Las funciones de IA de AlloyDB de Google llevan el procesamiento de texto a SQL
Google ha detallado dos funciones de IA de AlloyDB en vista previa que trasladan la clasificación y extracción de texto a las consultas de bases de datos, cuestionando la necesidad de canalizaciones de aplicaciones independientes. Las funciones, ai.classify y ai.extract, permiten a los desarrolladores solicitar etiquetas y campos estructurados mediante SQL, el lenguaje utilizado para consultar bases de datos relacionales. Simplifican la forma en que las aplicaciones invocan IA, aunque la precisión del modelo, los costes de inferencia y el tratamiento de datos siguen siendo responsabilidades operativas.
La alternativa es conocida para los desarrolladores: recuperar texto de la base de datos, enviarlo a un modelo, interpretar la respuesta y volver a escribir resultados útiles. Google está trasladando parte de esa coordinación a AlloyDB, su base de datos gestionada compatible con PostgreSQL. La presión inmediata recae sobre el código de aplicación que existe principalmente para conectar texto almacenado con servicios de modelos.
Snowflake ya ofrece funciones comparables de clasificación y extracción, lo que proporciona a este anuncio una referencia consolidada en la industria. La propuesta concreta de Google se centra en datos operativos, incluidos tickets de soporte, reseñas y registros empresariales. La cuestión es si incorporar IA a las consultas de bases de datos reduce el mantenimiento lo suficiente como para justificar situar el trabajo dependiente de modelos más cerca de las operaciones cotidianas de las aplicaciones.
Las funciones de IA de AlloyDB añaden tareas definidas a las consultas de bases de datos
El cambio consiste en una interfaz más específica para pedir a los modelos que trabajen con texto de bases de datos.
La clasificación asigna texto a categorías, mientras que la extracción obtiene información solicitada de ese texto. Ninguna de las dos tareas es nueva en las aplicaciones de IA. El cambio de producto consiste en que los desarrolladores pueden expresar esas tareas mediante funciones de base de datos con nombre, en lugar de ensamblar cada interacción por su cuenta.
El momento requiere cierta cautela. Las notas de lanzamiento de AlloyDB de Google indicaron que ambas funciones estaban disponibles en vista previa el 27 de octubre de 2026. Una publicación de blog de noviembre explicó posteriormente su comportamiento y ejemplos. Por tanto, el anuncio amplía la explicación pública de una vista previa existente, en lugar de establecer noviembre como su primera disponibilidad documentada.
El estado de vista previa es importante para los compradores que consideren estas funciones para flujos de trabajo relevantes. Distingue una capacidad disponible de un servicio de disponibilidad general con expectativas de producción consolidadas. Una organización puede evaluar las funciones ahora sin asumir que todos los requisitos operativos ya se hayan resuelto.
Según la documentación de clasificación, la función requiere PostgreSQL 18 o posterior y la extensión google_ml_integration en la versión 1.6.1 o superior. Una extensión es un paquete instalado que añade capacidades a la base de datos. También deben habilitarse el motor de consultas de IA correspondiente y los ajustes de vista previa.
ai.classify acepta categorías proporcionadas por el desarrollador. Permite elegir una sola categoría o devolver múltiples etiquetas aplicables. Los desarrolladores pueden añadir descripciones y ejemplos de categorías, proporcionando al modelo más contexto sobre las distinciones previstas.
Este diseño desplaza el esfuerzo de redactar instrucciones para el modelo hacia la definición de la tarea de clasificación. Un equipo aún debe decidir qué significan sus categorías. También debe decidir cómo tratar entradas superpuestas, incompletas o ambiguas.
La distinción se aclara con un hipotético mensaje de soporte sobre un producto dañado y una solicitud de reembolso sin respuesta. Una sola etiqueta obliga a elegir una ruta. Varias etiquetas preservan ambas cuestiones, pero los sistemas posteriores deben saber cómo manejar esa combinación.
ai.extract aborda un problema distinto: convertir texto de formato libre en campos solicitados. Su documentación sobre extracción estructurada describe esquemas y descripciones de texto para especificar la información deseada. Un esquema define los campos esperados y sus tipos de datos.
