Agent Bricks: Data + AI Summit 2026

El año pasado en el Data + AI Summit, lanzamos Agent Bricks, marcando el comienzo de una nueva forma de crear agentes de alta calidad que pueden razonar sobre sus datos. Desde su lanzamiento, se han creado más de 100 000 agentes y ahora procesamos más de 1000 billones de tokens al año de agentes. Clientes como AstraZeneca, 7-Eleven, Fox Corporation y Block han implementado agentes creados con Agent Bricks. Este año en el DAIS 2026, nos entusiasma anunciar la expansión de Agent Bricks como una plataforma de agentes integral para desarrolladores.

El 99 % restante

El auge de la codificación agéntica, sumado a modelos de frontera más potentes, ha desatado una explosión cámbrica de agentes. Crear agentes con los numerosos frameworks o entornos de agentes del ecosistema nunca ha sido tan fácil. Sin embargo, durante el último año, hemos aprendido que el bucle principal del agente es solo el 1 % del trabajo. El otro 99 % es la deuda técnica oculta de los sistemas agénticos: capacidad de tokens, implementación, seguridad, evaluación, monitoreo, contexto y uso compartido (consulte la figura de abajo).

Plataforma de agentes

Por lo tanto, observamos que los desarrolladores se quedaban estancados creando infraestructura en lugar de agentes. Este momento exige una plataforma de agentes para desarrolladores.

Creemos que una plataforma de agentes requiere resolver tres desafíos críticos:

1. Elección. Los agentes se componen cada vez más de muchos subagentes y necesitan diversidad de modelos para lograr el equilibrio adecuado entre calidad y latencia. Cada familia de modelos tiene comportamientos únicos y se superan constantemente entre sí con cada lanzamiento. Los desarrolladores necesitan una amplia variedad de modelos, desde modelos de frontera propietarios y de código abierto hasta modelos más pequeños, económicos pero rápidos, y modelos personalizados con sus propios datos empresariales.
2. Contexto. Los LLM son potentes motores de razonamiento, pero necesitan la capacidad de recuperar y procesar el contexto adecuado para tomar decisiones comercialmente correctas. Este es un problema extremadamente difícil, ya que el patrimonio de datos está plagado de información faltante o engañosa, o bien el contexto necesario solo reside en las personas o debe reconstruirse a partir de múltiples fuentes.
3. Control. Los agentes son algunos de los actores más privilegiados en una empresa, con acceso a datos confidenciales. Las noticias están llenas de casos de agentes que eliminan accidentalmente bases de código o que sufren inyecciones de prompts que filtran información valiosa. Y los costos se están disparando debido a que los empleados consumen el máximo de tokens ("tokenmaxing") en sus tablas de clasificación de codificación agéntica. Los desarrolladores necesitan formas de implementar agentes de manera segura y de controlar los costos para que la empresa pueda permitirse implementar agentes a escala.

Crear una plataforma de agentes que aborde estos desafíos requiere conectar los datos con la AI. Después de todo, los agentes no solo consumen datos a través de herramientas y contexto, sino que ahora también producen una gran cantidad de datos en sus resultados, acciones, trazas de razonamiento y memoria, todo lo cual debe ser gobernado y analizado. Esta unificación de datos y AI es un logro para el cual Databricks está en una posición única.

Agent Bricks

Estamos sumamente entusiasmados de anunciar la próxima evolución de Agent Bricks como nuestra plataforma de agentes para desarrolladores. Lo que comenzó como un experimento en la creación de agentes se ha expandido hasta convertirse en una plataforma integral para que los desarrolladores creen agentes con cualquier modelo y cualquier entorno (harness), accedan a los datos en cualquier lugar e implementen y controlen con total confianza. Tenemos todos los componentes básicos, desde sandboxes seguros hasta memoria de agentes y capacidad de tokens para desarrolladores: Databricks se encarga de la infraestructura mientras usted crea agentes de gran impacto.

Elección

Modelos

Agent Bricks ofrece todos los modelos de frontera propietarios y de código abierto en una sola plataforma, integrados de forma nativa en nuestro límite de seguridad. Alterne y pruebe fácilmente entre diferentes LLM para equilibrar el comportamiento del agente con la latencia y el costo. Además de OpenAI, Anthropic, Gemini y Qwen, acabamos de agregar soporte para Kimi. También nos complace anunciar una asociación con SpaceX para que los modelos Grok estén disponibles de forma nativa en Databricks.

