Google anunció la expansión de la observabilidad de agentes de IA en Google Data Cloud, con novedades en BigQuery y Looker. El anuncio, publicado en el blog de Google Cloud el 14 de noviembre, crea un camino único para seguir cómo razonan los agentes de datos, qué datos tocan y cuánto cuestan — tanto los agentes propios de Google como los agentes personalizados construidos con frameworks como el Agent Development Kit (ADK) o LangGraph.
La idea es tratar la observabilidad de agentes como parte de la operación, no como un complemento: cuando un agente pasa del prototipo a la producción, los equipos necesitan ver el razonamiento en varios pasos, proteger datos sensibles, controlar el consumo de tokens y evaluar la calidad de las respuestas antes de que un cambio de prompt o de esquema llegue a los usuarios.
Un solo flujo de telemetría para todos los agentes
El corazón del anuncio es un framework unificado de telemetría, que funciona igual para cualquier agente: capturar la telemetría, guardarla en tablas de BigQuery que pertenecen al cliente y analizarla donde los equipos ya trabajan.
- Captura: los agentes propios de Conversational Analytics emiten telemetría automáticamente, sin configuración. Las consultas dirigidas a agentes de datos de BigQuery en Gemini Enterprise mediante flujos de agente a agente (A2A, ya en disponibilidad general) envían métricas de Cloud Monitoring, spans de Cloud Trace y registros de conversación directo al proyecto del agente. Los agentes personalizados con ADK o LangGraph envían la misma telemetría estructurada con instrumentación de una línea en el SDK.
- Destino: todo cae en tablas de BigQuery del propio cliente, bajo sus permisos y reglas de gobernanza, en lugar de quedar atrapado en un panel de terceros.
- Análisis: paneles listos en BigQuery Studio y Looker muestran uso, sesiones activas, principales fuentes de conocimiento, latencia y consumo de tokens. También se pueden crear informes propios con una plantilla open source de Data Studio o con el Looker Block for Agent Analytics.
Qué ya está disponible y qué sigue en vista previa
En disponibilidad general están el registro de conversaciones en BigQuery, la API de Conversational Analytics, los flujos A2A, los paneles de monitoreo en BigQuery Studio y los paneles de System Activity de Looker, tanto en Looker (Google Cloud core) como en Looker original. En vista previa quedan la valoración de usuarios y la revisión de consultas en la pestaña Responses & feedback de Looker, las cuotas diarias de tokens de entrada y salida y las evaluaciones nativas de agentes en BigQuery, vía API y notebook guiado en Colab.
Telemetría operativa separada del contenido
Un punto central del diseño es separar la telemetría operativa del contenido de las conversaciones, para que cada capa tenga su propia gobernanza. Las métricas agregadas de Cloud Monitoring y los spans sanitizados de Cloud Trace excluyen el contenido central del cliente: prompts, respuestas, pensamientos internos y SQL generado.
Cuando la auditoría necesita el contenido, el registro de conversaciones es opcional, por agente: un agente de servicio gestionado por Google transmite prompts, respuestas y telemetría por turno a una tabla agent_events del cliente, vía BigQuery Storage Write API, heredando los permisos de IAM, las claves de cifrado gestionadas por el cliente (CMEK) y los VPC Service Controls del conjunto de datos. Las protecciones de privacidad son fail-closed: antes de cada turno, el sistema omite el registro siempre que la fuente de conocimiento use seguridad a nivel de fila, policy tags de columna o enmascaramiento dinámico de datos. La ejecución, en cambio, es fail-open: si el registro falla, la sesión del usuario continúa sin interrupción.
Para agentes personalizados, el plugin open source BigQueryAgentAnalyticsPlugin de ADK envía árboles completos de invocación de herramientas, telemetría de series temporales y cargas multimodales. Y como los registros quedan en la tabla del propio cliente, se pueden diagnosticar fallos sin montar pipelines de exportación: con funciones de IA de BigQuery como AI.GENERATE y AI.EMBED con VECTOR_SEARCH, o con el SDK de Python bigquery-agent-analytics y un notebook Colab inicial.
Control de costos con límites de FinOps
Cada turno registra los conteos de tokens de entrada, salida, pensamiento, caché y total, además de la latencia total, y Looker System Activity reporta los tokens estimados de entrada y salida en las cargas de business intelligence. Para evitar sorpresas en la factura, se puede configurar un límite por consulta de bytes escaneados en BigQuery (big_query_max_billed_bytes), que usa estimaciones de dry-run para bloquear consultas grandes sin generar cargos bajo demanda. Las cuotas diarias de tokens de entrada y salida, por proyecto, usuario o agente, están en vista previa. Google también señala que hay precio promocional de prueba disponible para Conversational Analytics.
Evaluación antes de poner en producción
Los logs muestran cómo se comportó un agente; la evaluación muestra si un cambio mejora o empeora la calidad de las respuestas. Para eso, Google lanzó Prism, una herramienta open source que prueba agentes de Conversational Analytics anclados en tablas de BigQuery o Explores de Looker, con suites de prueba reutilizables, aserciones regex y descubrimiento multirregión. Prism puede enviar los resultados de las evaluaciones directo a tablas de BigQuery particionadas por día, junto a los logs de producción, para compararlos lado a lado.
Contexto: Google acelera la infraestructura de agentes
El anuncio llega en la misma semana en que Google lanzó A2UI 1.0, el protocolo abierto que permite a los agentes de IA responder con pantallas interactivas. Juntos, los dos movimientos muestran la estrategia de Google para los agentes en producción: en la superficie, interfaces que el usuario ve; por detrás, telemetría, gobernanza y control de costos para los equipos que operan esos agentes.
Crédito de la imagen: diagrama del framework unificado de observabilidad de agentes, del blog de Google Cloud.
Fuentes: Google Cloud Blog; Unite.AI.
Transparencia: este artículo fue producido con ayuda de inteligencia artificial, cruzando publicaciones públicas en X y fuentes de internet. Recomendamos consultar las fuentes originales para más detalles.
Por Muse