En un flujo de ventas ilustrativo, esos campos podrían incluir el nombre del contacto, la empresa, el cargo y el requisito expresado. La interfaz de base de datos facilita expresar esa solicitud cerca de la transcripción almacenada. No establece que cada campo extraído refleje con precisión la conversación.
Este es el primer límite de la propuesta de Google. Las funciones empaquetan tareas habituales de IA en una interfaz de base de datos. No eliminan las decisiones empresariales que determinan si las etiquetas y campos resultantes son útiles.
Los equipos de aplicaciones afrontan una tarea de integración menor
El beneficio inmediato más claro es reducir el código de coordinación en torno a tareas recurrentes de procesamiento de texto.
Pensemos en una operación de soporte hipotética que almacena los mensajes entrantes en su base de datos transaccional, el sistema que registra la actividad empresarial actual. Su aplicación necesita etiquetas para el enrutamiento y detalles extraídos para el seguimiento. Sin una interfaz integrada, los desarrolladores deben coordinar esas solicitudes mediante otra capa de procesamiento.
Esa capa tiene responsabilidades legítimas. Selecciona registros, proporciona instrucciones, invoca un modelo, interpreta respuestas y registra resultados. También necesita una política para fallos y procesamiento repetido. Incluso cuando cada componente es manejable, su mantenimiento combinado pasa a formar parte del producto.
Las funciones de IA de AlloyDB cuestionan si toda esa capa es necesaria para una clasificación y extracción sencillas. Si la base de datos puede expresar la solicitud directamente, los desarrolladores de aplicaciones tienen menos componentes de integración que construir. Es una opción arquitectónica concreta, no una afirmación de que todo el procesamiento externo deba desaparecer.
La presión es mayor sobre los servicios internos cuyo propósito principal es mover texto entre almacenamiento e inferencia. La inferencia consiste en ejecutar un modelo para producir una respuesta. Cuando un servicio aporta poco más que esa coordinación, una función de base de datos ofrece un candidato de sustitución creíble.
Los flujos de trabajo más elaborados siguen siendo una propuesta diferente. Una aplicación puede necesitar consultar varios sistemas, solicitar aprobación humana o elegir entre proveedores de modelos. Esos requisitos van más allá de asignar etiquetas o extraer campos de texto almacenado.
Por tanto, la decisión depende del trabajo que se sustituye. Una tarea compacta de clasificación es más adecuada para evaluación que un proceso completo de gestión de casos. Tratar ambos como equivalentes exageraría lo que establece el anuncio.
Los equipos de bases de datos también asumen un papel más visible. Una vez que las llamadas a modelos aparecen dentro de las consultas, los administradores deben comprender qué cargas de trabajo dependen de ellas. La propiedad de la aplicación y de la base de datos queda más estrechamente conectada en torno al rendimiento, los permisos y la resolución de problemas operativos.
Este cambio modifica la conversación de compra. Un responsable de ingeniería debería preguntarse si la integración elimina mantenimiento recurrente, en lugar de si la consulta parece más corta. Un código más breve resulta útil cuando también produce un modelo operativo más claro y mantenible.
Para los equipos que ya usan AlloyDB, la evaluación puede centrarse en un flujo de trabajo delimitado. Para las organizaciones que consideran una migración de base de datos, estas funciones por sí solas ofrecen una justificación más limitada. Migrar una base de datos operativa implica responsabilidades que van mucho más allá del enriquecimiento de texto.
El anuncio también crea una distinción útil para los trabajadores del conocimiento. Estructurar registros de clientes dentro de una base de datos satisface una necesidad distinta de buscar notas personales y archivos técnicos. Una base de conocimiento consultable aborda el acceso al conocimiento de trabajo distribuido entre documentos.
