Si aprendiste BigQuery hace dos años y no lo volviste a abrir, lo que vas a encontrar hoy es otra cosa. Sigue siendo el almacén de datos de Google, sí, pero en 2026 le metieron funciones de IA que corren dentro del propio SQL y un par de agentes que arman el pipeline por ti. No es marketing: son funciones que ya están en GA y que cambian cómo se escribe una consulta.
Te hago el resumen de qué cambió, qué vale la pena de verdad y cómo arrancar si recién estás entrando.
Lo que cambió: la IA se metió dentro del SQL
El cambio de fondo es simple de explicar y pesado en consecuencias: ya no tienes que sacar los datos de BigQuery, mandarlos a un modelo por API y volver a cargarlos. Llamas al modelo desde la consulta.
Las que más vas a usar:
- ▸AI.IF, AI.SCORE y AI.CLASSIFY, en disponibilidad general desde el 13 de abril de 2026. Filtras, puntúas y clasificas filas con una instrucción en lenguaje natural, sin salir del SELECT.
- ▸AI.AGG, ya en GA: resume muchas filas con una instrucción en texto. Es el GROUP BY que siempre quisiste para campos libres (comentarios, tickets, reseñas).
- ▸AI.CHUNK_DOCUMENT y AI.TRANSLATE, para partir documentos y traducir sin montar un servicio aparte.
- ▸AI.FORECAST con el modelo TimesFM 3.0 y forecasting multivariado, en preview desde el 7 de octubre de 2026.
Aparte llegaron seis funciones de analítica aumentada que atacan las preguntas que normalmente terminan en una reunión larga: AI.KEY_DRIVERS, AI.CAUSAL_EFFECT, ML.CORRELATION, ML.DETECT_CHANGE_POINTS, ML.TREND y ML.SEASONALITY. Sirven para encontrar por qué se movió una métrica, medir el efecto de una campaña o una intervención, detectar quiebres en una serie de tiempo y separar tendencia de estacionalidad.
AI.KEY_DRIVERS es la que más me ha ahorrado tiempo. "¿Por qué cayó la conversión en octubre?" solía ser media tarde cruzando dimensiones a mano. Ahora es una consulta y una revisión crítica del resultado, que es lo que realmente aporta un analista.
Los agentes: Data Science Agent y Data Engineering Agent
Los dos están en GA. El Data Science Agent vive en los notebooks de BigQuery: le dices el objetivo en español, y arma el plan para cargar, limpiar y visualizar usando BigQuery ML, DataFrames o Spark. El Data Engineering Agent es el otro lado: desarrollar, mantener, migrar y depurar pipelines.
Y encima está Conversational Analytics, que te deja publicar agentes sobre tus propios datos y metadatos para que gente de negocio pregunte sin escribir SQL.
Acá va mi caveat, y es el mismo que le doy a todo equipo que me pregunta: un agente sobre datos mal modelados te da respuestas equivocadas más rápido. Si tus tablas no tienen descripciones, si nadie sabe qué significa status_2 y si hay tres definiciones de "cliente activo", el agente va a elegir una al azar y va a sonar convencido. El metadato dejó de ser higiene y pasó a ser la entrada del sistema.
Google acompañó esto con observabilidad y gobierno para agentes entre BigQuery y Looker: telemetría, trazas, logs de conversación y control de costo. Que exista esa capa te dice bastante de dónde está el problema real cuando pones agentes a correr sobre datos de producción. Si quieres aprender a diseñar y evaluar esos agentes y no solo a invocarlos, esa es la ruta de AI Agentic Engineer.
Lo que no cambió (y te va a costar plata si lo ignoras)
BigQuery sigue cobrando por los bytes que escanea tu consulta. Esa regla de siempre no desapareció porque haya IA de por medio. Al contrario: si pones un AI.CLASSIFY sobre una tabla de 400 millones de filas sin filtrar antes, pagas dos veces, el escaneo y la inferencia.
Lo básico sigue decidiendo la factura:
- ▸Particiona por fecha y agrupa (cluster) por los campos con los que filtras siempre.
- ▸Nunca SELECT *. Es columnar: cada columna que pides se paga.
- ▸Filtra primero, llama al modelo después. Siempre en ese orden.
- ▸Materializa en tablas intermedias lo que vas a reutilizar, en vez de recalcularlo en cada dashboard.
Prueba de esto: la mitad de las facturas desbocadas que he visto en BigQuery no vienen de modelos de IA, vienen de un dashboard que refresca cada 15 minutos sobre una tabla sin particionar.
Cómo empezar si vienes de cero
No arranques por las funciones de IA. Suena contraintuitivo en un post sobre IA, pero es la verdad: sin SQL sólido, AI.AGG es un truco que no sabes auditar.
- SQL de verdad primero: joins, window functions, CTEs y agregaciones. Si eso te cuesta, empieza por ahí.
- Abre un proyecto en Google Cloud y usa los datasets públicos. El de taxis de Nueva York y el de GitHub son suficientes para romper cosas sin romper nada.
- Aprende a leer el estimador de bytes antes de ejecutar. Ese reflejo te separa del resto.
- Recién ahí, prueba AI.CLASSIFY sobre una tabla pequeña de comentarios o tickets. Compara el resultado contra 50 filas que clasificaste a mano.
- Arma un pipeline chico de punta a punta: ingesta, tabla limpia, vista de negocio y un dashboard. Eso ya es portafolio.
Ese orden es el que seguimos en BigQuery de cero a héroe: primero consultas que no te cuestan una fortuna, después modelado, y al final las piezas de IA. Si el SQL todavía te pesa, SQL para todos es el paso previo y se hace en pocas semanas.
¿Y si quiero esto como trabajo?
BigQuery solo no es un puesto. Lo que se contrata es data engineer, y ahí te piden el combo completo: SQL, Python, orquestación, modelado y cloud. Esa es la lógica del bootcamp de Data Engineer, que termina con un pipeline funcionando y no con un certificado de asistencia.
Si ya decidiste que tu nube es Google, el bootcamp de GCP Data Engineer cubre lo que rodea a BigQuery: Dataflow, Dataproc, Composer y el resto de piezas que aparecen en cualquier entrevista seria. Y para la parte de IA generativa sobre ese mismo stack está la especialización en IA generativa en Google Cloud.
Por dónde te conviene empezar esta semana
Toma una tabla real de tu trabajo (o el dataset de taxis si no tienes), escribe una consulta que responda una pregunta de negocio concreta y después reescríbela para que escanee la mitad de bytes. Ese ejercicio enseña más de BigQuery que cualquier lista de funciones nuevas. Cuando lo tengas, prueba AI.KEY_DRIVERS sobre esa misma métrica y compara si te dice algo que no sabías.
Puedes ver todo el catálogo de cursos para ubicar tu punto de partida. Y si te sirve hacerlo acompañado, en la Comunidad AI Builders armamos un taller en vivo cada semana, desde 19 USD al mes, con gente que está peleando con los mismos pipelines que tú.



