El 4 de noviembre de 2026 Google publicó la actualización de otoño de lo que ahora llama Agentic Data Cloud: BigQuery, AlloyDB, Spanner, su lakehouse y el catálogo que lo une todo. Algunas novedades se anunciaron antes en el evento Gemini at Work de Google; otras son nuevas. Esto es lo que cambió, filtrado a lo que puede usar un analista o un ingeniero de datos. Nuestra actualización de BigQuery de octubre cubre las funciones SQL del mes pasado.
BigQuery Graph, ya GA
Algunas preguntas tratan de conexiones: qué cuentas enviaron dinero a cuáles, qué clientes comparten dirección, qué productos se compran juntos. En SQL hacen falta cadenas de self-joins difíciles de escribir y de leer. BigQuery Graph te permite declarar qué tablas son nodos y cuáles aristas, y consultarlas con patrones de grafo en GQL, el nuevo lenguaje estándar ISO para grafos. Los datos se quedan en tus tablas normales.
-- 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;El lakehouse sin fronteras: Iceberg entre nubes
Disponible para todos
Para usar ya- Interconexión y caché entre nubes para AWS y Azure: consulta datos remotos en privado, sin tarifas variables de salida, y guárdalos en caché en Google Cloud
- Federación del catálogo Iceberg con Databricks Unity Catalog, Snowflake Horizon y AWS Glue
- Spanner Omni: Spanner en local, en el edge y en otras nubes
talabat, de Delivery Hero, dice que federar Iceberg desde Amazon S3 Tables redujo un 40 % aproximadamente sus costes de movimiento de datos.
Vista previa
Para probar en un proyecto de pruebas- Acceso directo a Iceberg desde AlloyDB: consulta tablas Iceberg del almacenamiento en la nube desde PostgreSQL, sin ETL
- AlloyDB Express: PostgreSQL listo en menos de 2 segundos, con escalado a cero, para prototipos y agentes de programación
- PostgreSQL for agents en AlloyDB: miles de agentes consultando datos en vivo de forma aislada
Google afirma que el acceso a Iceberg de AlloyDB es hasta 7 veces más rápido en agregaciones que el servicio comparable de Amazon.
Knowledge Catalog: contexto para los agentes de IA
Los agentes de IA responden mal cuando tienen que adivinar qué significa "cliente activo" o "ingreso neto". La respuesta de Google es Knowledge Catalog, que gana varias funciones:
- Enriquecimiento que aprende solo (vista previa)
- Analiza Google Workspace, GitHub, Jira, Confluence y SharePoint para cubrir huecos del contexto de negocio, según las preguntas que la gente hace de verdad.
- Conjuntos de contexto (vista previa)
- Paquetes reutilizables de conocimiento del negocio en Open Knowledge Format, que los responsables de datos revisan y aprueban.
- Knowledge studio (vista previa)
- Una interfaz conversacional y una vista de grafo para explorar el contexto, con versiones y vuelta atrás para cada cambio.
- Modelos semánticos (GA)
- Los agentes reutilizan tus definiciones existentes de BigQuery, Looker (LookML), Databricks, Snowflake, dbt y SAP, sin mover datos.
- Activado por defecto en Gemini (vista previa)
- Cuando conectas BigQuery, AlloyDB, Cloud SQL o Spanner, Gemini resuelve los términos de negocio y las rutas de join antes de escribir SQL, con los permisos de cada usuario.
Según las pruebas internas de Google, los agentes son casi 4 veces más precisos y usan hasta un 75 % menos de tokens con este contexto. Los benchmarks de los fabricantes hay que tomarlos con cautela, pero la dirección coincide con lo que lanzaron en la misma quincena Snowflake (Business Ontology) y Databricks (relaciones entre metric views): las definiciones de negocio se están convirtiendo en la entrada más importante para la IA sobre datos.
Previsiones en SQL
Dos modelos de Google Research ya funcionan dentro de BigQuery, ambos en vista previa: TimesFM 3.0, que prevé varias series temporales relacionadas sin entrenamiento, y TabFM, un modelo fundacional para predicciones sobre tablas. Los dos se llaman desde SQL, así que un analista puede obtener una primera previsión o una puntuación de abandono sin un proyecto de machine learning.
Herramientas para desarrolladores
- Data Agent Kit (GA): las herramientas de Google Data Cloud dentro de VS Code, Claude Code y Antigravity mediante MCP, para que los agentes de programación construyan y prueben pipelines sin la consola.
- Gemini para ingenieros de datos: describe el resultado y Gemini escribe PySpark, abre un notebook, entrena modelos y arregla los pipelines que fallan.
- Informes operativos: los usuarios de negocio piden un informe, Gemini guarda la consulta y las ejecuciones posteriores no gastan tokens.
- Managed Service for Apache Spark: arranque más rápido para Spark 4.0 sin coste adicional.
Qué probar primero
- 1
Prueba BigQuery Graph con una pregunta de relaciones
Elige una: referidos, transferencias o productos comprados juntos, y compara la consulta GQL con tus self-joins actuales.
- 2
Registra un modelo semántico existente
Si usas definiciones de Looker, dbt u otra herramienta, conéctalas a Knowledge Catalog para que Gemini las use.
- 3
Prueba TimesFM 3.0 con una previsión
Compáralo con tu método actual antes de fiarte.
- 4
Planifica Iceberg para los datos compartidos
Si tus datos están repartidos entre nubes, la federación y las funciones entre nubes reducen las copias; consulta cómo pasar tus tablas a Iceberg.
Pon a prueba lo que has aprendido
1/3¿Qué permite hacer BigQuery Graph?
Nodos y aristas se definen sobre tus tablas; no se mueve ningún dato.
2/3¿Qué función entre nubes ya está disponible para todos?
AlloyDB Express y el enriquecimiento que aprende solo están en vista previa.
3/3¿Qué modelos semánticos puede reutilizar Knowledge Catalog?
Los agentes aplican las mismas fórmulas gobernadas que ya usan tus equipos.
Has acertado 0 de 3.
Más sobre Google Cloud: la actualización de BigQuery de octubre de 2026, BigQuery frente a Snowflake y las funciones de ventana de SQL explicadas.
Fuentes: blog de Google Cloud, "New capabilities to power agents at scale with Google's Agentic Data Cloud" (4 de noviembre de 2026); documentación de BigQuery, "Create and query a graph". Las cifras de rendimiento y precisión son de Google y no se han verificado de forma independiente.
Alessandro Ecclesie AgazziEscrito por Alessandro Ecclesie Agazzi, analytics engineer en Londres. Actualizado el 9 de noviembre de 2026. Sobre mí