BigQuery y Vertex AI: cómo construir una arquitectura de datos para IA generativa

La inteligencia artificial evoluciona a gran velocidad. Hoy en día ya está dejando atrás la fase puramente experimental para formar parte de la operativa de las empresas. Según el AI Index Report 2025 de Stanford, el 78 % de las organizaciones encuestadas utilizaba inteligencia artificial en 2024, frente al 55 % del año anterior.

Esta adopción se está trasladando a ámbitos como la atención al cliente, las operaciones, el análisis comercial, la predicción de la demanda o la automatización de procesos. Sin embargo, el reto ya no consiste únicamente en probar la tecnología, sino en saber integrarla sobre datos y procesos capaces de generar resultados.

De hecho, desde Bimex vemos cómo muchas iniciativas empresariales que incorporan la IA se frenan antes incluso de empezar.

El motivo se resume en una pregunta básica: ¿cómo llevar los datos hasta un entorno donde realmente puedan generar valor?

En la actualidad existen plataformas que cubren desde la integración de los datos hasta el entrenamiento de modelos de Machine Learning y su producción. Una de las más conocidas y populares es Google Cloud Platform (GCP).

Se trata de uno de los ecosistemas más completos para organizaciones que quieren evolucionar desde la analítica tradicional hacia soluciones basadas en inteligencia artificial.

En este post del blog queremos abordar el papel de BigQuery y Vertex AI dentro del ecosistema de Google Cloud y mostramos cómo pueden ayudar a construir una arquitectura moderna de datos preparada para la IA.

¡Empezamos!

¿Por qué Google Cloud para proyectos de datos e inteligencia artificial?

En los últimos años, Google Cloud se ha posicionado como una de las plataformas de referencia en proyectos de datos e IA por su capacidad de procesamiento y por toda la serie de servicios con los que cuenta para cubrir el ciclo completo del dato.

En lugar de utilizar diferentes herramientas para almacenar información, transformarla, analizarla y desarrollar modelos predictivos, Google lo reúne todo en un mismo ecosistema.

Así, Google permite reducir la complejidad de las arquitecturas y facilita que los datos fluyan desde su origen hasta los procesos analíticos y de inteligencia artificial.

En nuestro último webinar repasamos precisamente esta visión del ciclo del dato, explicando cómo diferentes servicios de Google Cloud trabajan conjuntamente para construir una plataforma escalable y preparada para futuros casos de uso.

BigQuery: mucho más que un Data Warehouse

A menudo se define BigQuery como un Data Warehouse cloud. Pero en Bimex creemos que esa descripción se queda corta.

BigQuery es, en la actualidad, en una plataforma capaz de centralizar grandes volúmenes de información procedentes de múltiples orígenes y ponerlos a disposición de analistas, responsables de negocio y modelos de Machine Learning prácticamente en tiempo real.

Uno de sus principales puntos fuertes es la flexibilidad para integrar datos provenientes de diferentes entornos. Y por ello fue uno de los temas que abordamos en el webinar. En concreto, mostramos cómo puede trabajar con información procedente de:

• Servicios nativos de Google.
• Bases de datos locales (on-premise).
• Plataformas cloud de terceros.
• Sistemas de archivos y APIs.
• Entornos empresariales como SAP.

Es importante considerar que cada uno de estos orígenes requiere una estrategia de integración diferente.

En función del volumen de información, la frecuencia de actualización o el sistema de origen, Google ofrece distintos mecanismos para automatizar la carga y mantener los datos sincronizados. Y esta capacidad de integración convierte a BigQuery en un punto de encuentro donde confluyen los datos de toda la organización.

El siguiente paso: transformar los datos en modelos de Machine Learning

Disponer de los datos en un único entorno es solo el primer paso.

La siguiente pregunta suele ser: ¿cómo empezar a aplicar inteligencia artificial sin desarrollar proyectos excesivamente complejos?

Una de las ideas principales del webinar fue precisamente que no existe una única forma de hacer Machine Learning en Google Cloud. Dependerá de factores como la experiencia y nivel técnico del equipo, el tipo de problema, o el grado de personalización que necesita la empresa u organización.

En cualquier caso, este ecosistema nos ofrece diferentes alternativas:

• BigQuery ML, para quienes ya trabajan habitualmente con SQL y quieren crear modelos directamente sobre los datos almacenados en BigQuery.
• AutoML: simplifica gran parte del proceso de entrenamiento con herramientas más visuales.
• ML APIs, que permiten incorporar capacidades de IA ya entrenadas para tareas específicas.
• Modelos personalizados, cuando el caso de negocio requiere un desarrollo completamente adaptado.

Entre tantas opciones, el reto será decidir cuál es la más adecuada para cada escenario en función de nuestros objetivos y necesidades. Así, en algunos proyectos bastará con un modelo sencillo construido directamente desde BigQuery. Mientras, en otros será necesario evolucionar hacia soluciones más avanzadas.

En cualquier caso, lo importante es contar con una plataforma que permita crecer sin necesidad de rediseñar toda la arquitectura.

Una arquitectura pensada para evolucionar

Otro de los aspectos que abordamos en el webinar fue la arquitectura recomendada para proyectos de datos e IA dentro de Google Cloud.

Independientemente de las herramientas, el objetivo es definir un flujo ordenado para recorrer todas las fases del proceso:

• incorporación de datos,
• almacenamiento,
• transformación,
• entrenamiento de modelos,
• generación de predicciones,
• consumo de resultados por parte del negocio.

Con este enfoque evitamos desarrollar soluciones aisladas que funcionan únicamente para un caso concreto y es posible reutilizar la información en futuros proyectos de analítica e inteligencia artificial.

Durante el webinar también analizamos cómo decidir entre las distintas opciones de Machine Learning en función de preguntas muy sencillas: si ya existen datos preparados para entrenar un modelo, si el equipo quiere desarrollar código o si basta con trabajar mediante SQL.

Estas decisiones condicionan el camino más adecuado dentro del ecosistema de Google Cloud.

¿Por dónde debería empezar una empresa?

En primer lugar, hay que considerar que no todas las organizaciones tienen el mismo grado de madurez analítica. Algunas ya cuentan con un Data Warehouse consolidado y buscan incorporar capacidades de IA. Otras necesitan primero integrar diferentes fuentes de información antes de plantearse modelos predictivos.

Por eso, no existe una hoja de ruta única.

Lo recomendable es comenzar identificando un caso de uso concreto, validar que los datos necesarios estén disponibles y elegir la herramienta más adecuada según la complejidad del proyecto y la experiencia del equipo técnico.

A partir de ahí, la plataforma puede evolucionar progresivamente incorporando nuevos modelos, nuevas fuentes de información y nuevos procesos analíticos sin necesidad de replantear toda la arquitectura.

Ese enfoque incremental reduce el riesgo y facilita demostrar valor desde las primeras fases del proyecto.

Accede al webinar completo sobre BigQuery, Vertex AI e IA

En este artículo hemos resumido las principales ideas compartidas durante nuestro webinar sobre BigQuery y Vertex AI.

Sin embargo, la sesión incluye mucho más contenido práctico: una demostración completa de carga de datos en BigQuery; los criterios para elegir entre BigQuery ML, AutoML, APIs o modelos personalizados; y un caso práctico de Machine Learning aplicado a la retención de clientes.

Si quieres profundizar en estos temas y ver las demostraciones paso a paso, puedes acceder gratuitamente a la grabación completa.