Lernen  /  Leitfäden

KI-Funktionen in SQL im Vergleich: Snowflake, BigQuery und Databricks, mit derselben Aufgabe auf drei Arten

Zehntausend Support-Tickets zu labeln hieß früher: ein Python-Skript, ein API-Schlüssel und ein Nachmittag. Heute ist es eine Zeile SQL in jedem großen Data Warehouse. Die Funktionsnamen unterscheiden sich, die Rückgabetypen auch, und ebenso die Fallstricke. Hier ist die Übersicht.

Leitfaden10 Min. LesezeitAktualisiert am 16 November 2026
SQLKISnowflakeDatabricks
Alle Leitfäden und Spickzettel

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.

3PlattformenSnowflake, BigQuery, Databricks
500LabelsMaximum von ai_classify auf Databricks
50,000Anfragenpro asynchronem Databricks-Batch (Beta)
1Zeile SQLum eine ganze Spalte zu labeln

Die Funktionen im Vergleich

AufgabeSnowflakeBigQueryDatabricks
Eine Kategorie wählenAI_CLASSIFYAI.CLASSIFYai_classify
Ja oder Nein, zum FilternAI_FILTERAI.IFai_classify mit zwei Labels
Bewerten oder einstufenAI_SENTIMENT für StimmungAI.SCOREai_analyze_sentiment für Stimmung
Felder extrahierenAI_EXTRACTAI.GENERATE mit Ausgabeschemaai_extract
Freier Text, beliebiger PromptAI_COMPLETEAI.GENERATEai_query
Dokumente lesenAI_PARSE_DOCUMENTÜber AI.GENERATE auf Dateienai_parse_document
Viele Zeilen zusammenfassenAI_AGGAI.GENERATE über aggregierten Textai_summarize pro Zeile

Dieselbe Aufgabe auf drei Arten: Support-Tickets labeln

Eine Tabelle tickets mit einer Textspalte body. Wir wollen eine Kategorie pro Ticket.

SQL
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.

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.

SQL
SELECT ticket_id, body
FROM tickets
WHERE AI_FILTER(CONCAT('Is this ticket asking for a refund? ', body));

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. 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. 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. 3

    Ergebnisse speichern

    Schreiben Sie Labels einmal in eine Tabelle. Ein Dashboard, das bei jeder Aktualisierung eine KI-Funktion aufruft, zahlt jedes Mal.

  4. 4

    Nur neue Zeilen verarbeiten

    Labeln Sie inkrementell mit einem WHERE auf das Ladedatum oder einem MERGE, nie wieder die ganze Historie.

  5. 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?

2/3Was gibt Snowflakes AI_CLASSIFY zurück?

3/3Wie halten Sie die Kosten von KI-Funktionen in Dashboards am besten niedrig?

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.

Alessandro Ecclesie AgazziGeschrieben von Alessandro Ecclesie Agazzi, Analytics Engineer in London. Aktualisiert am 16 November 2026. Über mich

War das hilfreich?

Hier erscheinen regelmäßig neue Leitfäden und Artikel zu Neuigkeiten rund um Daten und KI. Folgen Sie mir auf LinkedIn oder teilen Sie diesen Artikel mit Kollegen.