Ambos enfoques pueden coexistir en la misma organización. El enriquecimiento de bases de datos respalda el comportamiento de las aplicaciones y la elaboración de informes. Las herramientas de conocimiento personal ayudan a encontrar y conectar información durante el trabajo. La elección adecuada depende de dónde se encuentra la información y de la decisión que alguien necesita tomar.
Para los desarrolladores que evalúan AlloyDB frente a IA en aplicaciones, la comparación práctica es la propiedad. ¿Qué enfoque facilita diagnosticar fallos, revisar cambios y verificar resultados? Esa comparación es más útil que contar las líneas de código eliminadas.
El procesamiento por lotes cambia la economía de las llamadas a modelos
La estrategia de ejecución importa tanto como la comodidad del nombre de una función.
Incorporar una llamada a un modelo dentro de una consulta no hace que el procesamiento sea eficiente automáticamente. Una operación de base de datos puede afectar a muchos registros, y evaluar cada uno de forma independiente introduce trabajo repetido. La calidad de la integración depende en parte de cómo se organicen esas solicitudes.
Google describe el procesamiento inteligente por lotes, que agrupa entradas elegibles para su procesamiento por modelos. Su documentación sobre procesamiento por lotes explica que el motor de consultas puede reunir operaciones de IA en lugar de evaluar cada llamada elegible mediante ejecución secuencial ordinaria. Esto otorga a la base de datos un papel en la coordinación de la inferencia.
La publicación de noviembre enfatiza el procesamiento por lotes en expresiones WHERE, que determinan qué registros devuelve una consulta. La documentación actual describe una compatibilidad más amplia, incluidas expresiones de salida y operaciones elegibles que implican tablas combinadas o cambios de datos. Por ello, los lectores deberían comprobar su configuración instalada frente a la documentación actual.
Esa diferencia también limita cómo debe interpretarse la hoja de ruta. El blog analiza la expansión más allá de WHERE como trabajo futuro. La documentación actual ya describe una compatibilidad de ejecución más amplia. Un anuncio fechado no debería prevalecer sobre las indicaciones de implementación disponibles para un despliegue concreto.
El argumento económico subyacente es comprensible. Repetir instrucciones compartidas para solicitudes separadas puede generar una sobrecarga de procesamiento innecesaria. Agrupar entradas adecuadas crea una oportunidad para amortizar ese trabajo, aunque los ahorros reales dependen del modelo y de la carga de trabajo.
Google afirma que el procesamiento por lotes mejora la eficiencia de ejecución y reduce la sobrecarga de prompts. Estas afirmaciones deben mantenerse como declaraciones atribuidas al producto. El anuncio no aporta una evaluación comparativa independiente que establezca la misma mejora en las cargas de trabajo de los clientes.
Para un comprador empresarial, el rendimiento y el tiempo de respuesta responden a preguntas distintas. El rendimiento mide cuánto trabajo se completa durante un periodo. El tiempo de respuesta mide cuánto tarda una solicitud concreta. Un trabajo de enriquecimiento en segundo plano y una aplicación interactiva pueden valorar esos resultados de forma diferente.
Imaginemos un proceso nocturno ilustrativo que etiqueta comentarios acumulados de clientes. Su prioridad podría ser terminar el trabajo pendiente de forma predecible. Una pantalla orientada al usuario que clasifica texto durante una solicitud tiene una restricción distinta: la persona espera la respuesta.
Ambas cargas de trabajo pueden usar la misma función y, aun así, requerir decisiones de despliegue diferentes. Por eso, una afirmación agregada de rendimiento no puede resolver si la inferencia debe pertenecer a una ruta concreta de aplicación. Los requisitos de tiempo de la aplicación siguen determinando qué se considera aceptable.
El diseño de consultas también sigue siendo importante. Una tarea debe operar sobre los registros relevantes para su propósito. Una interfaz SQL conocida no debería fomentar una evaluación amplia del modelo cuando los criterios empresariales habituales pueden acotar primero el trabajo.
