Volver al blog

BigQuery6 min

AI.CLASSIFY en BigQuery: modo optimizado con menos tokens

AI.CLASSIFY en BigQuery ya admite el modo optimizado: clasifica millones de filas con menos tokens y latencia. Qué cambia, requisitos y cómo aplicarlo.

AI.CLASSIFY en BigQuery ya puede ejecutarse en modo optimizado, igual que AI.IF: en lugar de llamar a Gemini fila a fila, BigQuery entrena al vuelo un modelo ligero que resuelve la mayoría de filas con menos tokens y menos latencia. La mejora, en disponibilidad general desde el 17 de noviembre de 2026, interesa a equipos de datos y marketing que clasifican textos a gran escala.

Qué ha cambiado en AI.CLASSIFY y AI.IF de BigQuery

Las funciones de IA gestionadas de BigQuery permiten aplicar un LLM desde SQL: AI.IF devuelve verdadero o falso ante una condición escrita en lenguaje natural y AI.CLASSIFY asigna cada fila a una de las categorías que le indiques. Hasta ahora, cada fila suponía una llamada al modelo. Con el modo optimizado, el funcionamiento cambia así:

  1. Muestreo: BigQuery toma una muestra representativa de la tabla y pide a Gemini que la etiquete.
  2. Destilación: con esas etiquetas y los embeddings de los datos entrena, durante la propia consulta, un modelo local mucho más pequeño.
  3. Control de calidad: compara los resultados del modelo destilado con los del LLM. Si no alcanza el umbral de calidad, la consulta falla por defecto en lugar de devolver resultados dudosos.
  4. Inferencia: el modelo destilado resuelve la mayoría de filas; algunas, como las que no tienen embeddings válidos, siguen yendo a Gemini.

La actualización del 17 de noviembre de 2026 amplía además los tipos de consulta compatibles, añade la clasificación multietiqueta en AI.CLASSIFY y muestra la calidad relativa de los resultados optimizados. Ese mismo día Google lanzó en disponibilidad general la función AI.RANK, que reordena filas según lo bien que un texto responde a una búsqueda, y la opción rerank de AI.SEARCH.

Por qué importa

Importa porque el coste en tokens era el principal freno para usar LLM sobre tablas grandes de marketing. Clasificar millones de comentarios, reseñas, transcripciones de atención al cliente o descripciones de producto fila a fila resultaba caro y lento. Según la documentación de Google, el modo optimizado está pensado para conjuntos de miles o miles de millones de filas y reduce de forma significativa el consumo de tokens y la latencia, aunque no publica cifras concretas de ahorro.

Algunos casos de uso con impacto directo en negocio:

  • Voz del cliente: etiquetar motivos de queja o de satisfacción en encuestas y reseñas para cruzarlos con datos de GA4 o CRM.
  • Catálogo: clasificar productos por intención o categoría para mejorar la analítica de ecommerce.
  • Calidad de leads: decidir con AI.IF si un formulario describe una necesidad real antes de enviarlo al equipo comercial.

Cómo aprovecharlo

Para usar el modo optimizado necesitas tres ingredientes: suficientes filas, embeddings y una consulta bien planteada.

  • Volumen mínimo: Google indica alrededor de 3.000 filas de entrada para que el modelo destilado tenga datos de entrenamiento suficientes.
  • Embeddings coherentes: todas las columnas de entrada deben tener embeddings generados con el mismo modelo y la misma dimensión. Puedes crearlos con la función AI.EMBED (la documentación sugiere modelos como text-embedding-005) o con la generación autónoma de embeddings de la tabla.
  • Argumento embeddings: al pasar la columna de embeddings a AI.IF o AI.CLASSIFY, el modo de optimización MINIMIZE_COST se aplica por defecto, sin más cambios en la consulta.
  • Seguimiento: en Jobs explorer, abre el detalle del trabajo y revisa el campo Gen AI function optimizations de la pestaña Job information para saber cuántas filas se han optimizado.
  • Estimación previa: AI.COUNT_TOKENS ayuda a calcular el consumo antes de lanzar la consulta, y las cuotas de tokens sirven para limitarlo.

Ten en cuenta las limitaciones: el argumento max_error_ratio no está disponible en este modo, y la consulta puede fallar si hay pocas filas, pocos ejemplos de alguna categoría o un prompt demasiado complejo.

Nuestra visión en HIKE

Esta mejora acerca la IA generativa al día a día del analista: clasificar texto deja de ser un proyecto aparte y pasa a ser una consulta SQL con un coste razonable. Es especialmente útil para quienes ya tienen GA4, CRM y atención al cliente centralizados en BigQuery.

En HIKE recomendamos empezar con un caso acotado y medible, como la clasificación de motivos de contacto, validar una muestra a mano para fijar el nivel de calidad aceptable y, solo después, escalar a toda la tabla con embeddings precalculados y una cuota de tokens. Así se controla el gasto desde el primer día y se evita tomar decisiones con etiquetas poco fiables. Nuestro equipo de analítica de datos puede ayudarte a diseñar ese piloto.

Si trabajas con BigQuery, te recomendamos también nuestra guía de clustering con K-Means en BigQuery ML, el informe de navegación por páginas con BigQuery y GA4 y nuestra reflexión sobre aplicar IA a tus datos para personalizar a escala.

Preguntas frecuentes

¿Qué es el modo optimizado de AI.CLASSIFY en BigQuery?

Es una forma de ejecutar AI.CLASSIFY y AI.IF en la que BigQuery etiqueta una muestra con Gemini, entrena un modelo destilado durante la consulta y lo usa para la mayoría de filas. El objetivo es reducir tokens y latencia en tablas grandes. Está en disponibilidad general desde noviembre de 2026.

¿Qué necesito para activar el modo optimizado?

Necesitas embeddings para todas las columnas de entrada, generados con el mismo modelo y la misma dimensión, y unas 3.000 filas como mínimo. Al pasar esos embeddings en el argumento embeddings de la función, el modo de reducción de coste se activa por defecto. Funciona solo con AI.IF y AI.CLASSIFY.

¿Puede fallar una consulta en modo optimizado?

Sí. Por defecto, si el modelo destilado no alcanza el umbral de calidad frente a Gemini, la consulta falla. También puede fallar con pocas filas, pocas muestras de alguna categoría, dimensiones de embeddings incoherentes o prompts muy complejos. Es un mecanismo de protección para no devolver clasificaciones poco fiables.

¿Qué es AI.RANK en BigQuery?

AI.RANK es una función de IA de BigQuery, disponible de forma general desde el 17 de noviembre de 2026, que reordena las filas de una tabla según lo bien que el texto de una columna responde a una consulta de búsqueda. Complementa a AI.SEARCH, que ese mismo día incorporó la opción rerank.

Conclusión

El modo optimizado de AI.CLASSIFY y AI.IF convierte la clasificación con LLM en BigQuery en algo viable para tablas grandes de marketing, con menos tokens y control de calidad integrado. La clave para aprovecharlo está en preparar bien los embeddings y empezar con un caso de negocio concreto.

¿Quieres aplicarlo en tu empresa? Habla con el equipo de HIKE.

Fuentes: Fuente oficial: Google Cloud, optimizar las funciones de IA de BigQuery · Notas de versión de BigQuery

Equipo HIKE · Partner certificado de Google Marketing Platform, Adobe Solution Partner, Segment y Emplifi

Sigue leyendo