Databricks: Genie, el agente que le dice la verdad al CEO

Databricks convierte a Genie en un agente que trabaja solo

Databricks presentó el miércoles una versión actualizada de Genie, su agente de IA, que ahora puede ejecutar tareas de varios pasos que requieren trabajo prolongado y completarlas sin supervisión humana. La compañía lo logra con una ontología que construyó para darle al agente el contexto que necesita a partir de la información que los clientes ya almacenan en la plataforma de Databricks.

Para un founder, la noticia no es el anuncio: es el caso de uso. Ali Ghodsi, CEO de Databricks, no mostró una demo de producto. Abrió su propio agente, el real, y recorrió sus chats y gráficos más recientes. Lo que se ve ahí es un patrón que cualquier empresa con más de 150 empleados puede replicar, y que apunta a un problema que el software empresarial nunca resolvió bien: cómo saber qué está fallando de verdad, sin depender de que alguien se anime a decírselo al jefe.

¿Qué cambió en Genie y por qué depende de una ontología?

La diferencia entre un chatbot que responde preguntas y un agente que termina un trabajo está en el contexto. Un modelo sin información sobre la empresa puede redactar un correo, pero no puede evaluar si el plan de recursos humanos que propuso un director tiene sentido para esa compañía en ese trimestre.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Según InfoWorld, la capa que Databricks comercializa como Genie Ontology extrae automáticamente contexto de negocio desde datos empresariales, dashboards, consultas, pipelines, documentos y aplicaciones, y lo organiza en un grafo vivo que los agentes pueden consultar. Para decidir qué definición de negocio es la autoritativa, usa un sistema de ranking inspirado en el PageRank de Google: pesa quién creó la información, cuánto se usa, sus vínculos con datasets certificados y cuán reciente es.

Ese detalle importa más de lo que parece. En la mayoría de las empresas, «cliente activo» significa tres cosas distintas según el equipo. Un agente que hereda esa ambigüedad produce respuestas rápidas y equivocadas. La ontología es el intento de Databricks de que todas las definiciones vivan en un solo lugar antes de que el agente las use.

Las tareas que Ghodsi le encarga a su agente

El CEO de Databricks describió tres usos concretos de su propio Genie, todos lejos de la demo de marketing:

Analizar una encuesta de satisfacción laboral e identificar las áreas donde la empresa puntuó mal.
Evaluar y descartar las soluciones que algunos ejecutivos propusieron para esos puntajes bajos. No las resumió: las calificó.
Resumir una venta grande que salió mal, incluyendo las funcionalidades que el prospecto dijo necesitar antes de comprar.
Prepararlo para una entrevista de podcast, revisando sus apariciones anteriores y anticipando preguntas probables.

El hilo común es incómodo y valioso: en los cuatro casos, el agente le entregó a Ghodsi información negativa que, en una organización grande, tiende a suavizarse en cada nivel de la cadena. Un vendedor no le confiesa al CEO que la reunión fue un desastre. Un gerente de RR. HH. no admite que su plan para subir la satisfacción probablemente fracase.

El número de Dunbar: por qué el tamaño de la empresa cambia todo

Ghodsi lo explicó con una referencia que cualquier fundador debería tener presente. «¿Has oído hablar del número de Dunbar? El número mágico es 150», dijo. Es la cifra que el antropólogo británico Robin Dunbar propuso como máximo teórico de relaciones estables que un humano puede mantener.

En una startup pequeña, el CEO conoce a todos, tiene relación directa y la gente se siente segura contándole lo malo sin filtro. Con 12.000 empleados, Ghodsi admite que eso ya es imposible. Y su conclusión es la frase más citable del anuncio: «Cualquiera que tenga más de 150 empleados, que son muchísimas empresas, mucha gente puede sacar valor de esto».

Ese umbral es la tesis comercial del producto. No está vendiendo IA para escribir correos: está vendiendo un sensor de realidad organizacional para el momento exacto en que la comunicación informal deja de funcionar.

¿Cuánto cuesta tener agentes siempre encendidos?

El riesgo obvio de un agente que corre sin supervisión es la factura. Ghodsi respondió que los costos se controlan con Unity Gateway, el producto de Databricks que permite fijar límites de uso y sustituir modelos abiertos más económicos cuando la tarea no exige un modelo de frontera.

