Am 4. November 2026 hat Google sein Herbst-Update für das veröffentlicht, was es jetzt Agentic Data Cloud nennt: BigQuery, AlloyDB, Spanner, sein Lakehouse und den Katalog, der alles verbindet. Einiges wurde schon früher auf Googles Event Gemini at Work angekündigt, anderes ist neu. Hier ist, was sich geändert hat, gefiltert auf das, was Analysten und Data Engineers nutzen können. Unser BigQuery-Update für Oktober behandelt die SQL-Funktionen des Vormonats.
BigQuery Graph, jetzt GA
Manche Fragen drehen sich um Verbindungen: welche Konten welchen Geld geschickt haben, welche Kunden eine Adresse teilen, welche Produkte zusammen gekauft werden. In SQL braucht man dafür Ketten von Self-Joins, die schwer zu schreiben und zu lesen sind. Mit BigQuery Graph legen Sie fest, welche Tabellen Knoten und welche Kanten sind, und fragen sie dann mit Graphmustern in GQL ab, der neuen ISO-Standardsprache für Graphen. Die Daten bleiben in Ihren normalen Tabellen.
-- 1. Define the graph once, on existing tables
CREATE OR REPLACE PROPERTY GRAPH graph_db.FinGraph
NODE TABLES (graph_db.Account, graph_db.Person)
EDGE TABLES (
graph_db.PersonOwnAccount
SOURCE KEY (id) REFERENCES Person (id)
DESTINATION KEY (account_id) REFERENCES Account (id)
LABEL Owns,
graph_db.AccountTransferAccount
SOURCE KEY (id) REFERENCES Account (id)
DESTINATION KEY (to_id) REFERENCES Account (id)
LABEL Transfers
);
-- 2. Who did Dana send money to?
GRAPH graph_db.FinGraph
MATCH
(person:Person {name: "Dana"})-[own:Owns]->
(account:Account)-[transfer:Transfers]->(account2:Account)
<-[own2:Owns]-(person2:Person)
RETURN person.name AS owner, transfer.amount AS amount,
person2.name AS transferred_to
ORDER BY person2.name;Das grenzenlose Lakehouse: Iceberg über Clouds hinweg
Allgemein verfügbar
Jetzt nutzen- Cloud-übergreifende Verbindung und Caching für AWS und Azure: entfernte Daten privat abfragen, ohne variable Egress-Gebühren, und in Google Cloud zwischenspeichern
- Iceberg-Katalog-Föderation mit Databricks Unity Catalog, Snowflake Horizon und AWS Glue
- Spanner Omni: Spanner vor Ort, am Edge und in anderen Clouds
talabat von Delivery Hero sagt, die Föderation von Iceberg aus Amazon S3 Tables habe die Kosten für Datenbewegung um etwa 40 % gesenkt.
Vorschau
In einem Testprojekt ausprobieren- Direkter Iceberg-Zugriff in AlloyDB: Iceberg-Tabellen im Cloud-Speicher aus PostgreSQL abfragen, ohne ETL
- AlloyDB Express: PostgreSQL in unter 2 Sekunden, mit Scale-to-Zero, für Prototypen und Coding-Agenten
- PostgreSQL for agents in AlloyDB: Tausende Agenten fragen Live-Daten isoliert ab
Laut Google ist AlloyDBs Iceberg-Zugriff bei Aggregationen bis zu 7-mal schneller als der vergleichbare Dienst von Amazon.
Knowledge Catalog: Kontext für KI-Agenten
KI-Agenten antworten schlecht, wenn sie raten müssen, was "aktiver Kunde" oder "Nettoumsatz" bedeutet. Googles Antwort ist Knowledge Catalog, der mehrere Funktionen dazubekommen hat:
- Selbstlernende Anreicherung (Vorschau)
- Durchsucht Google Workspace, GitHub, Jira, Confluence und SharePoint, um Lücken im Geschäftskontext zu schließen, ausgehend von den Fragen, die Menschen wirklich stellen.
- Kontext-Sets (Vorschau)
- Wiederverwendbare Pakete von Fachwissen im Open Knowledge Format, die Data Stewards prüfen und freigeben.
- Knowledge Studio (Vorschau)
- Eine Chat-Oberfläche und Graphansicht, um den Kontext zu erkunden, mit Versionierung und Rollback für jede Änderung.
