Agent Bricks: la plataforma de Databricks que quiere resolver el mayor cuello de botella de la IA corporativa
Inteligencia Artificial para empresas dejó de ser una promesa lejana y se convirtió en una presión real del día a día.
Pero hay un detalle que mucha gente todavía subestima: construir un agente de IA es la parte fácil. El patrón básico ya es conocido, un modelo conectado a herramientas, razonando y ejecutando acciones. Armar ese loop ya no es el problema.
El verdadero desafío comienza cuando ese agente necesita funcionar con datos empresariales reales, respetando permisos, entendiendo el contexto del negocio y operando con consecuencias concretas, no en un ambiente de pruebas.
Un agente que analiza solicitudes de crédito y aplica políticas internas de suscripción de una institución financiera solo es valioso porque entiende el contexto de ese negocio, no porque usa un modelo más sofisticado o un framework específico. Es la profundidad de la conexión con registros de clientes, sistemas operativos, políticas internas y conocimiento institucional lo que hace que estos agentes sean realmente útiles.
Es exactamente ahí donde la mayoría de las soluciones se estancan: entregan piezas, pero no una plataforma completa.
Fue pensando en esto que Databricks desarrolló Agent Bricks, una plataforma empresarial construida desde cero para crear, desplegar y gobernar agentes que operan sobre los datos de tu organización, de extremo a extremo. La plataforma unifica acceso a modelos, ejecución, gobernanza y contexto para que los equipos puedan ejecutar agentes de forma confiable en producción.
En este artículo vas a entender qué hace diferente a esta plataforma, qué novedades llegaron y por qué la gobernanza dejó de ser un detalle técnico para convertirse en el corazón de cualquier estrategia seria de IA en producción. 🚀
Qué es Agent Bricks y por qué importa ahora
Agent Bricks es la respuesta de Databricks a una pregunta que los equipos de tecnología corporativa vienen intentando responder desde hace algún tiempo: ¿cómo llevar agentes de inteligencia artificial a producción de verdad, sin renunciar al control, la seguridad y la trazabilidad? La plataforma no fue creada para competir con herramientas de prototipado rápido o ambientes de experimentación. Fue diseñada para el mundo real de las grandes organizaciones, donde un dato incorrecto accedido en el momento equivocado puede representar una violación de compliance, una decisión equivocada o incluso un problema regulatorio serio. Eso cambia completamente la escala del problema que necesita resolverse.
La propuesta central de Agent Bricks es integrar, en una única plataforma empresarial, todo lo que un agente de IA necesita para existir con calidad en un entorno corporativo: acceso a los datos empresariales con control granular de permisos, herramientas para la construcción y orquestación de los flujos de razonamiento del agente, infraestructura de evaluación continua y, en el centro de todo, una capa robusta de gobernanza. No es un conjunto de APIs sueltas. Es una arquitectura pensada para que las piezas funcionen juntas, reduciendo la fricción entre los equipos de datos, ingeniería y negocio.
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
Miles de organizaciones en sectores como servicios financieros, retail, salud y tecnología ya desplegaron agentes en producción y a escala en Agent Bricks. Empresas como Workday, Virgin Atlantic, Zapier, EchoStar y AstraZeneca están entre las que utilizan la plataforma. Los casos de uso son variados: equipos construyendo agentes que entregan análisis de mercado continuos para cientos de analistas, orquestan flujos de trabajo en cadena de suministro, compras e I+D, resuelven solicitudes de empleados en tareas complejas de forma automática y detectan anomalías en campañas de marketing antes de que se desperdicie presupuesto publicitario.
Vale la pena entender también el contexto en el que surge esta plataforma. El mercado de agentes de IA corporativos creció de forma acelerada en los últimos dos años, pero la mayoría de las soluciones disponibles todavía exige que las empresas monten su propia infraestructura de control por fuera. El resultado son capas improvisadas de seguridad, dificultad de auditoría y agentes que funcionan bien en el ambiente de desarrollo pero se traban a la hora de escalar. Agent Bricks nace justamente para cerrar esa brecha, trayendo dentro de la plataforma lo que antes necesitaba ser construido artesanalmente por cada equipo.
