Databricks: Genie ejecuta tareas de IA sin supervisión

Databricks convierte a Genie en un agente que trabaja solo

Databricks presentó una versión actualizada de Genie, su agente de inteligencia artificial, capaz de completar tareas empresariales de varios pasos sin supervisión. La compañía afirma que los líderes pueden delegarle encargos amplios y dejar que el sistema los ejecute, apoyándose en una ontología propia que conecta al agente con el contexto de los datos que cada cliente guarda en su plataforma.

El movimiento responde a un problema que cualquier founder que haya probado agentes conoce: un modelo puede generar respuestas impecables y aun así ser inútil si no entiende cómo se relacionan los datos, los procesos y las definiciones de una empresa. Databricks apuesta a que la ventaja competitiva ya no está en el modelo, sino en el contexto que lo alimenta.

Qué cambió exactamente en Genie

Según la cobertura de Unite.AI, la actualización introduce Genie Ontology, ya disponible de forma general, que construye automáticamente fragmentos de conocimiento reutilizables a partir de dashboards, consultas SQL y notebooks. El sistema OntoRank pondera autoridad de la fuente, certificación, relevancia para el usuario, popularidad y recencia para elegir qué contexto usar y resolver definiciones contradictorias.

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 →

También llegó Genie Search en disponibilidad general para Google Drive, Jira, Confluence y Workday, con SharePoint en beta. El buscador indexa el contenido de esos sistemas, aplica sus permisos antes de devolver resultados y puede combinarse con conectores SQL y MCP que traen información en vivo y ejecutan acciones en herramientas externas.

No todo está listo para producción: las fuentes externas de conocimiento de BI están en beta, empezando por Power BI, y Ontology Manager, la herramienta para revisar y curar la ontología, llegará en beta próximamente, según el mismo reporte.

Los usos internos que mostró Ali Ghodsi

El CEO Ali Ghodsi no presentó un demo preparado: mostró conversaciones y gráficos de su propio uso interno, según describió TechCrunch y recogió la fuente original.

Encuesta de satisfacción de empleados: Genie identificó las áreas donde la compañía obtenía resultados débiles y ayudó a evaluar propuestas de solución que algunos ejecutivos sugerían, incluidas opciones que el CEO descartó.
Una venta fallida: el agente resumió una presentación comercial extensa para un cliente que no compró y recuperó las características que ese cliente había dicho que necesitaba antes de decidir.
Preparación para una entrevista: Genie revisó apariciones previas del CEO en podcasts y armó una lista de preguntas probables.

El hilo conductor es la distancia. Ghodsi mencionó el número de Dunbar —la idea del antropólogo británico Robin Dunbar de que una persona sostiene relaciones estables con un máximo teórico de unas 150 personas— y lo contrastó con los 12.000 empleados que describió en Databricks. En una startup pequeña quien dirige conoce a todos; a esa escala, un vendedor puede no contarle al CEO que una llamada salió mal. Genie aparece ahí como una fuente de información menos dependiente de esas conversaciones personales.

Unity Gateway: el freno al costo

La autonomía tiene un costo directo: más agentes corriendo significa más tokens consumidos. Ghodsi señaló a Unity Gateway como la vía para fijar límites de uso y migrar a modelos de pesos abiertos menos costosos. La explicación no incluyó cifras de precios ni de ahorro.

La cobertura de Unite.AI detalla qué se puede controlar: las trazas capturan la pregunta, la respuesta, los objetos citados, el tiempo de respuesta y las acciones ejecutadas, generando un registro consultable. Los administradores pueden restringir herramientas MCP, exigir aprobaciones, fijar presupuestos y topes de gasto. Genie opera bajo la identidad de cada usuario y puede preparar una solicitud de acceso, pero la autoridad de aprobación queda en administradores y dueños de los datos.

