Cuando su equipo dedica horas a escribir indicaciones, ajustar modelos y reunir canalizaciones de datos solo para implementar un agente de IA, la productividad se detiene por completo.
Databricks introdujo Agent Bricks para resolver ese cuello de botella mediante la automatización de todo el flujo de trabajo de creación y optimización de los datos de la corporación.
Esta guía le muestra lo que ofrece, cómo trabaja y si se adapta a su pila.
Puntos clave
- Databricks Agent Bricks automatiza la creación de agentes utilizando datos sintéticos y puntos de referencia.
- Elimina el ajuste manual de indicaciones y se integra directamente con Unity Catalog.
- Los primeros usuarios elaboran informes sobre altos costes de optimización, pero de un gran rendimiento a gran escala.
- El acceso regional y la personalización con límite siguen siendo riesgos clave durante la fase beta.
¿Ofrece Databricks IA agencial?
Sí, Databricks lanzó Agent Bricks el 11 de junio de 2025 en su cumbre Data+IA Summit celebrada en San Francisco.
La plataforma automatiza la creación de agentes de IA generando datos sintéticos específicos del dominio y puntos de referencia conscientes de las tareas, y luego optimizando los modelos en cuanto a coste y calidad sin necesidad de ingeniería manual.
Basado en la adquisición de MosaicML por parte de Databricks en 2023, el producto posiciona a Databricks como proveedor de data lakehouse y plataforma de IA agencial.
Está dirigido a equipos que gestionan grandes volúmenes de documentos internos, registros de transacción o contenido no estructurado y necesitan agentes que puedan extraer información, responder preguntas o coordinar flujos de trabajo de varios pasos de forma segura.
Agent Bricks entró en fase beta pública a mediados de 2025, inicialmente disponible en AWS en regiones de EE. UU., con una expansión planificada a Europa a finales de año.
¿Cómo funciona realmente?
Agent Bricks reduce el tradicional ciclo de prueba y error a un proceso guiado. Usted describe la tarea en lenguaje sencillo, hace la conexión (a internet) de sus fuentes de datos a través de Unity Catalog y el sistema genera automáticamente ejemplos de entrenamiento sintéticos que reflejan su dominio.
Esos ejemplos se incorporan a un conjunto de pruebas de referencia que puntúa los modelos candidatos en función de su precisión, latencia y coste. A continuación, la plataforma selecciona la configuración que alcanza su nivel de calidad al menor precio por inferencia.
Este flujo de trabajo elimina las semanas que los equipos suelen dedicar a etiquetar datos, ajustar indicaciones y realizar pruebas A/B.
Entre bastidores, MLflow 3.0 registra cada ejecución de evaluación, por lo que puede rastrear las decisiones del modelo hasta los datos y parámetros subyacentes. La seguridad permanece intacta porque los agentes nunca extraen datos fuera del perímetro de Databricks Lakehouse.
Esa panorámica de la arquitectura cobra mayor importancia cuando se ve cómo resuelve un problema real.
¿Cómo se ve esto en la práctica?
El equipo de datos de AstraZeneca se enfrentaba a un retraso de 400 000 archivos PDF de (versión de) prueba que necesitaban una extracción estructurada para su presentación ante las autoridades reguladoras. La revisión manual habría llevado meses.
Configuraron un agente de extracción de información en Agent Bricks, lo dirigieron al repositorio de documentos y dejaron que el sistema generara muestras sintéticas basadas en esquemas de protocolos de (versión de) prueba. El agente analizó los 400 000 archivos en menos de 60 minutos sin necesidad de código.
- El equipo identifica el cuello de botella en la extracción de datos y el plazo reglamentario.
- Conecta Agent Bricks al lago de documentos interno a través de Unity Catalog.
- La plataforma ejecuta la optimización, generando puntos de referencia específicos para cada tarea y seleccionando un modelo ajustado.
- Implemente el agente en producción y reduzca semanas de trabajo manual a menos de una hora.
