Google BigQuery

Qué es

BigQuery es el data warehouse serverless de Google Cloud: cargas datos, ejecutas SQL y pagas almacenamiento y cómputo por separado, sin un clúster que dimensionar. Esta página lo trata como el warehouse detrás de los datos de GTM, y en la parte que cambió en 2026: Conversational Analytics. Google anunció su disponibilidad general el 1 de julio de 2026. Un equipo de datos crea un agente de datos en BigQuery Studio, anclado en tablas, vistas, grafos y UDF elegidos, además de consultas verificadas e instrucciones escritas. Luego, un usuario de negocio hace preguntas en lenguaje natural y recibe una respuesta con un gráfico, el SQL generado y citas del contexto que usó el agente. El modo deep-dive resuelve preguntas del tipo “por qué se movió esta métrica” con un plan de varios pasos y un informe descargable.

Los agentes se pueden publicar en Gemini Enterprise (GA desde el 14 de octubre de 2026), en Data Studio o en tu propia aplicación a través de la Conversational Analytics API (GA el 23 de junio de 2026). Cada consulta se ejecuta con los permisos de IAM del usuario que pregunta y queda registrada. Los agentes son de solo lectura: no pueden ejecutar DML, escribir datos ni llamar a funciones remotas. Por separado, un servidor MCP administrado por Google en bigquery.googleapis.com/mcp permite que Claude y otros clientes MCP listen datasets y ejecuten SQL, con resultados limitados a 3,000 filas y un timeout de consulta de tres minutos por defecto.

Por qué aparece en los stacks de RevOps y CS

• Los datos de marketing de Google llegan ahí de forma nativa. La exportación de GA4 y el Data Transfer Service para Google Ads dejan los datos de anuncios y web en BigQuery sin un pipeline de terceros. Suma CRM y facturación con Fivetran y marketing ops puede cruzar inversión con pipeline en un solo lugar.
• Ops puede preguntar sin una licencia de BI. Un líder de RevOps pregunta “qué oportunidades abiertas de más de $50,000 vienen de cuentas cuyo uso del producto cayó este trimestre” y recibe un SQL que puede pasarle a un analista para revisión. No hace falta una licencia de Looker o Tableau para preguntar.
• El resultado alimenta el resto del stack. Los segmentos creados en BigQuery se sincronizan de vuelta con Salesforce o HubSpot a través de Hightouch. Herramientas de BI como Looker, Hex y Sigma consultan las mismas tablas.

La realidad del precio

El cómputo se factura de una de dos formas. On-demand cobra $6.25 por TiB escaneado, con el primer TiB de cada mes gratis. El precio por capacidad cobra por slot-hora según la edición: $0.04 en Standard, $0.06 en Enterprise y $0.10 en Enterprise Plus, en pago por uso, y los compromisos de 1 y 3 años bajan Enterprise hasta $0.048. El almacenamiento lógico activo cuesta alrededor de $0.023 por GiB al mes en regiones de EE. UU., y los primeros 10 GiB son gratis.

El agente se factura aparte. El precio de los agentes de Data Cloud de Google cobra $3 por millón de tokens de entrada y $20 por millón de tokens de salida para el Conversational Analytics Agent. Todos los agentes de Data Cloud están en prueba gratuita hasta el 31 de diciembre de 2026, y el precio por tokens empieza después. El SQL que ejecuta cada respuesta se factura como cómputo normal de BigQuery.

Nuestra estimación, con 30,000 tokens de entrada y 3,000 de salida por pregunta, es de unos $0.15 en tokens del agente. Un equipo de ops de 40 personas que hace 1,000 preguntas por día hábil llega a cerca de $3,150 al mes en tokens a partir de enero de 2027, antes del cómputo de consultas. Un equipo con facturación on-demand cuyas preguntas escanean 20 GB cada una suma aproximadamente $0.12 por pregunta. Mide tus propios conteos de tokens durante la prueba gratuita en lugar de presupuestar con los nuestros.

Ideal para

Líderes de RevOps, marketing ops y CS ops en empresas que ya están en Google Cloud, o cuyos datos de GA4 y Google Ads ya llegan a BigQuery, que quieren que entre 20 y 200 usuarios de negocio hagan preguntas sobre pipeline, inversión y salud de cuentas bajo el IAM existente, sin comprar una licencia de BI para cada uno.

Descártalo si tu warehouse ya es Snowflake o Databricks: mover los datos para obtener el agente rara vez vale la pena. Descártalo si los usuarios necesitan escribir números de vuelta, como cambios de forecast o de cuota. Los agentes de datos son de solo lectura, así que ese trabajo requiere una herramienta de writeback como Sigma.

Frente a las alternativas

Snowflake es el warehouse independiente líder por cuota de mercado, y su capa de agentes, CoWork, hace el mismo trabajo. Elige Snowflake cuando necesites multicloud en AWS o Azure. Elige BigQuery cuando estés en Google Cloud o la mayoría de tus datos de marketing venga de productos de Google.

Databricks es el otro líder. Su agente para usuarios de negocio es Genie, facturado en DBU. Elígelo cuando el equipo de datos ya opere un lakehouse de Databricks para ML. BigQuery puede consultar tablas de Databricks Unity Catalog como fuente de lakehouse, pero los dos no son una pareja para combinar a gusto.

ClickHouse es el competidor de más rápido crecimiento. Levantó $400 millones con una valoración de $15 mil millones en enero de 2026, según Bloomberg. Elígelo para analítica de producto en menos de un segundo sobre datos de eventos. No tiene un agente para usuarios de negocio comparable a Conversational Analytics.

Si ninguno encaja porque nadie se pone de acuerdo sobre qué significa “pipeline”, arregla primero el modelo. Consulta data warehouse vs CDP y reverse ETL.

Puntos de atención

• La prueba gratuita oculta el costo real del agente. La facturación por tokens empieza el 1 de enero de 2027, y un piloto medido antes de esa fecha solo muestra el cómputo de consultas. Protección: durante la prueba, registra los tokens de entrada y salida por pregunta de una semana representativa. Multiplica por $3 y $20 por millón, y consigue la aprobación de esa cifra antes del despliegue.
• Los límites de costo solo funcionan con facturación on-demand. El límite big_query_max_billed_bytes y las cuotas diarias de consulta por usuario no aplican a las reservas de slots, y no se admiten cuotas ni etiquetas por agente. Protección: ejecuta los agentes en un proyecto dedicado con facturación on-demand. Configura ahí un límite de bytes por consulta y una cuota “Query usage per day per user”.
• Las respuestas solo son tan buenas como su anclaje. Las tablas crudas de Fivetran con nombres de columna crípticos producen SQL equivocado con total seguridad. Protección: apunta los agentes a vistas curadas, no a tablas crudas. Agrega consultas verificadas para tus 20 a 30 métricas clave y vuelve a ejecutar cada mes un conjunto fijo de preguntas conocidas.
• El servidor MCP puede escribir. Su herramienta execute_sql acepta DML y DDL, a diferencia de execute_sql_readonly. Protección: da a las identidades conectadas por MCP solo BigQuery Data Viewer y BigQuery Job User sobre datasets curados, para que las escrituras fallen en la capa de permisos.