La evaluación repetida merece un escrutinio similar. Si el texto de origen no ha cambiado, recalcular su interpretación podría aportar poco valor. Decidir si se reutiliza un resultado anterior es una decisión de diseño de aplicaciones que requiere reglas claras sobre la actualidad y los cambios en el modelo.
Estas consideraciones explican por qué las funciones de AlloyDB AI son más trascendentes que una simple comodidad de sintaxis. Otorgan a la base de datos una mayor responsabilidad en la coordinación del trabajo de los modelos. El beneficio debe evaluarse a través de resultados completos y utilizables, así como de su carga operativa.
La evaluación más sólida compararía tareas equivalentes bajo criterios de aceptación equivalentes. Incluiría resultados fallidos, reprocesamiento y revisión humana. De lo contrario, una consulta más rápida corre el riesgo de confundirse con un mejor flujo de trabajo integral.
La salida estructurada aún necesita verificación
Un campo con el formato correcto aún puede contener información incorrecta.
Esta es la limitación central de trasladar la extracción a SQL. Un resultado estructurado es más fácil de consumir para el software, pero el formato y la exactitud son propiedades independientes. La integración mejora la interfaz sin convertir la interpretación de un modelo en algo autoritativo.
Considere una factura ilustrativa que contiene una fecha de emisión, una fecha límite de pago y una fecha de entrega. Una fecha extraída puede ser sintácticamente válida y, aun así, referirse al evento equivocado. Un proceso posterior que la acepte automáticamente preservaría el error de una forma más conveniente.
La clasificación tiene un problema equivalente. Un mensaje de un cliente puede expresar insatisfacción sin solicitar una cancelación. Si un equipo define mal sus categorías, una etiqueta devuelta correctamente puede seguir enviando el caso al flujo de trabajo equivocado.
Los ejemplos y las descripciones de categorías ayudan a comunicar la intención, pero también pasan a formar parte de la definición de tarea que se mantiene. Cambiarlos puede modificar el comportamiento. Los equipos deberían tratar esos cambios como decisiones relevantes de aplicación, en lugar de ediciones incidentales de consultas.
Lo mismo se aplica a los campos de extracción. Pedir el requisito declarado por un cliente difiere de pedir una oportunidad de ventas inferida. Lo primero busca evidencia en la fuente; lo segundo introduce interpretación. Un nombre de campo claro debería hacer visible esa distinción.
Para las funciones de AlloyDB AI explicadas en términos operativos, la verificación es el puente entre la salida del modelo y la acción empresarial. Un resultado puede respaldar una revisión antes de obtener permiso para activar un paso irreversible. Ese límite debe seguir las consecuencias de un error.
Esto es especialmente relevante para ejemplos sensibles, como las notas clínicas. Google presenta la extracción en el sector sanitario como un posible caso de uso. Ese ejemplo no constituye evidencia de validación clínica, aprobación regulatoria ni idoneidad para los registros particulares de una organización.
La afirmación sobre la ubicación de los datos también requiere precisión. El anuncio de la función de Google indica que las entradas por lotes se envían a modelos de Gemini Enterprise Agent Platform. Llamar a esos modelos mediante SQL no establece que la inferencia ocurra por completo dentro del proceso de la base de datos.
Por lo tanto, una organización debería examinar la ruta de procesamiento real. Entre las preguntas relevantes están el servicio seleccionado, la región, los permisos y los términos aplicables de tratamiento de datos. Una arquitectura de aplicaciones más simple puede reducir los puntos de coordinación sin eliminar la necesidad de comprender dónde se procesa la información.
Los costes siguen la misma lógica. Incorporar la solicitud a SQL no establece que el procesamiento del modelo sea gratuito. Los compradores deberían diferenciar el trabajo de base de datos del consumo de inferencia y evaluar la carga de trabajo completa.
