibungen sein, bis zu 500.
Zeilen mit einer Frage filtern
Eine Ja/Nein-Funktion in der WHERE-Klausel ist die nützlichste KI-Funktion, die die meisten Analysten nie ausprobieren. Sie beantwortet Fragen wie „Welche Bewertungen erwähnen die Lieferung?“ ohne Stichwortlisten.
SELECT ticket_id, body
FROM tickets
WHERE AI_FILTER(CONCAT('Is this ticket asking for a refund? ', body));SELECT ticket_id, body
FROM mydataset.tickets
WHERE AI.IF(CONCAT('Is this ticket asking for a refund? ', body));SELECT ticket_id, body
FROM tickets
WHERE ai_classify(body, '["refund request", "other"]',
MAP('version', '2.1')):response[0].value::STRING = 'refund request';Databricks hat keine eigene Ja/Nein-Funktion, also erledigt eine Klassifizierung mit zwei Labels die Aufgabe.
Was jede Plattform am besten kann
Snowflake
Optimierung auf Ihren Daten- AI Function Studio (seit dieser Woche GA) baut, testet und optimiert eine Funktion aus einer Beschreibung in normaler Sprache
- AI Function Optimization vergleicht Prompts und Modelle auf Ihren Daten, mit Qualität und Kosten
- AI_AGG fasst viele Zeilen in einem Aufruf zusammen
- Rückgabetypen sind Objekte, die man auspacken muss
Am besten, wenn Sie dieselbe KI-Aufgabe täglich ausführen und sie einmal optimieren wollen.
BigQuery
Am wenigsten Einrichtung- Wählt automatisch ein Modell, wenn Sie keines nennen, mit der Wahl zwischen niedrigeren Kosten und höherer Qualität
- AI.CLASSIFY gibt einen einfachen String zurück
- Gemini 4 Carbon und Hydrogen seit dieser Woche verfügbar
- Die Modellauswahl umfasst vor allem Googles Modelle
Am besten für Analysten, die schnell Ergebnisse ohne Konfiguration wollen.
Databricks
Am meisten Kontrolle- Konfidenzwerte und Begründungen in ai_classify 2.1
- ai_query ruft jedes auf der Plattform bereitgestellte Modell auf, darunter Claude, GPT und offene Modelle
- Die asynchrone API verarbeitet bis zu 50.000 Anfragen aus einer Datei (Beta)
- Mehr Optionen zu lernen
Am besten für Data Engineers, die große, wiederholbare KI-Pipelines bauen.
Die Rechnung im Griff behalten
- 1
An einer Stichprobe testen
Lassen Sie die Funktion auf 200 Zeilen laufen, prüfen Sie diese von Hand und messen Sie die Genauigkeit, bevor Sie die ganze Tabelle anfassen.
- 2
Das kleinste Modell nehmen, das besteht
Klassifizieren und Filtern brauchen selten ein Spitzenmodell. Lassen Sie auf BigQuery zuerst die Plattform das Modell wählen.
- 3
Ergebnisse speichern
Schreiben Sie Labels einmal in eine Tabelle. Ein Dashboard, das bei jeder Aktualisierung eine KI-Funktion aufruft, zahlt jedes Mal.
- 4
Nur neue Zeilen verarbeiten
Labeln Sie inkrementell mit einem WHERE auf das Ladedatum oder einem MERGE, nie wieder die ganze Historie.
- 5
Die KI-Verbrauchsansicht der Plattform beobachten
Jede Plattform weist KI-Ausgaben getrennt von Rechenkosten aus; richten Sie eine Budgetwarnung ein.
Wann Sie SQL verlassen sollten
Wenn Sie viele geschlossene Fragen pro Element, Wahrscheinlichkeiten für Schwellenwerte oder Bilder und Videos im selben Aufruf brauchen, kann eine eigene API günstiger sein. Googles neue Gemini Decisions API beantwortet bis zu 1.000 Ja/Nein-, Auswahl- oder Bewertungsfragen pro Aufruf für 0,10 Dollar pro Million Input-Token. Der Preis dafür: Die Daten verlassen Ihr Data Warehouse, prüfen Sie also zuerst Ihre Governance-Regeln.
Testen Sie Ihr Wissen
1/3Welche BigQuery-Funktion filtert Zeilen mit einer Ja/Nein-Frage?
AI.IF gibt wahr oder falsch zurück und passt deshalb in eine WHERE-Klausel.
2/3Was gibt Snowflakes AI_CLASSIFY zurück?
Nehmen Sie labels[0] für ein einzelnes Label oder behalten Sie das Array für mehrere Labels.
3/3Wie halten Sie die Kosten von KI-Funktionen in Dashboards am besten niedrig?
Jeder Aufruf kostet Token; berechnen Sie Labels einmal und verwenden Sie sie wieder.
Sie haben 0 von 3 richtig.
Mehr: Snowflakes Update im November, BigQuerys Update im November und die November-Neuerungen von Databricks Genie One.
Quellen: Snowflake-Dokumentation zu AI_CLASSIFY und den Cortex AI Functions; BigQuery-Dokumentation zu AI.CLASSIFY und zur Übersicht über generative KI; Databricks-Dokumentation zu ai_classify und den AI Functions; Release Notes von Snowflake, BigQuery und Databricks (9. bis 16. November 2026). Optionen und Preise ändern sich oft, prüfen Sie daher vor einem großen Lauf die Dokumentation jeder Plattform.