Los tres pilares que definen la plataforma
Databricks estructuró Agent Bricks en torno a tres características que, según la empresa, son lo que separa una plataforma de verdad de un conjunto de herramientas desconectadas.
Abierto y multi-IA
Para construir agentes realmente útiles, los equipos necesitan trabajar con múltiples proveedores de modelos y frameworks. Agent Bricks soporta nativamente modelos de frontera y agentes de código populares como Cursor, Codex y Claude Code a través de una API unificada, con enrutamiento integrado, fallback automático y optimización de costos. También es posible construir y desplegar agentes con frameworks como LangGraph y OpenAI Agents SDK.
Esto permite que los equipos cambien de modelo o integren agentes externos sin necesidad de reconstruir sus sistemas. Un dato interesante: el 63% de los clientes de la plataforma ya enrutan tareas entre dos o más familias de modelos, garantizando que los agentes permanezcan flexibles y resilientes conforme los modelos evolucionan.
Gobernanza unificada
La mayoría de las plataformas gobiernan únicamente al agente en sí, qué herramientas puede llamar y qué permisos posee. Agent Bricks gobierna al agente y todo con lo que interactúa en un sistema único. Con Unity Catalog y el AI Gateway, el acceso a datos, modelos y MCPs externos se gestiona y observa en un solo lugar, con identidad aplicada de extremo a extremo.
Los agentes heredan la identidad del usuario mediante paso de token on-behalf-of. En la práctica, esto significa que el agente solo puede acceder a lo que el usuario está autorizado a usar. Ya sea consultando el lakehouse o llamando APIs externas, los mismos permisos, auditoría y reglas de enrutamiento se aplican en cada interacción.
Preciso porque entiende el contexto del negocio
La precisión de un agente depende de mucho más que la calidad del modelo. Agent Bricks utiliza metadatos del Unity Catalog, incluyendo schema, definiciones de negocio, linaje, permisos y señales de calidad de datos, para mejorar la forma en que los agentes razonan y actúan. Este contexto se incorpora directamente en la recuperación y la planificación, entregando, según Databricks, un 70% más de precisión que el RAG estándar y un 30% de mejora en flujos de trabajo multi-etapa.
Para datos estructurados, los Genie Spaces aprovechan la capa semántica para que los agentes razonen sobre definiciones de negocio, no sobre nombres crudos de columnas. Esto hace que los agentes devuelvan respuestas alineadas con la forma en que el negocio realmente opera. 🎯
Gobernanza como estructura central, no como apéndice
Uno de los aspectos más relevantes de Agent Bricks es la forma en que la gobernanza fue posicionada dentro de la arquitectura de la plataforma. En muchas soluciones de inteligencia artificial corporativa, la gobernanza aparece como una capa añadida después, casi como un plugin de conformidad. En Agent Bricks, está en el núcleo del diseño. Esto significa que cada agente creado en la plataforma nace con trazabilidad incorporada, con control de acceso nativo a los datos empresariales y con mecanismos que permiten auditar lo que el agente hizo, por qué lo hizo y con base en qué información llegó a esa conclusión. Para sectores como el financiero, salud y jurídico, esto no es un diferencial: es un requisito básico para poner cualquier cosa en producción.
La gobernanza dentro de Agent Bricks se apoya fuertemente en la infraestructura del Unity Catalog, que ya es el sistema de catalogación y control de datos de Databricks. Esto quiere decir que los permisos que una organización ya definió para sus datos, quién puede acceder a qué, en qué contexto y con qué nivel de detalle, son automáticamente respetados por los agentes que operan en la plataforma. Un agente de RRHH no puede acceder a información financiera porque el catálogo ya sabe que ese dato no pertenece al alcance de ese agente. Esta integración elimina una capa entera de configuración manual que, cuando se hace por fuera, suele ser la mayor fuente de fallos de seguridad en proyectos de IA corporativa.
Como resumió William Acosta, Head de Ingeniería de IA Agéntica de EchoStar: con Agent Bricks, la empresa no está construyendo proyectos aislados de IA, sino una malla de IA empresarial, donde interoperabilidad, seguridad basada en identidad y gobernanza fueron diseñadas desde el primer día, haciendo que los agentes se comporten como cualquier otro sistema de misión crítica.
