
Google Cloud anunció el 13 de noviembre una ampliación de las capacidades de observabilidad, evaluación y gobierno de agentes de IA en BigQuery y Looker. El planteamiento parte de un diagnóstico que reconocerá cualquiera que haya llevado un agente a producción: desplegarlo es solo la mitad del trabajo, porque después hay que saber cómo razona, qué datos consulta y cuánto cuesta cada respuesta.
El anuncio identifica tres problemas operativos concretos: trazar un razonamiento de varios pasos sin exponer datos sensibles, controlar el consumo de tokens y el gasto en consultas, y evaluar la precisión de las respuestas antes de que un cambio de instrucción o de esquema llegue a los usuarios. La respuesta es un marco de telemetría unificado que aterriza toda la información en tablas de BigQuery propiedad del cliente, analizables después desde BigQuery Studio y desde paneles de Looker.
Entre lo que pasa a disponibilidad general están el registro de conversaciones en BigQuery, que escribe las preguntas, las respuestas y la telemetría de cada turno en la tabla agent_events; los paneles predefinidos de BigQuery Studio con uso, sesiones activas, fuentes de conocimiento más consultadas y latencia; los paneles de actividad del sistema de Looker; la API de analítica conversacional; y los flujos entre agentes. En vista previa quedan las cuotas diarias de tokens de entrada y salida, la revisión de consultas y valoraciones de usuario en Looker, y las evaluaciones nativas de agentes en BigQuery. La telemetría alcanza también a los agentes de terceros: los construidos con el Agent Development Kit o con LangGraph envían sus trazas con una línea de instrumentación del SDK, y el complemento BigQueryAgentAnalyticsPlugin registra el árbol de ejecución completo, con los argumentos de cada herramienta y el SQL interno.
La parte de privacidad está resuelta con dos criterios opuestos y bien elegidos. El registro falla cerrado: si la fuente de conocimiento usa seguridad a nivel de fila, etiquetas de política en columnas o enmascaramiento dinámico, no se registra. La ejecución, en cambio, falla abierta: un error de registro no interrumpe la conversación del usuario. Todo hereda el IAM del conjunto de datos, las claves de cifrado gestionadas por el cliente y los controles de servicio de VPC. En cuanto al coste, hay topes de bytes escaneados por consulta y cuotas diarias de tokens por proyecto, usuario o agente, con el desglose de tokens de entrada, salida, razonamiento y caché en cada turno.
Para un equipo de datos, esto convierte el gobierno de agentes en algo que ya sabe hacer: consultar tablas y montar cuadros de mando. Y plantea una decisión nueva de arquitectura, porque los registros de conversaciones son datos personales y con contexto de negocio: hay que definir su retención, quién los consulta y bajo qué base legal, antes de activar el registro y no después.
Más en Dataprix: ranking de plataformas de gobernanza de datos
Fuente: Google Cloud Blog
Contenido elaborado con asistencia de inteligencia artificial — Equipo Editorial Dataprix. Verifica la información antes de tomar decisiones.