"Databricks nos brinda una base segura y gobernada para ejecutar múltiples modelos y cambiar de proveedor a medida que evolucionan nuestras necesidades. Todo esto mientras mantenemos los costos bajo control". — Gregory Rokita, VP de Tecnología, Edmunds

Durante los últimos tres años, hemos sido pioneros en modelos personalizados: clientes que crean modelos especializados en sus datos empresariales a través de la optimización de prompts, ajuste fino (fine-tuning), o aprendizaje por refuerzo. Nuestro equipo de investigación entrena regularmente modelos personalizados que van desde modelos pequeños para tareas de subagentes hasta la aplicación de RL a modelos grandes como el modelo agéntico principal. Recientemente, utilizamos el aprendizaje por refuerzo para entrenar a un agente de datos personalizado que es competitivo con modelos de frontera como Opus y Sonnet en tareas relacionadas con Genie, a la vez que tiene un costo por consulta significativamente menor (consulte la figura de abajo). Ahora, clientes como Merck o First American están utilizando AI Runtime para entrenar LLMs especializados en sus datos únicos.

Entornos de agentes

Admitimos cualquier entorno de agentes (harness) que los desarrolladores deseen utilizar, desde frameworks de código abierto como LangGraph, Agno y CrewAI hasta entornos como Claude Code SDK o OpenAI Agent SDKs. Implemente estos agentes con escalado automático horizontal en Databricks Apps. También ofrecemos una versión administrada de nuestro metaentorno de código abierto Omnigent, que lanzamos el fin de semana pasado, para orquestar diferentes entornos.

Contexto

Recuperar los datos correctos ya no se limita a las aplicaciones RAG de antaño. Los agentes ahora cuentan con herramientas sofisticadas para buscar, recuperar y manipular datos durante el razonamiento para identificar el contexto relevante. Sin embargo, las exigencias de las capacidades de los agentes actuales requieren recorrer un panorama de datos complejo y desordenado de tablas desactualizadas, carpetas de Google Drive desorganizadas, páginas de búsqueda web confusas y documentos engañosos. A menudo, el contexto requerido simplemente no está registrado y existe solo en la mente de unas pocas personas clave. El auge del contenido basura generado por AI ("AI slop") contamina aún más el patrimonio de datos con "hechos" difíciles de verificar.

Nuestro equipo de investigación ha estado resolviendo problemas críticos en esta área, como la búsqueda agéntica, escalado de memoria, blocs de notas programables (scratchpads), evaluación, y razonamiento fundamentado (grounded reasoning). Como parte de Agent Bricks, estas innovaciones se ofrecen en unos pocos componentes clave:

• Conecte agentes a datos en cualquier lugar

Al añadir soporte para MCP a Unity Catalog, los agentes en Agent Bricks pueden conectarse de forma segura a fuentes de datos externas como Google Drive, JIRA, Slack, GitHub y más. Nuestros agentes de búsqueda especializados pueden aprovechar tanto los metadatos estructurados como el texto de origen para encontrar de manera eficiente la información correcta.

• Ontología de Genie

Al aprender continuamente una ontología sobre los datos e incorporar semántica empresarial anotada por humanos, la Ontología de Genie permite a Agent Bricks acceder a una gran cantidad de información que puede guiar la búsqueda y el análisis. ¿Cuándo comienza el año fiscal? ¿Quién es el director de ventas? ¿Qué significa un cliente perdido en mi negocio? ¿Cuál es nuestra estrategia este año? ¿Qué tabla se usa más? ¿Qué autor de datos tiene el historial más confiable? La Ontología de Genie permite a los agentes comprender instantáneamente su negocio desde el principio, sin tener que recrear el contexto con cada llamada.

• Herramientas de agente de Databricks

Hemos lanzado un conjunto de herramientas integradas gestionadas por Databricks que utilizan nuestras innovaciones de investigación para ofrecer la mejor búsqueda de datos de su clase en el Lakehouse y también de datos externos a través de MCP. Por ejemplo, nuestro trabajo en búsqueda agéntica ha dado como resultado un subagente de búsqueda de documentos que ahora es tres veces más rápido que antes, al tiempo que mejora la calidad. Estas herramientas son accesibles de forma centralizada y se gobiernan en Unity Catalog.

• Servicio de memoria de agentes

Los desarrolladores que crean agentes ahora pueden conectar sus agentes a la memoria gestionada en Databricks. Impulsados por Lakebase internamente, los agentes pueden gestionar su propio contexto e historial de sesiones, y mantenerlos a lo largo de las sesiones y, eventualmente, también entre diferentes agentes.