Además, la plataforma ofrece trazabilidad de linaje de datos aplicada a los agentes. Esto significa que es posible saber exactamente de dónde vino cada información que el agente utilizó para tomar una decisión, qué versión del dato fue consultada, y si hubo alguna transformación en el camino. Para equipos de compliance y auditoría, esto representa un cambio significativo en la forma de trabajar con IA en producción. En vez de intentar reconstruir la lógica del agente después de que algo salió mal, la organización ya tiene el registro completo disponible desde el primer momento. Esto es gobernanza funcionando como infraestructura, no como burocracia. 🔍
Lo que llegó de nuevo en la plataforma
Databricks anunció la disponibilidad general (GA) de Document Intelligence y los Custom Agents, junto con nuevas capacidades en toda la plataforma, incluyendo el AI Gateway. Las novedades se distribuyen en tres frentes principales:
Multi-IA y orquestación de agentes
- Custom Agents on Apps (GA) — Permite construir y desplegar aplicaciones de agentes con cualquier modelo o framework, con soporte completo de ciclo de vida y computación serverless. La integración nativa con Lakebase proporciona memoria, historial de conversaciones y estado para flujos de trabajo de larga duración.
- Supervisor Agent (GA) — Orquesta múltiples agentes y herramientas en un único flujo de trabajo. Defines la tarea y conectas tus sistemas, y el supervisor coordina la ejecución entre modelos y herramientas.
- Web Search en la Foundation Model API — Fundamenta las respuestas de los agentes con información en tiempo real de la web, usando capacidades nativas de búsqueda de proveedores.
Acceso gobernado a herramientas, modelos y datos
- AI Gateway — Una capa unificada para gestionar y gobernar el acceso a modelos, agentes de código y ahora herramientas conectadas vía MCP. Aplica identidad, permisos y observabilidad en cada interacción. Ahora también cuenta con guardrails para detectar y mitigar riesgos como exposición de PII, contenido inseguro, inyección de prompt, exfiltración de datos y alucinaciones, con opciones personalizables para diferentes necesidades de seguridad.
- Managed OAuth MCP Connectors — Conecta servicios externos como GitHub, Atlassian y Glean como herramientas gobernadas. Las credenciales se gestionan de forma centralizada, para que los agentes accedan a sistemas sin exponer secretos.
Contexto empresarial que hace precisos a los agentes
- Document Intelligence (GA) — Extrae y estructura datos de documentos no estructurados como contratos, facturas e informes, transformando PDFs en conocimiento consultable sin pipelines personalizados.
- Knowledge Assistant (GA) — Ingesta automáticamente documentos empresariales y los pone a disposición de cualquier agente, con recuperación que incorpora contexto del sistema, metadatos y restricciones del usuario.
- Agent Mode en los Genie Spaces — Evoluciona de preguntas y respuestas de turno único a razonamiento multi-etapa y análisis sobre tus datos, permitiendo que los agentes planifiquen, exploren y respondan preguntas complejas de negocio.
- Framework CLEARS para calidad de agentes con MLflow — Evalúa agentes en seis dimensiones: corrección, latencia, ejecución, adherencia, relevancia y seguridad, con un framework estandarizado en MLflow para calidad en producción.
La experiencia de Zapier ilustra bien el impacto práctico de estas capacidades. Según Alvaro Martin, ingeniero de datos sénior de la empresa, Agent Bricks ofrece una forma estructurada de coordinar múltiples endpoints de inteligencia de datos en un único sistema. En vez de codificar la lógica de enrutamiento manualmente, es posible orientar cómo el agente prioriza Genie y datos gobernados en Unity Catalog mediante instrucciones claras, lo que facilita bastante la construcción de una experiencia interna de consulta de datos que es flexible y confiable conforme evoluciona. 🤝
Por qué los datos empresariales lo cambian todo
Existe una diferencia fundamental entre un agente de IA entrenado con datos públicos y un agente que opera sobre los datos empresariales de una organización. El segundo tiene acceso al contexto real del negocio: historial de transacciones, políticas internas, base de clientes, contratos vigentes, estructura de productos y toda la inteligencia acumulada a lo largo de los años de operación de la empresa. Ese contexto es lo que transforma a un agente genérico en una herramienta genuinamente útil. Pero también es lo que genera el mayor riesgo, porque esos datos son sensibles, frecuentemente regulados y, en muchos casos, son el principal activo competitivo de la organización.
