En las notas de versión de julio de 2026, Databricks introdujo tres cambios que juntos cambian cómo los agentes IA van a interactuar con los datos: el Genie One Managed MCP Server (Beta), la integración de Genie en Microsoft Teams (Preview) y el Lakebridge Agentic Converter para migración de SQL legacy. Viene acompañado de un rebrand: Genie Spaces ya no existe como nombre. Ahora se llama Genie Agents. Si tienes workloads en Databricks, vale la pena entender qué significa cada uno.
De Genie Spaces a Genie Agents: por qué importa el cambio de nombre
No es solo marketing. 'Spaces' implicaba un entorno cerrado donde los usuarios entraban a hacer preguntas a sus datos. 'Agents' señala algo distinto: Genie se integra como un actor dentro de pipelines y orquestaciones externas. Puede recibir instrucciones de un flujo externo, ejecutar consultas y devolver resultados estructurados, igual que cualquier otro agente de software. El nuevo nombre viene acompañado de cambios reales: nuevos endpoints de API, permisos actualizados en Unity Catalog y la posibilidad de crear múltiples Genie Agents por workspace, cada uno configurado sobre un subconjunto de tablas con su propio contexto de negocio.
El servidor MCP gestionado de Genie One: qué hace en la práctica
Genie One ahora expone un endpoint MCP gestionado (Beta). El funcionamiento es directo: cualquier cliente compatible con el protocolo MCP puede invocar ese endpoint para hacer preguntas en lenguaje natural sobre los datos de tu Unity Catalog. El servidor traduce la pregunta a SQL, ejecuta la consulta y devuelve resultados estructurados. Sin API intermedia. Sin wrapper personalizado. Sin gestionar autenticación desde cero.
Los clientes compatibles incluyen Claude Code, Cursor, flujos de LangGraph y n8n, entre otros. En la práctica, eso significa que puedes construir un agente que en un solo flujo lea un ticket de soporte, consulte métricas de clientes directamente en Databricks vía MCP, genere un resumen ejecutivo y actualice un sistema externo, sin que nadie tenga que escribir una línea de SQL manual.
El caso de uso que más veo en equipos de datos: un agente nocturno que consulta las métricas del día vía MCP, detecta anomalías y genera un reporte en Slack o email, sin intervención humana. Antes eso requería una API propia, autenticación gestionada y un servicio corriendo las 24 horas. Ahora es un endpoint de Genie con las políticas de Unity Catalog heredadas.
Microsoft Teams + Genie: preguntas de datos sin salir del chat
También en Preview para julio de 2026: la app de Genie en Microsoft Teams. Un analista de negocio puede escribir '¿cuánto vendió la región norte la semana pasada?' directamente en Teams y recibir la respuesta, con el visual generado, sin abrir Databricks. El equipo de finanzas no necesita aprender SQL. El equipo de ventas no necesita esperar a que un analista esté disponible.
Este tipo de feature es lo que realmente mueve la adopción dentro de las organizaciones. Mientras los usuarios de negocio tengan que salir de su entorno habitual para consultar datos, la fricción es real y la adopción se estanca. La integración nativa en Teams la reduce a casi cero.
Lakebridge Agentic Converter: migración de SQL legacy con IA
El Lakebridge Agentic Converter, también en Beta, usa Genie Code para convertir dialectos SQL legacy a ANSI SQL optimizado para Databricks. Soporta T-SQL de SQL Server, Snowflake, Redshift, Oracle, BigQuery y Teradata. No es una traducción mecánica de texto: el convertidor analiza el contexto de cada query, detecta patrones de optimización y genera el SQL equivalente adaptado al motor de Databricks.
Para equipos en migración desde SQL Server o Redshift, esto puede reducir semanas de revisión manual. Hay que ser honesto: el convertidor no va a ser perfecto con stored procedures muy específicos o con lógica de sesión compleja. Pero para el 80% de las queries estándar con SELECTs, JOINs y filtros, funciona bien.
Los nuevos precios desde julio de 2026
- ▸Genie Agents, Genie Code y Genie One siguen un modelo pay-as-you-go en DBUs
- ▸150 DBUs de LLM gratuitos por mes (equivalen a ~$10.50 en la región US East)
- ▸El consumo adicional se cobra según el tier del workspace
Con un workspace de SKU mediano, los 150 DBUs probablemente cubren los casos de uso internos básicos. Para producción intensiva con agentes que corren cientos de consultas por día, revisa el pricing calculator antes de escalar. Los costos se acumulan rápido en flujos de alta frecuencia.
Qué cambia para ti como Data Engineer
Si tienes datos bien organizados en Unity Catalog, ahora tienes un endpoint MCP sin trabajo extra de infraestructura. No hay que construir una API, gestionar OAuth desde cero ni escribir wrappers por cada tabla. Genie One lo hace. Lo que sí tienes que hacer es configurar bien tus Genie Agents: qué tablas exponen, qué contexto de negocio tienen, y quién tiene acceso desde el exterior.
El error más común que ya veo en equipos que empiezan con esto: abrir el MCP al mundo sin revisar las políticas de Unity Catalog, y terminar exponiendo tablas que no deberían ser accesibles. El servidor MCP respeta los permisos de UC que ya tienes definidos, pero solo si los tienes definidos correctamente. No lo asumas: revísalo.
También vale la pena pensar en quién va a construir los agentes que consumen esos endpoints. Un Data Engineer puede configurar Genie y Unity Catalog. Pero diseñar los flujos de agentes que orquestan esos datos requiere un perfil diferente: el del AI Agentic Engineer. Es la combinación de los dos roles la que hace que un sistema así funcione en producción.
Si quieres dominar Databricks con Unity Catalog, Delta Live Tables y Genie Agents desde la práctica, el curso de Databricks Data Engineer cubre exactamente eso. Para el camino completo de Data Engineer en la nube, el bootcamp de Data Engineer incluye Databricks, Azure y GCP con proyectos reales. Y si te interesa construir los agentes que van a consumir estos endpoints, el programa de AI Agentic Engineer conecta las dos piezas: datos y agentes.