También existe una cuestión práctica sobre cómo los resultados generados se convierten en hechos empresariales almacenados. Una extracción propuesta puede seguir siendo una sugerencia hasta que otro proceso la valide. Actualizar automáticamente registros autoritativos exige un estándar más sólido que mostrar un campo candidato.
La hoja de ruta de Google menciona la procedencia a nivel de línea, es decir, una conexión entre una respuesta extraída y el texto fuente que la respalda. El blog presenta esa capacidad como trabajo planificado. Los compradores no deberían asumir que la vista previa ya proporciona esa pista de evidencia.
Hasta que exista una atribución adecuada en una implementación, los equipos necesitan su propia forma de preservar el contexto de origen. Un revisor debería poder inspeccionar el texto detrás de un resultado cuestionado. Sin esa conexión, una salida conveniente puede resultar difícil de auditar.
Estas son consideraciones de implementación, no evidencia de que la vista previa falle. Los materiales disponibles explican la funcionalidad y los beneficios previstos. No establecen una precisión verificada de forma independiente, la economía de las cargas de trabajo ni los resultados operativos para cada caso de uso propuesto.
Snowflake muestra por qué la integración con SQL se está convirtiendo en terreno competitivo
Google compite por determinar dónde debe situarse el trabajo de IA, dentro de una categoría de producto ya establecida.
La función de clasificación de IA de Snowflake también acepta categorías, descripciones y ejemplos definidos por el usuario. Admite resultados de una sola etiqueta y de múltiples etiquetas. Esa coincidencia establece una comparación concreta sin demostrar que ninguna de las dos implementaciones tenga mejor rendimiento.
La similitud importa porque cambia el estándar de diferenciación. La clasificación expresada mediante SQL ya está disponible en otros lugares. Google debe hacer que el enfoque sea útil dentro del contexto operativo de AlloyDB, en lugar de basarse únicamente en la existencia de una función con nombre propio.
La competencia más amplia se da entre interfaces de base de datos específicas para tareas y la orquestación de modelos gestionada por la aplicación. La orquestación es la coordinación de pasos y servicios de procesamiento. Cada vía ofrece a los equipos un lugar distinto para gestionar el comportamiento, los fallos y los cambios de integración.
Una interfaz de base de datos resulta atractiva cuando la entrada ya está almacenada allí y la operación solicitada está bien delimitada. Una capa de aplicación sigue siendo atractiva cuando el procesamiento atraviesa sistemas o requiere control personalizado. Ninguna ventaja resuelve todas las decisiones de arquitectura.
Por eso AlloyDB frente a la IA de aplicación debería evaluarse a nivel de carga de trabajo. La pregunta útil es si una tarea concreta se vuelve más fácil de operar. Las afirmaciones amplias sobre sustituir canalizaciones de aplicaciones omiten los casos en los que esas canalizaciones contienen lógica empresarial esencial.
La documentación de los competidores también recuerda que la configuración de la tarea afecta a los resultados. Snowflake analiza la claridad de las categorías y los ejemplos como factores del comportamiento de clasificación. La lección es general: una interfaz especializada no elimina la necesidad de definir la tarea con cuidado.
Para los compradores, los nombres comparables no deberían implicar contratos intercambiables. Las estructuras de salida, el manejo de errores, las entradas admitidas y los requisitos de acceso pueden diferir. Una evaluación de migración debe inspeccionar esos detalles en lugar de asumir que las funciones con nombres similares se comportan de forma idéntica.
La posición de Google se vuelve más convincente cuando una carga de trabajo existente de AlloyDB puede adoptar las funciones con una coordinación adicional limitada. Esa es una propuesta más acotada y comprobable que afirmar una ventaja universal sobre los servicios externos.
Los equipos de aplicación también deberían preservar un límite claro en torno a las expectativas empresariales. Una decisión de enrutamiento como «requiere revisión de facturación» debería tener un significado documentado independiente de su implementación. Esto facilita evaluar cambios en los modelos o sistemas de procesamiento.