- Semantische Modelle (GA)
- Agenten nutzen Ihre vorhandenen Definitionen aus BigQuery, Looker (LookML), Databricks, Snowflake, dbt und SAP, ohne Daten zu bewegen.
- Standardmäßig an in Gemini (Vorschau)
- Wenn Sie BigQuery, AlloyDB, Cloud SQL oder Spanner verbinden, löst Gemini Geschäftsbegriffe und Join-Pfade auf, bevor es SQL schreibt, mit den Rechten des jeweiligen Nutzers.
Laut Googles internen Tests sind Agenten mit diesem Kontext fast 4-mal genauer und brauchen bis zu 75 % weniger Tokens. Herstellerbenchmarks sind mit Vorsicht zu genießen, aber die Richtung passt zu dem, was Snowflake (Business Ontology) und Databricks (Beziehungen zwischen Metric Views) in denselben zwei Wochen gestartet haben: Geschäftsdefinitionen werden zum wichtigsten Input für KI auf Daten.
Prognosen in SQL
Zwei Modelle von Google Research laufen jetzt in BigQuery, beide in der Vorschau: TimesFM 3.0, das mehrere zusammenhängende Zeitreihen ohne Training prognostiziert, und TabFM, ein Foundation Model für Vorhersagen auf Tabellen. Beide werden aus SQL aufgerufen, sodass Analysten ohne Machine-Learning-Projekt eine erste Prognose oder einen Abwanderungswert bekommen.
Werkzeuge für Entwickler
- Data Agent Kit (GA): Werkzeuge der Google Data Cloud in VS Code, Claude Code und Antigravity über MCP, damit Coding-Agenten Pipelines ohne die Konsole bauen und testen.
- Gemini für Data Engineers: Beschreiben Sie das Ergebnis, und Gemini schreibt PySpark, öffnet ein Notebook, trainiert Modelle und repariert fehlgeschlagene Pipelines.
- Operative Berichte: Fachanwender fordern einen Bericht an, Gemini speichert die Abfrage, und spätere Läufe kosten keine Tokens.
- Managed Service for Apache Spark: schnellerer Start für Spark 4.0 ohne Mehrkosten.
Was Sie zuerst ausprobieren sollten
- 1
BigQuery Graph an einer Beziehungsfrage testen
Wählen Sie eine: Empfehlungen, Überweisungen oder gemeinsam gekaufte Produkte, und vergleichen Sie die GQL-Abfrage mit Ihren aktuellen Self-Joins.
- 2
Ein vorhandenes semantisches Modell registrieren
Wenn Sie Definitionen aus Looker, dbt oder einem anderen Tool nutzen, verbinden Sie sie mit Knowledge Catalog, damit Gemini sie verwendet.
- 3
TimesFM 3.0 an einer Prognose testen
Vergleichen Sie es mit Ihrer jetzigen Methode, bevor Sie ihm vertrauen.
- 4
Iceberg für gemeinsam genutzte Daten planen
Liegen Daten in mehreren Clouds, reduzieren Föderation und Cloud-übergreifende Funktionen das Kopieren; siehe wie man Tabellen nach Iceberg bringt.
Testen Sie Ihr Wissen
1/3Was ermöglicht BigQuery Graph?
Knoten und Kanten werden über Ihren Tabellen definiert; keine Daten werden bewegt.
2/3Welche Cloud-übergreifende Funktion ist jetzt allgemein verfügbar?
AlloyDB Express und die selbstlernende Anreicherung sind in der Vorschau.
3/3Welche semantischen Modelle kann Knowledge Catalog wiederverwenden?
Agenten wenden dieselben verwalteten Formeln an, die Ihre Teams schon nutzen.
Sie haben 0 von 3 richtig.
Mehr zu Google Cloud: BigQuery-Update Oktober 2026, BigQuery oder Snowflake und SQL-Fensterfunktionen erklärt.
Quellen: Google-Cloud-Blog, "New capabilities to power agents at scale with Google's Agentic Data Cloud" (4. November 2026); BigQuery-Dokumentation, "Create and query a graph". Leistungs- und Genauigkeitswerte stammen von Google und wurden nicht unabhängig geprüft.
Alessandro Ecclesie AgazziGeschrieben von Alessandro Ecclesie Agazzi, Analytics Engineer in London. Aktualisiert am 9 November 2026. Über mich