Google presenta novedades de su Agentic Data Cloud: Lakehouse sin fronteras, Knowledge Catalog y bases de datos para agentes

Google Cloud ha publicado un anuncio con las novedades de su Agentic Data Cloud, que presenta como un «System of Action» pensado para activar todos los datos de una empresa, ofrecer precisión y confianza, y operar de forma proactiva y a bajo coste. Según la compañía, organizaciones como PayPal, Siemens, Telus, Vodafone y Walmart ya obtienen resultados de negocio con esta plataforma. El texto es un comunicado de producto del propio proveedor, así que las cifras de rendimiento que se citan las da el propio Google y no proceden de evaluaciones independientes.

El anuncio se organiza en cuatro bloques: un Lakehouse «sin fronteras» basado en Apache Iceberg, el refuerzo del Knowledge Catalog como capa de contexto para agentes, nuevas experiencias para profesionales de datos y negocio con Gemini, y una infraestructura diseñada para operar a escala de agentes.

Lakehouse sin fronteras. Google plantea que los datos empresariales viven en entornos multinube, sistemas locales y plataformas SaaS como Confluent, SAP, Salesforce y Workday, y que el Lakehouse, construido sobre el formato abierto Apache Iceberg, permite activarlos sin moverlos ni pagar tarifas variables de salida de datos (egress). La empresa afirma que los datos Iceberg bajo gestión se han más que triplicado en el último año. Entre las novedades: Gemini funciona directamente sobre el Lakehouse, de modo que usuarios de negocio pueden consultar en lenguaje natural registros repartidos entre nubes; la interconexión entre nubes con caché para AWS y Azure pasa a estar disponible de forma general, con conexión privada y sin costes variables de egress, y el Lakehouse almacena localmente en Google Cloud los bloques de datos remotos recuperados; y se ofrece federación de catálogos Iceberg abiertos con Databricks Unity, Snowflake Horizon y AWS Glue, además de integraciones zero-copy con SAP, Workday y Salesforce. El Lakehouse se integra con Knowledge Catalog para indexar datos distribuidos y no estructurados en almacenamiento en la nube, con el fin de dar contexto a los agentes y controlar el coste en tokens.

Como caso de cliente, Delivery Hero talabat, mediante la federación de datos Iceberg de una sola copia desde tablas de Amazon S3 hacia BigQuery, afirma haber reducido los costes de movimiento de datos en aproximadamente un 40 % y haber hecho consultables eventos transaccionales en streaming en ambas nubes a los pocos minutos de producirse.

AlloyDB y Spanner Omni. Para que los agentes dispongan a la vez de datos analíticos históricos y transaccionales en tiempo real, Google anuncia nuevas integraciones de AlloyDB con el Lakehouse. Con el acceso directo a Iceberg en AlloyDB se pueden consultar tablas Iceberg en almacenamiento en la nube sin pipelines ETL ni copias, y combinar datos operativos en vivo con datos históricos del Lakehouse en una única consulta PostgreSQL. Las tablas se registran en el catálogo de ejecución del Lakehouse y aparecen automáticamente en Knowledge Catalog. Google asegura que este acceso es hasta 7 veces más rápido en consultas de agregación que el servicio comparable compatible con PostgreSQL de Amazon. Además, Spanner Omni, ya disponible de forma general, lleva consistencia, escala y capacidades multimodelo «de nivel Google» a aplicaciones agénticas híbridas en entornos locales, nodos edge y multinube.

Knowledge Catalog como motor de contexto. Google lo describe como un motor de contexto universal que convierte datos en bruto en contexto de negocio compartido para los agentes. Según sus benchmarks internos, hace a los agentes casi 4 veces más precisos, con hasta un 33 % menos de latencia y hasta un 75 % menos de tokens. Las novedades incluyen: enriquecimiento con autoaprendizaje (en preview), que aprende de la intención del usuario y de las interacciones de personas y agentes, y extrae información de fuentes no estructuradas como Google Workspace, GitHub, Jira, Confluence y SharePoint; conjuntos de contexto reutilizables en el formato Open Knowledge Format (OKF), gobernables por ingenieros de contexto y responsables de datos; y una nueva experiencia tipo studio (en preview) con interfaz conversacional, visualización del patrimonio de datos entre nubes y aplicaciones SaaS, y revisión, auditoría y aprobación de actualizaciones propuestas con control de versiones y reversión.