Agent Bricks fue construido partiendo de esa premisa. La plataforma no trata los datos empresariales como un input cualquiera que entra en el agente y desaparece. Los trata como un recurso gestionado, con ciclo de vida, permisos y trazabilidad. Esto significa que cuando un agente consulta la base de clientes para personalizar una respuesta, existe un registro de ese acceso, vinculado al contexto de la conversación, al agente que hizo la consulta y al resultado que se generó. Ese nivel de control es lo que permite que una organización mantenga su postura de seguridad incluso después de abrir sus datos para que los agentes puedan trabajar con ellos.
Herramientas que usamos a diario
Además, la plataforma ofrece soporte nativo a lo que Databricks llama datos propietarios como ventaja competitiva. La idea es que los agentes no sean solo mejores porque usan un modelo de lenguaje más potente, sino porque tienen acceso a información que ningún modelo público tiene. Esa combinación, modelo de inteligencia artificial con datos exclusivos de la organización, operando dentro de una capa de gobernanza robusta, es lo que Databricks apuesta que va a definir qué empresas realmente consiguen extraer valor estratégico de la IA en los próximos años. Es una visión que tiene sentido, especialmente para organizaciones que ya invirtieron años construyendo sus bases de datos y que ahora quieren poner esa inversión a trabajar de verdad. 💡
El ecosistema detrás de la plataforma
Un punto que diferencia a Agent Bricks de otras iniciativas en el mercado es el ecosistema de socios que se está formando alrededor de la plataforma. Databricks viene expandiendo esta red con integradores y empresas de tecnología que extienden las capacidades de los agentes más allá del ambiente nativo. Entre los socios ya anunciados están nombres como Accenture, Capgemini, Deloitte, EY, Infosys, Wipro, LTIMindtree, Slalom y Tiger Analytics del lado de consultoría e implementación, además de empresas de tecnología como Arize, Collibra, Dataiku, Glean, LlamaIndex, Monte Carlo, Qlik, Retool y Sigma Computing.
Este ecosistema es relevante porque, en la práctica, ninguna plataforma de IA corporativa funciona de forma aislada. Las empresas utilizan decenas de herramientas y servicios en su día a día, y los agentes necesitan conectarse a esos sistemas para ser realmente útiles. Tener socios que ya están construyendo integraciones nativas con Agent Bricks reduce significativamente el tiempo entre la decisión de adoptar la plataforma y el momento en que los agentes están efectivamente en producción, generando valor.
El desafío que ya no es el loop del agente
Databricks deja claro que el desafío de hoy ya no es construir el loop del agente. Lo que realmente necesita resolverse es todo lo que queda alrededor de él: identidad que no puede ser eludida, credenciales que no se filtran, enrutamiento de modelos que evita el lock-in con un único proveedor, contexto de negocio que hace que los resultados sean correctos, y observabilidad que muestra lo que cada agente hizo y por qué.
La mayoría de las plataformas se enfoca en pedazos de ese sistema. Agent Bricks se propone traer todo junto en un único lugar.
Agent Bricks representa un cambio de mentalidad importante en el mercado de inteligencia artificial corporativa: la idea de que gobernanza, datos y agentes no son problemas separados que necesitan ser resueltos por equipos diferentes, sino partes de una misma solución que necesita funcionar de forma integrada para entregar valor real.
Para los equipos que están evaluando cómo evolucionar su estrategia de IA en producción, entender cómo plataformas como Agent Bricks resuelven el problema de extremo a extremo es el punto de partida más honesto para tomar buenas decisiones. No se trata de cuál tecnología es más moderna, sino de qué enfoque realmente funciona cuando los datos son reales, los riesgos son concretos y los resultados necesitan ser explicables. 🎯
