Databricks reescribió Genie. El 11 de noviembre presentó la segunda generación de su agente de datos y el cambio no es cosmético: deja de ser un chat que responde preguntas sobre tus tablas y pasa a trabajar en segundo plano, con su propio cómputo, mientras tú haces otra cosa. Le das un objetivo y unos límites, y el agente avanza, reparte el trabajo entre subagentes que corren en paralelo y vuelve a ti cuando le falta algo o cuando hay que decidir.
Si administras un lakehouse, esto te toca ahora. No porque mañana tengas que encenderlo, sino porque lo que el anuncio da por supuesto —permisos ordenados, métricas con una definición única, topes de gasto— es justo lo que la mayoría de los equipos todavía no tiene.
Qué anunció Databricks el 11 de noviembre
El anuncio tiene cuatro piezas que conviene separar, porque no todas llegan al mismo tiempo ni con el mismo nivel de madurez:
- ▸Genie always-on. El agente deja el modelo de pregunta-respuesta y sostiene trabajo largo: hace seguimiento del avance, delega en subagentes en paralelo y persigue los insumos que le faltan.
- ▸Genie Search. Una búsqueda única sobre datos estructurados y no estructurados: el lakehouse y además apps de negocio como Google Drive, Jira o Confluence, sin mover la información a otro lado.
- ▸Genie Ontology. Un grafo de conocimiento que recoge las definiciones de negocio, las métricas, las personas y los procesos de la empresa, para que el agente interprete una pregunta en el contexto de esa empresa y no en el vacío.
- ▸Gobierno. Unity Catalog sigue mandando sobre los permisos de datos y Unity Gateway controla a qué herramientas llega el agente, qué acciones necesitan aprobación y cuánto puede gastar, con trazabilidad de cada acción.
Un detalle que la prensa del anuncio mezcló y vale la pena leer con calma: Genie y Genie Ontology quedaron listados como disponibles de forma general, mientras que el modo always-on y el Ontology Manager entran por programas de preview y beta, sin fechas públicas. Sobre Genie Search las notas se contradicen. Antes de prometerle nada a tu gerencia, abre tu workspace y mira qué ves tú, no qué dice el titular.
La ontología es la parte aburrida y la que decide todo
He visto equipos encender un asistente sobre el lakehouse y descubrir, en la primera demo, que el agente calculaba ingresos de una manera y finanzas de otra. No era culpa del modelo. Era que en la empresa había tres definiciones de ingreso vivas al mismo tiempo, repartidas entre un notebook, una vista en el catálogo y un archivo de Excel que nadie quería tocar.
Eso es lo que Genie Ontology intenta resolver: subir las definiciones de negocio al mismo lugar donde viven los datos, para que el agente no tenga que adivinarlas. Es trabajo de modelado, no de prompts. Y es la razón por la que un Data Engineer que sabe armar un modelo semántico limpio va a valer más, no menos, en un mundo con agentes encima del lakehouse. Si estás empezando por ahí, el Bootcamp Databricks Data Engineer parte justo de esa base: Delta Lake, Unity Catalog y pipelines que otro puede leer seis meses después.
Qué cambia en tu día a día si manejas el lakehouse
Un agente que trabaja solo durante horas no se parece en nada a un copiloto que te sugiere SQL. Cambian cuatro cosas de fondo:
- ▸El permiso deja de ser papeleo. Si el agente hereda lo que tu usuario puede ver, cada permiso mal puesto en Unity Catalog se vuelve una fuga con las manos libres.
- ▸El costo deja de ser mensual. Cómputo propio más subagentes en paralelo significa que el gasto se mueve en horas, no en facturas. Por eso los topes y presupuestos están en el anuncio y no en la letra chica.
- ▸La revisión se mueve al final. Nadie va a leer 40 pasos intermedios: vas a revisar el entregable y la traza, y vas a necesitar criterio para saber dónde mirar primero.
- ▸La documentación pasa a ser insumo del sistema. Lo que antes se escribía para humanos ahora alimenta a la ontología. Un glosario abandonado ya no es deuda simbólica: degrada las respuestas.
Lo que nadie dice en estos lanzamientos: la parte difícil nunca fue que el agente escribiera SQL. Es que la empresa se ponga de acuerdo en qué significa cada métrica antes de dejar que algo la calcule sin supervisión.
Cómo prepararte sin esperar al preview
No necesitas acceso al modo always-on para empezar. Hay cuatro tareas que puedes hacer esta semana y que te sirven igual si al final usas otra herramienta:
- ▸Elige diez métricas que de verdad se usan en comités y deja una sola definición certificada de cada una en el catálogo.
- ▸Audita los grants de Unity Catalog con una pregunta simple: si un agente se loguea con este rol, qué podría leer que no debería.
- ▸Define qué acciones exigen aprobación humana antes de que exista el agente: escribir en producción, borrar, mandar algo fuera de la empresa.
- ▸Arma un set de 20 preguntas reales con su respuesta correcta. Es tu evaluación: sin eso no vas a saber si el agente mejoró o empeoró después de un cambio.
Y si tu empresa no usa Databricks
El movimiento no es exclusivo de Databricks y por eso vale la pena entenderlo aunque trabajes en otra plataforma. Microsoft abrió OneLake a los agentes vía MCP hace una semana, Google empuja lo mismo desde Gemini sobre BigQuery y todos los proveedores están llegando a la misma conclusión: el agente útil no es el que escribe mejor SQL, es el que tiene acceso gobernado al contexto del negocio.
Eso convierte tres habilidades en apuesta segura, sin importar el logo de tu plataforma: modelar métricas de forma que no se puedan interpretar de dos maneras, administrar permisos con criterio de seguridad y saber evaluar la salida de un sistema que no es determinista. Ninguna de las tres caduca cuando cambias de herramienta, y las tres se aprenden haciendo.
Dónde aprender esto con las manos
Si vienes del lado de datos y quieres entrar por la puerta corta, Introducción a Databricks te deja el mapa de Lakehouse, Delta Lake y Mosaic AI en pocas sesiones, y el taller de creación de agentes inteligentes con Databricks es donde armas uno tú mismo sobre datos gobernados en vez de leer sobre él.
Si lo que te interesa es el oficio completo —diseñar agentes que corren en producción, con memoria, herramientas, trazas y control de costo, dentro o fuera de Databricks— ese es el terreno de la ruta AI Agentic Engineer. Y si todavía estás construyendo la base de ingeniería de datos que todo esto da por sentada, el bootcamp de Data Engineer es el camino largo pero el que de verdad sostiene lo demás.
Por dónde empezar esta semana
Haz la auditoría de permisos antes que cualquier otra cosa. Es gratis, toma una tarde y es lo único de esta lista que, si lo dejas para después, te puede costar caro. Lo demás puede esperar al preview.
Cuando quieras pasar de leer a construir: mira el Bootcamp Databricks Data Engineer, la ruta de AI Agentic Engineer o el catálogo completo de cursos si prefieres armar tu propio camino.
Y si prefieres practicar estas cosas con gente que las está probando al mismo tiempo que tú, cada semana hacemos un taller en vivo en la Comunidad AI Builders (desde 19 USD al mes). Ahí es donde salen las preguntas que no aparecen en la documentación.