Hawaiian Electric obtuvo beneficios similares cuando sustituyó una solución frágil basada en LangChain por Agent Bricks para consultas de documentos legales.
El nuevo agente superó significativamente a su herramienta original en cuanto a precisión de las respuestas, tanto en evaluaciones automatizadas como humanas, lo que dio a los empleados la confianza necesaria para utilizarlo en las consultas de cumplimiento normativo.
Integración y adecuación al ecosistema
Agent Bricks hereda la capa de integración de Databricks, por lo que se conecta directamente a las plataformas que ya utilizan sus equipos de datos y ML.
Unity Catalog actúa como hub de gobernanza central, gestionando el acceso a lagos de datos, almacenes y tiendas de vectores en un único marco de políticas.
Los agentes realizan consultas a tablas Delta, archivos Parquet o documentos almacenados en el lakehouse sin copiar datos a servicios externos.
| Plataforma/Socio | Naturaleza de la integración |
|---|---|
| Catálogo Unity | Gobernanza unificada para datos, modelos y resultados de agentes. |
| Neon | Postgres sin servidor para flujos de trabajo transaccionales de agentes |
| Tecton | Servicio de funciones en tiempo real con una latencia inferior a 100 ms. |
| OpenAI | Acceso nativo a GPT-5 en datos de corporación. |
Los desarrolladores interactúan con Agent Bricks a través de las API y los SDK estándar de Databricks. La función SQL ai_query permite a los analistas llamar a los LLM directamente en las consultas, y los puntos finales REST dan servicio a los agentes a través de la infraestructura Model Serving.
Las integraciones IDE tienen compatibilidad con canalizaciones CI/CD, por lo que los ingenieros pueden controlar las versiones de las configuraciones de los agentes junto con el código de la aplicación.
La próxima adquisición de Tecton integrará una tienda de funciones en línea en Agent Bricks, lo que permitirá enviar datos en streaming a los agentes con una latencia inferior a 10 ms.
Esta capacidad permite la detección de fraudes, la personalización y otros casos de uso que dependen de información actualizada al segundo.
Por ahora, los equipos pueden crear prototipos con funciones por lotes y plan el intercambio de datos en tiempo real una vez que la integración entre en funcionamiento a mediados de 2026.
Comentarios de la comunidad y opiniones de los primeros usuarios
Las primeras opiniones se dividen entre el entusiasmo por su facilidad de uso y la cautela ante los límites de la versión beta.
Un usuario de Reddit elogió el generador de agentes sin código y la estrecha integración con Unity Catalog, dejando la nota de que los agentes heredan automáticamente los permisos de datos.
El mismo usuario señaló que una optimización completa suele tardar más de una hora y cuesta más de 100 dólares en computación, lo que puede suponer un gasto considerable durante la experimentación.
La disponibilidad regional creó fricciones para los equipos europeos. Un representante de cuenta de Databricks confirmó a mediados de 2025 que Agent Bricks solo estaría disponible en EE. UU. durante la vista previa inicial, lo que sirvió como indicación para algunos clientes a crear entornos de trabajo sandbox en regiones de EE. UU. para probar el producto.
Las publicaciones en el foro también hacen mención a la inestabilidad de la versión preliminar y a los frecuentes cambios en las funciones, algo habitual en el software beta, pero que conviene planear alrededor si su caso de uso exige un alto tiempo de actividad.
En definitiva, los primeros usuarios que pueden absorber las peculiaridades de la versión beta y calcular los costes ven el valor de la automatización que ofrece Agent Bricks. El análisis de 400 000 documentos de AstraZeneca y las mejoras en la precisión de Hawaiian Electric resuenan en toda la comunidad como prueba de que la plataforma puede manejar tareas a escala de producción.
Esa validación del mundo real es importante a la hora de decidir si invertir tiempo de ingeniería ahora o esperar a que el producto madure.