El contexto de mercado explica por qué esa respuesta no es un detalle técnico. Según TechTimes, Databricks cerró en agosto de 2026 una ronda de US$5.000M a una valoración de US$190.000M, y el motivo que la compañía citó fue que los costos de tokens de IA «asustaron a los CFOs». El mismo reporte señala que el precio promedio de inferencia cayó de US$2,04 por millón de tokens en mayo de 2026 a cerca de US$1,17 en agosto, pero que las facturas no bajaron porque el volumen de tokens se disparó con la multiplicación de agentes.

La conclusión práctica: el costo por token baja, el gasto total sube. Cualquier founder que despliegue agentes sin un límite de gasto a nivel de infraestructura está comprando un problema de finanzas, no de ingeniería.

Qué dicen los analistas: la ontología no arregla datos sucios

El entusiasmo tiene contrapeso. Michael Leone, analista principal de Moor Insights and Strategy, le dijo a InfoWorld que un contexto unificado evita «tres respuestas distintas a la misma pregunta», pero advirtió que la mayoría de las empresas no tiene la madurez de datos y gobierno necesaria: «Si tus datos y tu gobierno no están ya en orden, esto solo acelera tu desorden existente».

Stephanie Walter, de HyperFRAME Research, apuntó al hueco más importante: una ontología mejora el contexto pero no garantiza que la respuesta sea correcta, porque un agente todavía puede traer datos incompletos, saltarse filas o aplicar la lógica equivocada. Y Ashish Chaturvedi, de HFS Research, resumió la barrera central de adopción: los decisores no confían lo suficiente en la salida de la IA como para actuar sin verificarla.

También hay ruido de mercado. Leone señaló que Snowflake, Microsoft y otros lanzaron ofertas parecidas con nombres distintos, lo que confunde a los compradores. Chaturvedi recomendó una regla simple: la capa de contexto sigue a la gravedad de los datos. Si tus datos viven en Databricks, el camino es Genie; si viven en Snowflake, es Horizon Context; si eres una casa Microsoft, la familia IQ.

¿Qué significa esto para tu startup?

El anuncio de Databricks es una señal de hacia dónde va el gasto en IA empresarial: de herramientas que asisten a personas a agentes que reportan sobre la organización. Tres acciones concretas para aprovecharlo, sin importar el tamaño de tu equipo:

Empieza por la verdad incómoda, no por la demo vistosa. Elige una tarea donde hoy la información se pierde o se suaviza: post-mortems de ventas perdidas, resultados de encuestas de clima, tickets de soporte mal cerrados. Ahí el retorno es visible en semanas, no en trimestres.
Arregla las definiciones antes de comprar la capa de contexto. Haz una lista de tus cinco métricas centrales y verifica si cada área las calcula igual. Si hay discrepancias, ningún agente las va a resolver por ti; solo las va a acelerar.
Fija el techo de gasto desde el día uno. Define un presupuesto mensual por agente y una regla de routing: modelo de frontera para decisiones de alto impacto, modelo abierto y económico para clasificación, extracción y resúmenes.

Y una advertencia de gobierno que el propio anuncio deja entrever: Ghodsi mencionó que usa Genie en su vida personal en lugar de alternativas que calificó como cuestionables en materia de seguridad, como OpenClaw, Instinct o Muse. Si el CEO de una empresa de datos pone la seguridad por delante al elegir herramienta, es una buena pista sobre el criterio que debería aplicar cualquier equipo que conecte un agente a información interna.

Conclusión

Genie no es interesante porque ejecute tareas de varios pasos: eso ya lo prometen todos los agentes del mercado. Es interesante porque el caso de uso que Databricks eligió para presentarlo es el de un CEO buscando la información que su propia organización le oculta. Con más de 20.000 organizaciones usando su plataforma, según el comunicado de su alianza ampliada con Microsoft de julio de 2026, la compañía tiene incentivos para que ese caso de uso sea real y no una anécdota de keynote.

Para un founder, la lección es de gestión antes que de tecnología. El número de Dunbar no se rompe con más reuniones ni con reportes semanales: se rompe con sistemas que capturan la señal cruda antes de que pase por cinco capas de cortesía. Un agente con buen contexto puede ser ese sistema. Uno sin contexto solo agrega una capa más de ruido con acento de autoridad.