La consecuencia competitiva es una mayor presión para justificar el trabajo rutinario de integración. Si una base de datos gestionada maneja una tarea de forma adecuada, mantener un servicio independiente necesita una razón específica. Por el contrario, los servicios personalizados conservan valor cuando proporcionan control medible o capacidades que la interfaz de base de datos no ofrece.
Para quienes siguen las funciones de AlloyDB AI, esta es la relevancia más allá del anuncio. El acceso a modelos se está convirtiendo en parte de la discusión sobre el producto de base de datos. La decisión de compra incluye cada vez más quién coordina la inferencia y quién asume el comportamiento operativo resultante.
Qué deberían observar los compradores durante los próximos tres meses
La próxima evidencia útil se referirá a disponibilidad, resultados medidos y trazabilidad.
La primera señal es un compromiso de producción más claro para estas funciones en vista previa. Los compradores deberían observar las notas de lanzamiento para detectar cambios en el estado de lanzamiento, las configuraciones admitidas y la orientación operativa. Un lanzamiento de disponibilidad general reforzaría la confianza para planificar integraciones más duraderas.
Una vista previa más prolongada no establecería que las funciones sean ineficaces. Mantendría relevante la distinción entre experimentación y un compromiso de producción. Las organizaciones seguirían necesitando ajustar su tolerancia al cambio a la importancia de la carga de trabajo.
La segunda señal es una comparación reproducible frente a una implementación gestionada por la aplicación. Esa comparación debería utilizar registros de origen, definiciones de tareas y criterios de aceptación equivalentes. Medir únicamente las respuestas exitosas del modelo omitiría parte del trabajo que una empresa debe operar realmente.
Un resultado convincente mostraría salidas útiles junto con el esfuerzo total de procesamiento. La carga de revisión, las solicitudes fallidas y el procesamiento repetido afectan a si el enfoque integrado ahorra trabajo. Una mejora en esos términos reforzaría el argumento de Google sobre mantenimiento.
Un resultado que simplemente traslade la complejidad a las operaciones de base de datos debilitaría la propuesta más amplia. La aplicación podría volverse más corta mientras la resolución de problemas se vuelve más difícil en otro lugar. Los compradores necesitan evidencia sobre todo el flujo de trabajo, no solo sobre el componente más favorable.
La tercera señal es la entrega de una mejor trazabilidad, incluida la procedencia a nivel de línea analizada en la hoja de ruta de Google. La extracción resulta más útil cuando los revisores pueden localizar el texto exacto que la respalda. Esa capacidad ayudaría a los equipos a distinguir la extracción fiel de la interpretación sin respaldo.
La optimización de costes también forma parte de esa discusión, pero una mención en la hoja de ruta no es un compromiso de entrega. Los compradores deberían buscar comportamiento documentado y resultados inspeccionables. La misma cautela se aplica siempre que un blog y la orientación de implementación actual describan distintas etapas de desarrollo.
Estas señales mantienen la evaluación ligada a la promesa central del anuncio: reducir el trabajo necesario para convertir texto almacenado en datos de aplicación utilizables. También evitan que una interfaz conveniente se convierta en un sustituto de un modelo operativo.
Para una evaluación inicial, elija un flujo de trabajo acotado en el que una etiqueta o campo erróneo pueda revisarse antes de modificar un registro importante. Conserve el texto original y documente qué significa una respuesta correcta. Compare la consulta integrada con el proceso existente utilizando las mismas entradas y el mismo estándar de revisión. Registre el esfuerzo necesario para diagnosticar fallos, actualizar definiciones de tareas y aprobar resultados. Después, determine si las funciones de AlloyDB AI hacen que ese flujo de trabajo específico sea más fácil de mantener. ¿Qué tarea de su aplicación necesita actualmente un servicio independiente solo para clasificar texto o extraer campos, y qué evidencia justificaría trasladarla a la base de datos?