Hoja de ruta y perspectivas del ecosistema
Databricks ampliará Agent Bricks geográfica y funcionalmente durante los próximos 18 meses. Para el cuarto trimestre de 2025, la versión preliminar se implementará en regiones europeas, comenzando con implementaciones de Azure en Europa Occidental.
Esa implementación en fase permite a la empresa recopilar diversos comentarios de los usuarios y garantizar el cumplimiento de las normativas regionales sobre datos antes de declarar su disponibilidad general.
La integración de Tecton a mediados de 2026 permitirá a los agentes extraer funciones en tiempo real de flujos, API y almacenes con un tiempo de actividad del 99,99 %, lo que permitirá la detección de fraudes y casos de uso de personalización que requieren datos actualizados al segundo.
Neon y Mooncake se combinarán en una experiencia unificada de «Lakehouse DB», lo que proporcionará a los agentes escrituras compatibles con ACID y lecturas analíticas instantáneas sin canalizaciones ETL.
«Agent Bricks supone un cambio importante en la IA de la corporación», nota un analista de VentureBeat, refiriéndose al aumento del rendimiento de entre 10 y 100 veces gracias a la eliminación de los canales de datos tradicionales.
Espere nuevas plantillas de agentes más allá de los cuatro tipos iniciales (extracción de información, asistente de conocimiento, supervisor multiagente, agente LLM personalizado).
La investigación de Databricks está explorando asistentes de código, agentes de plan y conectores a API externas. La asociación con OpenAI garantiza que, a medida que OpenAI lance GPT-5 y futuros modelos, estos estarán disponibles de forma nativa en Agent Bricks con compatibilidad y gobernanza propios.
A largo plazo, Databricks prevé que la IA agencial se convierta en una nueva personalidad de usuario en la plataforma, junto con los ingenieros y analistas de datos. Esa visión incluye una inversión continua en funciones de IA responsable, como registros de auditoría, detección de sesgos y controles de políticas detallados, a medida que crece la adopción de agentes en los sectores regulados.
¿Cuánto cuesta la IA agencial de Databricks?
Agent Bricks es un seguidor del modelo de precios basado en el uso de Databricks, sin cuota de licencia inicial. Se paga por segundo de computación e inferencia de modelos, facturado en unidades Databricks (DBU).
Las cargas de trabajo de Model Serving y Feature Serving cuestan alrededor de 0,07 $ por DBU-segundo en el plan Premium, que incluye el coste de la instancia de nube subyacente. La inferencia acelerada por GPU para modelos básicos también cuesta cerca de 0,07 $ por DBU-segundo.
La parte más intensiva es la optimización inicial. Uno de los primeros usuarios informó haber gastado más de 100 dólares en computación en la nube por un ciclo de entrenamiento de una hora de duración que generó datos sintéticos y ajustó el agente.
Tras la optimización, el servicio del agente resulta mucho más económico, ya que el sistema ha identificado una configuración de modelo rentable que mantiene la calidad con menos tokens por consulta. Los equipos pueden establecer límites presupuestarios a través de la política presupuestaria de Databricks para limitar el gasto durante la experimentación.
Los clientes corporativos pueden adquirir paquetes de compromiso (horas DBU prepagadas) para asegurarse descuentos por volumen, lo que reduce eficazmente la tarifa por segundo en comparación con la facturación bajo demanda. El precio exacto varía en función de su proveedor de nube (AWS, Azure, GCP) y su región, siendo algunas regiones ligeramente más caras que el este o el oeste de EE. UU.
Entre los costes ocultos a tener en cuenta se incluyen el cálculo para la búsqueda vectorial, la ingestión de datos y el reentrenamiento periódico a medida que cambia la distribución de los datos. A la hora de calcular el coste total de propiedad, tenga en cuenta el tiempo de ingeniería que se ahorra al omitir el ajuste manual de las indicaciones y el etiquetado de datos.
Los primeros usuarios informan de que las semanas de trabajo manual que Agent Bricks elimina suelen compensar el gasto en computación, especialmente si se tiene en cuenta el coste de oportunidad que supone el retraso en la implementación del agente.