Google Cloud ha presentado nuevas capacidades de su Agentic Data Cloud, la plataforma con la que quiere que los agentes de IA trabajen sobre datos repartidos entre varias nubes, sistemas propios y aplicaciones SaaS. Para las empresas españolas, y en especial para las del sector financiero, el anuncio pone el foco en una cuestión que ya no es solo técnica: cómo dar contexto y gobierno a los agentes antes de llevarlos a producción.
Qué ha anunciado Google
Según el blog oficial de Google Cloud (4 de noviembre de 2026), la compañía describe el Agentic Data Cloud como un «sistema de acción» pensado para activar todos los datos de la organización. Los anuncios se agrupan en tres líneas:
- Un lakehouse sin fronteras, basado en el formato abierto Apache Iceberg, para consultar datos donde residen.
- Un catálogo de conocimiento (Knowledge Catalog) que aporta contexto de negocio gobernado a los agentes.
- Una infraestructura de bases de datos diseñada para cargas generadas por agentes, además de nuevas herramientas para equipos técnicos y usuarios de negocio.
Google cita a PayPal, Siemens, Telus, Vodafone y Walmart entre las organizaciones que ya obtienen resultados con la plataforma.
Datos en varias nubes sin moverlos
Muchas empresas tienen sus datos repartidos entre nubes públicas, sistemas locales y plataformas como SAP, Salesforce o Workday. Google propone consultarlos sin copiarlos ni construir conectores a medida. Entre las novedades destacan:
- Interconexión entre nubes y caché para AWS y Azure, ya disponible de forma general, con conexión privada y sin costes variables de salida de datos (egress), según Google.
- Federación de catálogos Iceberg con Databricks Unity, Snowflake Horizon y AWS Glue, e integraciones sin copia con SAP, Workday y Salesforce.
- Acceso directo a tablas Iceberg desde AlloyDB, de modo que se puedan combinar datos operacionales y datos históricos en una sola consulta PostgreSQL, sin pipelines ETL.
- Spanner Omni, ya disponible de forma general, para aplicaciones híbridas en local, en el borde y en entornos multicloud.
Como ejemplo, Google recoge el testimonio de talabat (Delivery Hero), que afirma haber reducido en torno a un 40 % los costes de movimiento de datos al federar datos Iceberg entre Amazon S3 y BigQuery. Son cifras del cliente y del proveedor, no de una evaluación independiente.
Contexto y gobierno: lo que marca la fiabilidad del agente
La tesis del anuncio es que un agente es tan preciso como el contexto de negocio en el que se apoya. Por eso Google amplía Knowledge Catalog con varias capacidades:
- Enriquecimiento autoaprendido (en vista previa), que extrae contexto de fuentes no estructuradas como Google Workspace, GitHub, Jira, Confluence o SharePoint.
- Conjuntos de contexto reutilizables en formato Open Knowledge Format (OKF), para que los responsables de datos los gobiernen.
- Una experiencia de estudio conversacional (en vista previa) para explorar el contexto, revisar y aprobar cambios propuestos, con control de versiones y marcha atrás.
- Modelos semánticos fiables, ya disponibles de forma general, procedentes de BigQuery, Looker, Databricks, Snowflake, dbt y SAP, para que el agente aplique las mismas fórmulas que usa el negocio.
Además, Knowledge Catalog pasa a estar activado por defecto en Gemini (en vista previa) y respeta los permisos de acceso de cada usuario. Google asegura, según sus pruebas internas, que hace a los agentes casi cuatro veces más precisos, con hasta un 33 % menos de latencia y hasta un 75 % menos de tokens. Conviene tomar estas cifras como referencia del fabricante y validarlas con casos propios.
Para un banco o una aseguradora, el punto relevante es la trazabilidad: qué definición de negocio usa el agente, con qué permisos y con qué posibilidad de auditoría.
Infraestructura y herramientas para trabajar con agentes
Google también presenta infraestructura específica para cargas de agentes. AlloyDB Express (vista previa) busca acelerar el desarrollo y las pruebas, con aprovisionamiento en menos de dos segundos y reducción a cero cuando está inactivo. Para producción, «PostgreSQL for agents» en AlloyDB (vista previa) permite que miles de agentes consulten datos transaccionales con aislamiento de carga. Google habla de más de 3 millones de consultas por segundo.
En el plano del trabajo diario, Gemini incorpora capacidades para que ingenieros de datos y de ML generen código PySpark y corrijan pipelines, y para que usuarios de negocio creen informes operativos con lenguaje natural. El Data Agent Kit, ya disponible de forma general, lleva estas herramientas a entornos de desarrollo como VS Code. Completan el paquete mejoras en Managed Service for Apache Spark y BigQuery, incluida la disponibilidad general de BigQuery Graph.
Qué deberían hacer las empresas
Más allá de la oferta de Google, el anuncio refleja una tendencia que afecta a cualquier proveedor: los agentes en producción exigen datos accesibles, contexto fiable y gobierno demostrable. Algunas recomendaciones prácticas:
- Revisar el estado del dato: dónde reside, en qué formatos y con qué catálogo, y cuánto cuesta moverlo entre nubes.
- Definir la capa semántica: acordar métricas y términos de negocio (ingresos netos, churn, riesgo) antes de que los use un agente.
- Distinguir entre disponibilidad general y vista previa: varias novedades siguen en preview y no deberían sustentar procesos críticos sin pruebas.
- Incorporar seguridad y cumplimiento desde el inicio: permisos por usuario, auditoría, versionado de contexto y encaje con la normativa aplicable.
- Empezar con casos acotados, midiendo precisión, coste de tokens y valor de negocio antes de escalar.
En CGC Spain acompañamos a las empresas en este recorrido: evaluamos la madurez de su arquitectura de datos, ayudamos a diseñar el gobierno y la capa de contexto, y planteamos pilotos de agentes con criterios claros de seguridad y retorno. Si su organización está valorando cómo llevar la IA agéntica a producción, estaremos encantados de analizar su situación sin compromiso.
