En octubre, Google BigQuery dejó listas para producción nuevas funciones de IA y mejoras de sus agentes conversacionales, y Oracle anunció una capa semántica para que sus agentes entiendan el negocio. Qué significa para las empresas.
Preguntarle a los datos en lenguaje natural («¿qué clientes dejaron de comprar este trimestre?») y recibir una respuesta confiable es la promesa de los agentes de IA para la analítica. En octubre de 2026, Google BigQuery y Oracle dieron pasos concretos en esa dirección.
Google BigQuery: funciones de IA listas para producción
- 13 de octubre: la función
AI.AGG, que resume y agrupa con IA información no estructurada como comentarios, correos o descripciones, pasó a disponibilidad general. - 14 de octubre: los agentes de análisis conversacional ya pueden consultar fuentes de datos de varios proyectos y publicarse en Gemini Enterprise.
- 15 de octubre: las respuestas de los agentes, con textos, gráficos, tablas y citas, se pueden exportar a PDF o CSV.
- 21 de octubre:
AI.CHUNK_DOCUMENT, que divide documentos en fragmentos para búsquedas con IA (RAG), quedó disponible para producción. - 26 de octubre: las conversaciones con los agentes se pueden guardar en una tabla de BigQuery, algo útil para auditar qué se preguntó y qué se respondió.
Oracle: una capa semántica para que la IA entienda el negocio
Oracle anunció una capa semántica de negocio para su Autonomous AI Lakehouse: modelos reutilizables que definen dimensiones, medidas, jerarquías, cálculos e indicadores (KPI), para que las consultas en lenguaje natural sigan siempre las mismas reglas del negocio. La compañía indicó que la funcionalidad llegará en los próximos 12 meses.
Oracle presentó el anuncio el 26 de octubre en su evento AI World, en Las Vegas, junto con un soporte más amplio para datos en formato Apache Iceberg.
Qué significa para tu empresa
Los agentes de IA hacen más fácil consultar los datos, pero no corrigen datos desordenados: si «ventas» significa algo distinto en cada área, el agente responderá con la misma confusión. Antes de conectar un agente conviene:
- Definir por escrito los indicadores clave y la forma de calcularlos.
- Consolidar los datos en una fuente única y revisar su calidad.
- Dar a cada usuario acceso solo a lo que le corresponde y guardar el registro de las consultas.
- Empezar con una pregunta de negocio concreta y comprobar que la respuesta del agente coincida con tus reportes.
Actualización del 31 de octubre: anuncio oficial de Oracle
Revisamos esta noticia contra la nota de prensa de Oracle. Retiramos el caso de un cliente farmacéutico que citaba un medio: lo contó un consultor externo y se refería a otra plataforma, no a la de Oracle.
Cómo te ayudamos
En Pronetsys diseñamos proyectos de analítica de datos e inteligencia artificial: ordenamos tus fuentes, definimos los indicadores y construimos tableros y agentes que responden con cifras confiables. Si quieres saber por dónde empezar, agenda una consultoría.
Fuentes
- Google Cloud: notas de versión de BigQuery (octubre de 2026)
- Oracle: capa semántica de negocio para Autonomous AI Lakehouse (26 de octubre de 2026)
Fuente: Google Cloud
