
Databricks publicó el 13 de noviembre el detalle de su alianza con OpenAI, centrada en que las empresas puedan usar modelos frontera sobre sus datos sin sacarlos del perímetro de gobierno. La idea de fondo es que un modelo potente sirve de poco si no tiene acceso al contexto del negocio con los permisos correctos, y ahí es donde la plataforma de datos aporta la parte que falta.
El anuncio organiza la integración en tres patrones de adopción. El primero apunta a usuarios de negocio: con el complemento de Databricks Genie para ChatGPT, un empleado puede preguntar en lenguaje natural y recibir respuestas calculadas con las métricas definidas por la empresa, respetando los permisos de datos que ya existen. El segundo se dirige a los equipos de ingeniería: OpenAI Codex se integra con Unity Gateway, de modo que todas las peticiones a modelos pasan por los controles corporativos y quedan registradas, con visibilidad del uso y del gasto por equipo. El tercero cubre la automatización de procesos, con agentes propios construidos con el SDK de agentes de OpenAI y desplegados en Databricks Apps.
Las piezas técnicas que sostienen esos patrones ya tienen nombre conocido en la plataforma. La ontología de Genie actúa como capa de contexto con las métricas y definiciones de negocio aprobadas; Unity Catalog gobierna el acceso y los permisos; Unity Gateway enruta las peticiones a los modelos y aplica los controles de presupuesto; Databricks Model Serving ejecuta los modelos de OpenAI junto a los datos, lo que evita repartir claves de API por la organización; Lakebase, el PostgreSQL gestionado de la casa, guarda la memoria y el estado de los agentes; y Agent Bricks es la interfaz para construirlos y evaluarlos. Por esta vía están accesibles tanto los modelos GPT recientes como los de pesos abiertos gpt-oss.
Lo relevante para quien diseña arquitecturas es el cambio de lugar del control. Hasta ahora, conectar un modelo comercial a los datos de la empresa solía implicar mover información a un servicio externo y gestionar aparte las claves, los límites de gasto y el registro de auditoría. El planteamiento aquí es el inverso: el modelo se sirve junto al dato y hereda las reglas del catálogo, con el consumo de tokens y los costes medidos en el mismo sitio donde se miden las consultas. Eso simplifica la auditoría y el control presupuestario, que es justo donde se atascan muchos pilotos de IA cuando pasan a producción.
La contrapartida es la dependencia: el patrón solo funciona si el catálogo está realmente al día y si la empresa acepta que su capa de gobierno y su proveedor de modelos queden acoplados en la misma plataforma. Antes de apostar por este camino conviene comprobar qué métricas están certificadas en la ontología, porque una respuesta en lenguaje natural sobre definiciones de negocio inconsistentes es un error más difícil de detectar que una consulta SQL mal escrita.
Más en Dataprix: herramientas de gobernanza de datos
Fuente: Databricks Blog
Contenido elaborado con asistencia de inteligencia artificial — Equipo Editorial Dataprix. Verifica la información antes de tomar decisiones.