Además, Knowledge Catalog queda activado por defecto en Gemini (en preview): al conectar BigQuery, AlloyDB, Cloud SQL o Spanner, resuelve términos de negocio, localiza tablas fiables y determina rutas de join antes de generar SQL, respetando los permisos de cada usuario. También se anuncia la disponibilidad general de la fundamentación en modelos semánticos de confianza procedentes de BigQuery, Looker (LookML), Databricks, Snowflake, dbt y SAP, de modo que los agentes apliquen las mismas fórmulas gobernadas (por ejemplo, ingresos netos o abandono de clientes) que usan los equipos de negocio. La federación de metadatos se extiende a Oracle AI Database@Google Cloud, Snowflake, Databricks Unity Catalog y catálogos de terceros como Atlan y Collibra.

Experiencias para profesionales. Google quiere pasar de asistentes que apoyan a contribuyentes individuales a profesionales que orquestan agentes autónomos. Para ingenieros de datos y de ML, Gemini incorpora habilidades y herramientas de aprendizaje automático: el ingeniero describe el resultado deseado en lenguaje natural y Gemini genera código PySpark, ofrece notebooks para editarlo y probarlo, entrena modelos y diagnostica y corrige problemas de pipelines. Para usuarios de negocio, Gemini construye y guarda consultas con habilidades de informes operativos integradas con BigQuery y Knowledge Catalog; una vez guardadas, los informes pueden ejecutarse bajo demanda sin coste de tokens. Para desarrolladores que prefieren sus propias herramientas, el Data Agent Kit ya está disponible de forma general e integra las herramientas de Google Data Cloud en IDEs y CLIs como VS Code, Claude Code y Antigravity mediante herramientas MCP nativas.

Infraestructura a escala de agentes. Google presenta AlloyDB Express (en preview), una edición pensada para constructores y agentes de programación, con aprovisionamiento instantáneo en menos de 2 segundos, pausa y reanudación con escalado a cero, conectividad privada por IP segura, observabilidad integrada y una huella pequeña de 1–2 vCPU y 20 GB de almacenamiento. Para producción, «PostgreSQL for agents» en AlloyDB (en preview) permite que miles de agentes colaboren consultando datos transaccionales en vivo con aislamiento completo de la carga de trabajo; Google indica sub-milisegundo de I/O, rendimiento agregado de escaneo de terabits por segundo y más de 3 millones de consultas por segundo, con cómputo que escala según las sesiones de razonamiento activas y vuelve a cero en reposo.

En procesamiento, Managed Service for Apache Spark amplía, según Google, su ventaja de precio-rendimiento frente a alternativas del mercado en más de 3 veces gracias a mejoras en Lightning Engine, con arranque más rápido en Spark 4.0 sin coste adicional y un nivel premium que combina hardware mejorado y aceleración por software, activado por defecto. En BigQuery, la compañía afirma que en el último año las consultas son más de un 40 % más rápidas y el coste de procesamiento ha bajado más de un 50 % gracias a optimizaciones como el escalado fluido y la aceleración de cargas integrada. BigQuery Graph pasa a disponibilidad general, con analítica de grafos a escala de petabytes sobre tablas relacionales y sin ETL. Por último, dos modelos de Google Research se ejecutan de forma nativa en BigQuery, ambos en preview: TimesFM 3.0, para generar previsiones directamente en SQL sin entrenar modelos propios, y TabFM, que lleva el aprendizaje automático predictivo a BigQuery.

En conjunto, el anuncio refleja la apuesta de Google por posicionar sus datos y bases de datos como la capa sobre la que operan los agentes de IA empresariales, con énfasis en interoperabilidad abierta (Iceberg, MCP, federación de catálogos), gobernanza del contexto y control de costes de tokens. Conviene recordar que varias funciones siguen en preview y que las métricas de rendimiento y precisión las aporta el propio Google, no evaluaciones independientes.