Google Cloud BigQuery : cap sur l'ère agentique
L'article s'ouvre sur une ambition claire : dans l'ère agentique, réussir avec l'IA exige de passer de workloads à l'échelle humaine à des workloads agent-first, de l'intelligence réactive à l'action proactive, et de la donnée brute à une connaissance sémantique sur laquelle les agents peuvent raisonner avec précision. BigQuery revendique déjà une croissance de 30x des données traitées avec Gemini, 25x pour les fonctions IA sur données non structurées, et 20x pour les outils de construction d'agents via MCP.
Les annonces s'organisent autour de quatre axes. Sur le lakehouse cross-cloud, BigQuery franchit une étape majeure avec la Cross-cloud Lakehouse (preview) : les capacités analytiques et IA de BigQuery s'étendent désormais à AWS et Azure via l'Iceberg REST Catalog et le Cross-Cloud Interconnect, avec des performances et un coût total comparables à un warehouse natif. La Catalog federation (preview) permet en parallèle la découverte et le partage zero-copy avec Databricks, Snowflake, SAP et Salesforce, sans déplacer une seule donnée.
Sur le raisonnement graphique, BigQuery Graph introduit une couche de logique métier directement dans la plateforme data : les agents peuvent raisonner en multi-hop sur des relations complexes, calculer des KPIs précis et remonter aux causes d'un événement. L'intégration avec Looker garantit que les mêmes métriques, comme un taux de churn, restent identiques entre dashboards et agents IA, éliminant le risque de définitions divergentes.
Sur le traitement IA natif, BigQuery s'enrichit de nombreuses fonctions : AI.PARSE_DOCUMENT pour traiter des documents via une simple fonction SQL (OCR, parsing, chunking), un mode optimisé pour AI.CLASSIFY et AI.IF offrant une réduction de 230x des tokens consommés par rapport à un traitement ligne par ligne, des embeddings Gemma natifs, et un hybrid search unifiant recherche sémantique et full-text pour les architectures RAG.
Enfin, sur les expériences agentiques, la Conversational Analytics est en disponibilité générale : les équipes interrogent leurs données complexes en langage naturel, directement depuis BigQuery Studio, Data Studio ou Gemini Enterprise. Le Data Science Agent et le Data Engineering Agent, tous deux en GA, permettent respectivement de lancer des analyses complètes et de construire des pipelines Dataform depuis des objectifs formulés en anglais. Le Fluid Scaling passe également en GA, avec une facturation à la seconde et jusqu'à 34 % d'économies sur les workloads variables, tandis que la vitesse des requêtes a progressé de 35 % en un an et les coûts de traitement ont reculé de 40 %.
15/05/2026
