En su conferencia anual, Databricks también llevó a disponibilidad general Document Intelligence: ai_parse_document, ai_extract y ai_classify ya son funciones SQL nativas. Los agentes dejan de ser una función añadida y pasan a ser una carga de trabajo con línea propia en la factura.
Snowflake Intelligence pasa a llamarse CoWork y Cortex Code se convierte en CoCo, mientras Cortex Sense ensambla automáticamente datos y definiciones de negocio para que los agentes no tengan que adivinar qué significa cada métrica. Sin ese contexto compartido, cada consulta de un agente empieza de cero, y eso sale caro.
Fuente original (EN) →Databricks apuesta por Unity AI Gateway como capa de gobierno para todo el stack de IA, dentro y fuera de su plataforma; Snowflake compra Natoma, una pasarela MCP, para conectar agentes a sistemas empresariales. Refleja algo más profundo: un diseño cerrado frente a uno modular pensado para ensamblarse con herramientas externas.
Fuente original (EN) →Databricks lanza Lakehouse//RT y Snowflake invierte en sus Interactive Warehouses, empujados por ClickHouse y, sobre todo, por las aplicaciones agénticas: a diferencia de un panel de control, un agente no hace consultas predecibles que puedan preagregarse de antemano.
Fuente original (EN) →El paquete uv y el linter Ruff se imponen en tooling, FastAPI domina las APIs, y Polars y DuckDB lideran el procesamiento de datos apoyados en Apache Arrow. Polars, escrito en Rust, resulta entre 5 y 50 veces más rápido que pandas para cargas de trabajo grandes.
Fuente original (EN) →Con las empresas usando ya de media entre cuatro y seis modelos distintos (Databricks ofrece Kimi, Grok, OpenAI, Anthropic, Gemini y Qwen), enviar una clasificación corta a Claude Opus en lugar de a Haiku puede suponer un sobrecoste de hasta 50 veces por la misma tarea. El enrutado automático entre modelos ya existe, pero sigue siendo solo una recomendación: la factura llega como se escribió el código, no como sugirió la pasarela.
Fuente original (EN) →