BigQuery lleva años siendo el data warehouse por defecto de medio LATAM, pero en 2026 dejó de ser solo SQL rápido sobre datos grandes. El asistente de BigQuery Studio ahora corre sobre Gemini 3.8 Flash, entiende qué pestaña de consulta tienes abierta y te sugiere SQL avanzado con funciones de IA sin que copies y pegues nada de contexto. Si estás aprendiendo BigQuery hoy, estás aprendiendo una herramienta bastante distinta a la de hace dos años.
Qué cambió con Gemini dentro de BigQuery
Antes tenías que explicarle al asistente todo el contexto de tu consulta cada vez que le pedías ayuda: copiar el esquema de la tabla, pegar el error, describir qué intentabas lograr. Ahora lee tu pestaña activa, entiende qué tabla estás consultando y qué intentaste hacer, y responde con eso en mente en vez de pedirte que repitas el código. Para un analista que vive saltando entre diez consultas a la vez, esa fricción de menos se nota más de lo que parece en el papel.
Google también amplió AI.EMBED, AI.SIMILARITY y AI.GENERATE_EMBEDDING para generar un solo embedding combinando texto, imagen, audio, video o PDF con el modelo gemini-embedding-2-preview, algo que antes necesitabas resolver con un pipeline aparte fuera de BigQuery, normalmente en Python con dos o tres librerías distintas. Ahora es una función más dentro de tu consulta SQL.
Las funciones de IA que ya puedes usar en SQL puro
Estas son las que más cambian el día a día de un analista:
- ▸AI.GENERATE y AI.GENERATE_TABLE, para pedirle texto o filas estructuradas a un modelo directo desde una consulta SQL, sin exportar nada a un notebook aparte.
- ▸AI.EMBED con soporte multimodal, para buscar por similitud entre texto, imagen y hasta PDF sin salir de BigQuery.
- ▸Gemini Cloud Assist, que analiza tus queries y sugiere cómo optimizarlas si pagas por ediciones Enterprise o Enterprise Plus.
Un ejemplo concreto: si tienes una tabla con reseñas de clientes en texto libre, antes necesitabas exportarla, correr un modelo de clasificación de sentimiento por fuera y volver a cargar el resultado. Con AI.GENERATE_TABLE le pides directamente que te devuelva una columna nueva con la categoría y otra con el puntaje, todo en la misma sentencia SQL que ya usabas para el resto del reporte.
Lo que nadie te cuenta es que estas funciones no reemplazan saber SQL, lo vuelven más rentable: sigues necesitando entender qué preguntarle a tus datos, la IA solo te ahorra la parte mecánica de escribirlo.
Cuándo conviene el asistente y cuándo mejor escribes tú el SQL
El asistente brilla para consultas exploratorias: entender un esquema nuevo, armar un primer borrador de una consulta con varios JOIN, o recordar la sintaxis exacta de una función que usas una vez al mes. Donde todavía conviene escribir el SQL a mano es en consultas que corren todos los días sobre tablas grandes y alimentan un dashboard que ve el directorio: ahí un filtro de partición mal puesto por el asistente no es un error menor, es plata real cada vez que corre el job programado.
La regla que uso con los equipos que capacitamos es simple: deja que Gemini te dé el primer borrador siempre, pero antes de programar algo en un job recurrente, revisa el plan de ejecución tú mismo. Un analista junior que aprende a leer ese plan de ejecución en sus primeras semanas termina escribiendo mejor SQL que uno que solo copia lo que el asistente le sugiere sin entender por qué funciona.
El detalle que se te va a olvidar (y te va a doler en la factura)
BigQuery cobra por datos escaneados, no por tiempo de cómputo, y eso sigue siendo cierto aunque ahora tengas un asistente de IA sugiriéndote consultas. Si le pides a Gemini que te arme una consulta y no revisas si está filtrando por partición antes de escanear la tabla completa, el asistente te va a dar SQL que funciona, pero no necesariamente barato. La recomendación de optimización de Gemini Cloud Assist ayuda con esto, pero solo si pagas edición Enterprise; en el resto de los planes, sigue siendo trabajo tuyo revisar el plan de ejecución antes de correr algo sobre una tabla de varios terabytes.
Por dónde empezar si vienes de cero
Si nunca tocaste BigQuery, no arranques directo con funciones de IA. Primero necesitas SQL sólido, entender particionado y clustering de tablas, y cómo se cobra: por datos escaneados, no por tiempo de cómputo, que es la confusión más común de quien viene de una base de datos tradicional tipo MySQL o SQL Server, donde el costo se mide distinto.
El curso BigQuery de Cero a Héroe cubre justo esa base y después mete las funciones de IA que mencioné arriba. Si además quieres que ese conocimiento se traduzca en un rol completo, con dashboards, modelado y storytelling con datos y no solo consultas sueltas, la ruta de Analista de Datos con IA te da ese recorrido; y si SQL todavía no es tu fuerte, SQL Esencial es el punto de partida más corto.
Y si tu plan es certificarte más adelante, todo lo que aprendes aquí también te sirve de base para el Google Cloud Professional Data Engineer: la parte de SQL y modelado de datos no cambia, lo único nuevo son las funciones de IA que ahora forman parte del temario esperado de cualquier analista o ingeniero de datos que trabaje sobre Google Cloud. Vale la pena aprenderlas bien desde ahora, en vez de dejarlas para después como un anexo opcional.
Si prefieres practicar estas funciones de IA en vivo con gente que también está migrando sus queries, cada semana armamos un taller nuevo en la Comunidad AI Builders.
BigQuery es solo una pieza del stack de datos en la nube. Si quieres comparar tus opciones antes de comprometerte con una plataforma, revisa el catálogo completo de cursos de datos y cloud, o arranca por la ruta de Analista de Datos con IA.