Hay un dato de adopción que vale la pena mirar: General Motors desplegó más de 1.000 agentes Genie en ventas, ingeniería, cadena de suministro y recursos humanos, según Databricks. La compañía también dice que Genie One, la interfaz para este trabajo, es gratis para usuarios hasta el 31 de enero de 2027, y que habrá controles de costo más detallados antes de esa fecha.

¿Qué tan autónomo es realmente?

Databricks publicó un benchmark desarrollado con Turing. En su evaluación, Genie superó el 91% de las ejecuciones de tareas, frente al 58% del más fuerte de dos agentes frontera anonimizados, con un promedio de 431.829 tokens y 100,3 segundos por ejecución. Cada agente corrió cada tarea cinco veces en el mismo workspace, sobre un proveedor de energía ficticio del Reino Unido con tablas, notebooks, dashboards, consultas guardadas y documentos, incluidos activos desactualizados y duplicados.

La propia compañía advierte que el test refleja un despliegue maduro con conocimiento acumulado, y que las diferencias pueden ser menores en implementaciones nuevas. Esa advertencia es la parte más útil del anuncio: la autonomía depende de tener conocimiento institucional gobernado y accesible.

El contexto es el nuevo campo de batalla

Databricks no juega solo. Snowflake anunció en su evento insignia una suite de agentes autónomos con gobernanza y auditoría, y expandió su Business Ontology y su Cortex AI Gateway, según reportó Yahoo Finance. La coincidencia no es casual: ambos vendors están resolviendo el mismo cuello de botella.

En julio de 2026, Microsoft y Databricks anunciaron la extensión de su alianza estratégica hasta la década de 2030, con Genie y Unity AI Gateway integrados en productos como Microsoft 365, Teams y Copilot, según el comunicado de Microsoft. Databricks dice que más de 20.000 organizaciones usan su plataforma, incluido el 70% de las Fortune 500.

El mercado acompaña: según IDC, el 77% de las empresas ya tiene agentes de IA en producción, y Gartner proyecta que el mercado de servicios de IA alcance los US$515.000 millones en ingresos hacia 2029, ambos datos citados por CRN. En junio de 2026, Ghodsi dijo que los ingresos anualizados de Databricks habían crecido más del 80% interanual, hasta US$6.900 millones, y describió el costo de la IA como la pregunta número uno que recibe de sus clientes, según SiliconANGLE.

Qué significa esto para tu startup

1. Tu ventaja no está en el modelo, está en tus definiciones. Si tu equipo discute durante una hora si un cliente activo en ventas es lo mismo que en finanzas, ningún agente va a resolverlo. Antes de comprar herramientas, escribe un glosario de métricas con una sola definición por término y un dueño por definición. Eso es exactamente lo que Genie Ontology automatiza cuando ya existe.

2. Empieza por un caso con resultado incómodo, no por el más vistoso. El ejemplo más potente del anuncio no es un dashboard: es un CEO mirando una encuesta donde su empresa sale mal. Elige una tarea donde hoy la información llega filtrada —satisfacción de clientes, motivos reales de churn, feedback de un proceso interno— y deja que el agente la sintetice sin intermediarios.

3. Presupuesta el consumo antes de escalar. El propio Databricks admite que el gasto es la preocupación principal de sus clientes. Define topes de gasto y niveles de aprobación desde el primer despliegue, no después de la primera factura sorpresa.

4. Mantén la revisión humana donde hay consecuencias. La promesa es autonomía en el flujo de trabajo, no infalibilidad. Los ejemplos de Ghodsi muestran un agente que ayuda a una persona a evaluar problemas y opciones; la decisión sigue siendo del directivo.

Conclusión

La actualización de Genie dice menos sobre modelos y más sobre infraestructura de conocimiento. Databricks está apostando a que quien logre conectar los datos dispersos de una empresa con una capa de contexto gobernada ganará la próxima etapa de la IA empresarial. Para un founder, la lectura práctica es incómoda pero clara: si tus datos y tus definiciones están desordenados, ningún agente te va a salvar. Si están ordenados, el agente por fin puede empezar a trabajar.