Las tres grandes plataformas de datos permiten ya llamar a un gran modelo de lenguaje desde una consulta SQL. El modelo lee una columna, fila a fila, y devuelve una etiqueta, un sí o un no, una puntuación o campos extraídos. Esta semana las tres añadieron algo: Snowflake puso AI Function Studio a disposición de todos, BigQuery añadió los modelos Gemini 4 y Databricks lanzó una API asíncrona para lotes grandes. Así se comparan en noviembre de 2026.
Las funciones lado a lado
| Tarea | Snowflake | BigQuery | Databricks |
|---|---|---|---|
| Elegir una categoría | AI_CLASSIFY | AI.CLASSIFY | ai_classify |
| Sí o no, para filtrar | AI_FILTER | AI.IF | ai_classify con dos etiquetas |
| Puntuar o valorar | AI_SENTIMENT para el sentimiento | AI.SCORE | ai_analyze_sentiment para el sentimiento |
| Extraer campos | AI_EXTRACT | AI.GENERATE con un esquema de salida | ai_extract |
| Texto libre, cualquier instrucción | AI_COMPLETE | AI.GENERATE | ai_query |
| Leer documentos | AI_PARSE_DOCUMENT | Mediante AI.GENERATE sobre archivos | ai_parse_document |
| Resumir muchas filas | AI_AGG | AI.GENERATE sobre texto agregado | ai_summarize por fila |
La misma tarea de tres formas: etiquetar tickets de soporte
Una tabla tickets con una columna de texto body. Queremos una categoría por ticket.
SELECT
ticket_id,
AI_CLASSIFY(body, ['billing', 'bug', 'feature request', 'other']):labels[0]::STRING
AS category
FROM tickets;AI_CLASSIFY devuelve un objeto cuyo campo labels es un array, así que tomamos el primer elemento. Añade {'output_mode': 'multi'} como tercer argumento para permitir varias etiquetas, y task_description o examples en el mismo objeto para ganar precisión.
SELECT
ticket_id,
AI.CLASSIFY(
body,
categories => ['billing', 'bug', 'feature request', 'other']
) AS category
FROM mydataset.tickets;Devuelve un STRING sencillo. Sin connection_id usa tus propias credenciales de Google, y sin endpoint BigQuery elige el modelo con la mejor relación entre coste y calidad. Añade output_mode => 'multi' para varias etiquetas.
SELECT
ticket_id,
ai_classify(
body,
'["billing", "bug", "feature request", "other"]',
MAP('version', '2.1', 'enableConfidenceScores', 'true')
) AS result
FROM tickets;Devuelve un VARIANT con response, metadata y error_message. En la versión 2.1 cada elemento de response tiene una clave value, y puedes pedir puntuaciones de confianza y breves justificaciones (enableRationales). Las etiquetas pueden ser un objeto JSON con descripciones, hasta 500.
Filtrar filas con una pregunta
Una función de sí/no en la cláusula WHERE es la función de IA más útil que la mayoría de los analistas nunca prueba. Responde a preguntas como «¿qué reseñas hablan de la entrega?» sin listas de palabras clave.
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 no tiene una función específica de sí/no, así que una clasificación con dos etiquetas hace el trabajo.
Lo que mejor hace cada plataforma
Snowflake
Ajuste con tus datos- AI Function Studio (GA esta semana) construye, prueba y ajusta una función a partir de una descripción en lenguaje normal
- AI Function Optimization compara instrucciones y modelos con tus datos, con calidad y coste
- AI_AGG resume muchas filas en una sola llamada
- Los tipos devueltos son objetos que hay que desempaquetar
Ideal cuando vas a ejecutar la misma tarea de IA cada día y quieres ajustarla una sola vez.
BigQuery
Menos configuración- Elige un modelo automáticamente si no indicas ninguno, con opción entre menor coste y mayor calidad
- AI.CLASSIFY devuelve una cadena sencilla
- Gemini 4 Carbon e Hydrogen disponibles desde esta semana
- La elección de modelos se centra sobre todo en los de Google
Ideal para analistas que quieren resultados rápidos sin configurar nada.
Databricks
Más control- Puntuaciones de confianza y justificaciones en ai_classify 2.1
- ai_query llama a cualquier modelo servido en la plataforma, incluidos Claude, GPT y modelos abiertos
- La API asíncrona procesa hasta 50.000 peticiones desde un archivo (beta)
- Más opciones que aprender
Ideal para ingenieros de datos que construyen pipelines de IA grandes y repetibles.
Mantener la factura bajo control
- 1
Prueba con una muestra
Ejecuta la función en 200 filas, revísalas a mano y mide la precisión antes de tocar la tabla entera.
- 2
Usa el modelo más pequeño que apruebe
Clasificar y filtrar rara vez requieren un modelo puntero. En BigQuery, deja primero que la plataforma elija el modelo.
- 3
Guarda los resultados
Escribe las etiquetas en una tabla una sola vez. Un panel que llama a una función de IA en cada actualización paga cada vez.
- 4
Procesa solo las filas nuevas
Etiqueta de forma incremental con un WHERE sobre la fecha de carga o un MERGE, nunca todo el histórico otra vez.
- 5
Vigila la vista de consumo de IA de la plataforma
Cada plataforma separa el gasto en IA del de cómputo; configura una alerta de presupuesto.
Cuándo salir del SQL
Si necesitas muchas preguntas cerradas por elemento, probabilidades sobre las que fijar umbrales, o imágenes y vídeo en la misma llamada, una API específica puede salir más barata. La nueva Gemini Decisions API de Google responde hasta 1.000 preguntas de sí/no, de elección o de puntuación por llamada, por 0,10 dólares por millón de tokens de entrada. El precio a pagar: los datos salen de tu almacén, así que revisa antes tus normas de gobernanza.
Pon a prueba lo que has aprendido
1/3¿Qué función de BigQuery filtra filas con una pregunta de sí/no?
AI.IF devuelve verdadero o falso, así que encaja en una cláusula WHERE.
2/3¿Qué devuelve AI_CLASSIFY de Snowflake?
Toma labels[0] para una sola etiqueta, o conserva el array para resultados con varias etiquetas.
3/3¿Cuál es la mejor forma de contener el coste de las funciones de IA en los paneles?
Cada llamada cuesta tokens; calcula las etiquetas una vez y reutilízalas.
Has acertado 0 de 3.
Más: la actualización de Snowflake de noviembre, la actualización de BigQuery de noviembre y las novedades de noviembre de Databricks Genie One.
Fuentes: documentación de Snowflake sobre AI_CLASSIFY y las Cortex AI Functions; documentación de BigQuery sobre AI.CLASSIFY y la introducción a la IA generativa; documentación de Databricks sobre ai_classify y las AI Functions; notas de versión de Snowflake, BigQuery y Databricks (del 9 al 16 de noviembre de 2026). Las opciones y los precios cambian a menudo, así que revisa la documentación de cada plataforma antes de un proceso grande.