• Inteligencia de documentos

Desde nuestro lanzamiento el año pasado, un conjunto de funciones en SQL que llamamos Document Intelligence (GA) permite el análisis y procesamiento de última generación de archivos PDF y otros documentos. Con ai_parse_document, ai_extract y ai_classify, crear flujos de trabajo de procesamiento de documentos o subagentes es fácil. Utilizando nuestra evaluación comparativa interna de tareas de análisis de documentos empresariales, nuestro sistema ofrece la mayor calidad y el menor costo en comparación tanto con los LLM de frontera como con los sistemas especializados de otros proveedores.

• Databricks Sandbox

Acceder al contexto de forma segura requiere un aislamiento cuidadoso y una delimitación del alcance de acceso. Databricks Sandbox permite levantar VM seguras para computación y limitar el alcance del acceso a datos en Unity Catalog. Estos sandboxes se pueden utilizar para contener herramientas de interpretación de código, ejecutar subagentes y entornos de pruebas, o simplemente como un bloc de notas seguro para la experimentación con agentes.

Control

La explosión cámbrica de agentes, modelos y herramientas necesita una fuerza de gobernanza igualmente sólida para implementar de forma segura y gestionar el costo de estos agentes. Nos complace anunciar Unity AI Gateway, una capa de gobernanza unificada para todos sus activos de IA, tanto en Databricks como alojados externamente. Todos los clientes deberían utilizar Unity AI Gateway para proteger, observar y gobernar sus activos de IA, desde MCP hasta modelos y agentes externos.

Hemos implementado las capacidades principales de una plataforma de gobernanza en Unity AI Gateway:

• Descubrir un catálogo de todos los agentes, modelos, MCP, habilidades y agentes externos
• Configurar controles de acceso detallados para herramientas y agentes
• Monitorear costos y aplicar presupuestos por usuario y por grupo
• Enrutamiento inteligente del tráfico basado en la confiabilidad, las políticas presupuestarias u otros controles

Pero hay algunas capacidades críticas que solo una plataforma combinada de datos e IA como Databricks puede ofrecer:

Monitoreo y trazas de agentes

Los agentes producen grandes cantidades de datos a partir de sus trazas de razonamiento, escrituras en memoria y generaciones. Esos datos deben gobernarse en el Lakehouse junto con el resto de sus datos, no aislarse en un proveedor diferente. Los beneficios no terminan ahí: ahora que los datos están en el lakehouse, aplique todo el poder de Databricks para analizar esas trazas, depurar la calidad del agente, analizar y optimizar las sesiones de codificación de IA y monitorear el comportamiento en producción. Ahora integrado con LakeWatch, nuestra plataforma de seguridad agéntica, configure alertas para infracciones de PII, audite el acceso a datos confidenciales y responda a incidentes de seguridad.

Políticas contextuales

Los agentes tienen estado, son dinámicos y contextuales, por lo que las políticas de seguridad que los gobiernan también deberían serlo. Cree políticas de seguridad personalizadas para herramientas y medidas de protección (guardrails) para agentes, directamente en SQL (y pronto en Python). Es importante destacar que estas políticas pueden mantener el estado y reaccionar según los datos y el contexto.

Por ejemplo, en el siguiente caso, puede escribir una política de modo que, si un agente accede a datos confidenciales de clientes con PII, se le impida publicar esos datos en el sitio web de la empresa, pero pueda enviarlos por correo electrónico a un compañero de trabajo. Otras acciones, como actualizar Salesforce, requerirían aprobación humana.

Registro de Unity Catalog para agentes, herramientas y modelos

Hemos añadido agentes, herramientas y modelos a Unity Catalog (UC), para que pueda gobernar esos activos junto con el resto de su patrimonio de datos. La gobernanza de la IA no se puede separar de la gobernanza de datos. En última instancia, los agentes, modelos y herramientas operan con datos empresariales. Gobernar los datos y la IA de forma conjunta proporciona políticas consistentes, visibilidad de extremo a extremo y un único plano de control para la seguridad, el cumplimiento y la auditoría.

Para un análisis exhaustivo de la gobernanza de la IA, consulte el blog de Unity AI Gateway.

Nos complace anunciar Agent Bricks como nuestra plataforma de agentes con todas las funciones. Creemos que el futuro de los agentes requiere una combinación de datos e IA en una sola plataforma, para que los desarrolladores puedan crear y operar agentes fácilmente en producción. Al ofrecer variedad de modelos, contexto relevante y una gobernanza completa, Agent Bricks está listo para crear su aplicación agéntica. Estamos ansiosos por ver lo que construye.

(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original