Asistimos a Data & AI Summit '25 Fall

El 27 de noviembre de 2025, asistimos a Data & AI Summit '25 Fall, organizado por Google.

Nuestra empresa decidió comenzar a trabajar en serio en "aprovechamiento de datos", y un proyecto comenzó a funcionar de manera discreta. Al principio, avanzábamos con la actitud de "lentamente, desde donde podíamos", pero un día nos enteramos de que Google organizaría Data & AI Summit '25 Fall.

Decidimos participar con una actitud despreocupada, pensando "¡Tenemos que mantenernos al día con las últimas tendencias en aprovechamiento de datos!", pero resultó ser una decisión correcta. Escuchamos muchas conferencias mejores de lo que imaginábamos.

¿Qué es Data & AI Summit '25 Fall?

Como probablemente hayas deducido del nombre del evento, el tema principal de esta conferencia es "agentes de IA". Fue un evento en formato híbrido con aproximadamente 3,000 asistentes, que fue muy exitoso. Participé en persona, y en algunas conferencias había filas, e incluso vi gente asistiendo de pie porque no había suficientes asientos. Sentí de primera mano el alto nivel de atención hacia el aprovechamiento de datos e IA.

El cronograma del día fue algo como esto.

https://cloudonair.withgoogle.com/events/data-ai-summit-25f

En este artículo, informamos sobre la conferencia magistral y las sesiones que más nos impresionaron.

Conferencia magistral: Hacia una era de "cocreación" con agentes de datos - análisis de datos de próxima generación a través de infraestructuras de datos listas para IA

La conferencia magistral constó de tres partes: comenzó con "Los 3 requisitos para los agentes de IA" presentado por Hamada de Google Cloud, seguido de casos de uso de datos implementados por Lion Corporation y Mercari Inc., y culminó con una "demostración pública de análisis conversacional" por la división tecnológica de Google.

◼︎Los 3 requisitos para los agentes de IA

Hamada presentó los tres requisitos esenciales para la adopción completa de agentes de IA y la delegación de tareas empresariales: "Action (proactividad)", "Memory (capacidad de memoria)" y "Context (confiabilidad)".

Action: Los agentes de IA no deben ser pasivos, sino que deben actuar de manera proactiva.

Lo que resulta crítico aquí es la "transparencia del proceso de pensamiento". Para mejorar la transparencia del análisis, el concepto de "Advanced Reasoning", que divide el flujo en pasos sucesivos, es la clave.

Memory: La "memoria a corto plazo" y la "memoria a largo plazo" para que los agentes de IA funcionen de manera efectiva.

En la explicación de la "memoria a largo plazo", que permite el acceso en tiempo real a los datos que posee la empresa, se presentó un caso de uso en el que los usuarios se comunican con el agente de IA mediante entrada de voz y realizan pedidos de productos. Fue mucho más rápido que las operaciones tradicionales con toques, y nos recordó una vez más que estos agentes ya están volviéndose sorprendentemente cercanos a nuestras vidas.

Contexto: el contexto es esencial para garantizar la confiabilidad de las respuestas.

Se explicó la importancia de la «capa semántica» para dirigir hacia la base de datos correcta y las fórmulas adecuadas.

Con respecto a la capa semántica, tuve muchas oportunidades de escucharla mencionada en ponencias posteriores, y percibí que su relevancia está aumentando significativamente.

■ Presentación de casos de uso de datos

Lion Corporation presentó sobre la construcción de infraestructura de datos, y Mercari Corporation presentó iniciativas hacia la democratización de datos.

En particular, la democratización de datos me resultó memorable porque es un tema cercano. La implementación de agentes de IA para crear un sistema en el que cualquiera pueda acceder a los datos —un área que anteriormente era exclusiva de analistas— es algo que nos gustaría emular en nuestra empresa.

En la sesión de intercambio de información que realizamos internamente posteriormente, ya se mencionó el deseo de implementar estas ideas.

■ Demostración pública de análisis conversacional

Se presentó una demostración del agente de análisis conversacional usando «Conversation analytics agent in BigQuery» como ejemplo.

Aunque he trabajado ligeramente con BigQuery, desconocía que ahora es posible realizar análisis de datos en lenguaje natural; fue una verdadera revelación. Quedé impresionado por el sólido soporte, como la mejora de la precisión de datos mediante sugerencias de Gemini y la generación automática de consultas predefinidas, y lo relativamente simple que es configurarlo.

¡API de Analítica Conversacional en práctica anticipada! Técnica de construcción de agentes de IA para extraer datos dormidos en BigQuery usando «lenguaje natural»

En una presentación de Aylett Co., Ltd., se mostró un caso de uso de análisis de datos en formato de chat combinando «BigQuery» y «API de Analítica Conversacional».

El contenido consistía en acumular datos del sitio en BigQuery y delegar consultas de ejecución y tareas analíticas completamente a la API de Analítica Conversacional. Al permitir acceso a agentes de IA desde herramientas de comunicación que se usan diariamente, construyeron un entorno donde cualquiera podría aprovechar fácilmente los datos.

Fue un contenido que personificaba la «democratización de datos» de la que se habló en la keynote, y la estructura era extremadamente simple. Pensé que sin duda querríamos implementarlo en nuestra empresa de inmediato.

Aunque me encantaría implementarlo yo mismo, considerando mis habilidades realistas, parece que tardaría muchos años, así que decidí dejar esto en manos de nuestros ingenieros de la empresa.

¡Procedimiento mínimo! Agente de IA con integración de Google Trends × colaboración con maestro de productos

En una conferencia de Aeon Smart Technology Co., Ltd., se presentó una iniciativa única de empresas con tiendas físicas sobre cómo aprovechar la IA con respecto a los «datos maestros de productos».

El tema de la presentación fueron dos desafíos: «resolver búsquedas ambiguas» y «coincidencia automática con tendencias». Ambos contenidos utilizaban una configuración basada en «Google Vertex AI Search».

— Búsqueda ambigua en maestro de productos usando IA

Hablaron de una preocupación única de empresas con tiendas físicas, ilustrando con preguntas ambiguas de clientes sin nombres específicos de productos. Los sistemas tradicionales requieren «coincidencia exacta», por lo que preguntas que los humanos responden fácilmente se convierten en un gran obstáculo para el sistema. Implementaron un enfoque con IA para abordar este desafío.

En la pantalla de demostración, se presentaba un sistema que emitía información de productos apropiada de inmediato a partir de big data, incluso para consultas vagas como las búsquedas en Internet. Aunque no comprendí muy bien el mecanismo, quedé simplemente asombrado de que una empresa pudiera lograr algo así.

— Captura automática de tendencias y vinculación con datos de productos

El propósito era reducir el tiempo que transcurre desde que surge la necesidad del cliente hasta que el producto se exhibe en la tienda. Explicaron que estaban considerando una herramienta que captura al instante información de tendencias externas y la vincula automáticamente con los datos de productos propios.

También fue una presentación de tecnología muy avanzada y muy interesante. Aunque aún no tengo claro cómo aplicarlo a nuestros servicios, personalmente me gustaría experimentar con «Google Vertex AI Search».

Conclusión

He presentado solo las sesiones que me dejaron una impresión, pero ¿qué te pareció? Me alegra si he podido compartir aunque sea un poco la emoción de «La innovación que traen los agentes de datos» que experimenté ese día.

Para ser honesto, hemos estado avanzando lentamente en la utilización de datos, pero participar en esta cumbre fue una excelente oportunidad para reafirmar que «tenemos que comenzar en serio para no quedarnos atrás en esta ola».

Para empezar, pienso comenzar por definir «los datos y la capa semántica», cuya importancia se enfatizó varias veces en esta ocasión.