Lograr que un agente de IA funcione ya no es lo difícil. Puedes conectar un loop de generación aumentada por recuperación (RAG) a un endpoint de modelo, darle dos herramientas y tener algo convincente corriendo antes del almuerzo. Donde se van los meses es en lograr que ese mismo agente pase una revisión de seguridad y entre en un presupuesto que alguien esté dispuesto a aprobar.
Databricks Agent Bricks está diseñado para ese segundo problema. Traslada el trabajo que rodea a un agente a la plataforma de Databricks, de modo que la elección del modelo, la recuperación, la memoria y la aplicación de políticas corren sobre Unity Catalog, la misma capa de gobernanza que ya decide quién puede leer tus tablas.
TL;DR
- Databricks Agent Bricks es una plataforma para construir, ejecutar y gobernar agentes de IA en producción sobre tus propios datos.
- Databricks reporta que el loop del agente en sí es "apenas el 1% del trabajo" en los más de 100,000 agentes construidos en su plataforma. El despliegue, la seguridad, la evaluación, el monitoreo, el contexto y el costo son el otro 99%.
- Agent Bricks organiza ese trabajo en tres partes. Choice es qué modelos y frameworks puedes usar, Context es lo que el agente realmente sabe y Control es lo que el agente tiene permitido hacer.
- Para ejecutarlo necesitas Unity Catalog, cómputo serverless, el toggle de preview de Mosaic AI Agent Bricks y una política de uso serverless.
¿Por qué los agentes empresariales se estancan antes de llegar a producción?
El loop del agente es la parte que los equipos resuelven bien. Todo lo que lo rodea es donde los agentes empresariales se estancan. Tras más de 100,000 agentes construidos en su plataforma, Databricks estima que el loop central del agente representa "apenas el 1% del trabajo", y el otro 99% se va en "la deuda técnica oculta de los sistemas agénticos: capacidad de tokens, despliegue, seguridad, evaluación, monitoreo, contexto y uso compartido."
Todos los puntos de esa lista aparecen cuando la demo ya funciona. Tienes un asistente corriendo en tu propia laptop, y entonces empiezan las preguntas.
- ¿A qué modelo recurre cuando el proveedor principal te limita las solicitudes?
- ¿Quién tiene permitido invocar la herramienta que escribe en tablas de producción?
- ¿Cómo sabes si sus respuestas mejoraron después del cambio de prompt de la semana pasada?
- ¿Qué pasa con el estado de la conversación cuando el proceso de serving se reinicia?
- ¿A qué presupuesto se carga el gasto en tokens?
Nada de eso es el loop del agente, y todo eso se interpone entre tú y producción.
Un post de la comunidad de Databricks de julio de 2025 es más directo: llama al salto de prototipo a producción "el lugar donde los proyectos de IA van a morir." El mismo artículo, publicado por la comunidad, señala como culpables la complejidad, la evaluación débil, el costo creciente, las brechas de gobernanza y las herramientas dispersas.
Agent Bricks es la respuesta de Databricks a ese 99%, es decir, se encarga del despliegue, la seguridad, la evaluación, el monitoreo y el costo fuera del loop del agente. Está diseñado para que ese trabajo forme parte de la plataforma de Databricks, donde ya corren tus datos.
¿Qué es Databricks Agent Bricks?
Agent Bricks es la plataforma de Databricks para construir, ejecutar y gobernar agentes de IA en producción sobre tus propios datos. La infraestructura que esos agentes necesitan viene incluida con la plataforma.
Databricks lo lanzó en el Data + AI Summit el 11 de junio de 2025 en Beta, y el acceso sigue detrás de un toggle de preview del workspace que un administrador debe activar. Databricks reporta que desde entonces se han construido más de 100,000 agentes, que hoy procesan más de mil billones de tokens al año, y menciona a AstraZeneca, 7-Eleven, Fox Corporation y Block entre sus clientes.
La diferencia con un framework de agentes de propósito general está en dónde vive la maquinaria circundante. Con un framework, eliges un proveedor de modelos, conectas un vector store, agregas una librería de orquestación, construyes la evaluación y el tracing, y mantienes la gobernanza coherente en todo eso por tu cuenta. Agent Bricks trata el acceso a modelos, el contexto de datos y la aplicación de políticas como servicios de plataforma que se apoyan en Unity Catalog, que ya contiene los permisos y el linaje de las tablas que tus agentes leen.
Así, el acceso del agente a los datos es el acceso del usuario que hace la solicitud, aplicado por el mismo catálogo que gobierna todo lo demás. No hay un segundo modelo de permisos que mantener.
¿Cómo cubre Agent Bricks el 99%?
Choice, Context y Control son los tres problemas en torno a los cuales Databricks organiza la plataforma. Choice resuelve el problema de quedar atado a un solo modelo o un solo framework. Context resuelve el de los agentes que no pueden acceder a tus definiciones de negocio y documentos. Control resuelve el de los agentes con más privilegios que supervisión.
Choice: qué modelos y frameworks puedes usar
No estás atado a un solo modelo ni a un solo framework de agentes. Databricks construye pensando en la "diversidad de modelos para lograr el equilibrio adecuado entre calidad y latencia."
Un subagente que solo enruta preguntas al especialista correcto no necesita el mismo modelo que redacta la respuesta final. Pagar precios de modelos de frontera por ambos es una fuente común de gasto evitable.
Entre los modelos a los que puedes acceder a través de Agent Bricks están OpenAI, Anthropic, Gemini, Qwen, Kimi y Grok. En cuanto a frameworks, Databricks afirma que soporta "cualquier agent harness que los desarrolladores quieran usar, desde frameworks open source como LangGraph, Agno o CrewAI hasta harnesses como el Claude Code SDK o los OpenAI Agent SDKs."
Si ninguno de los modelos disponibles encaja, AI Runtime te permite entrenar modelos de lenguaje de gran escala (LLMs) personalizados con tus propios datos. Databricks menciona a Merck y First American entre los clientes que ya lo hacen.
Context: lo que el agente realmente sabe
El contexto es todo lo que un agente alcanza más allá de los pesos del propio modelo: tus herramientas, tus definiciones de negocio, tus documentos y lo que recuerda de momentos anteriores de la conversación. Databricks describe los LLMs como "potentes máquinas de razonamiento" que "necesitan la capacidad de recuperar y procesar el contexto correcto para tomar decisiones correctas para el negocio." Un modelo que devuelve el número correcto desde la tabla equivocada es el caso más difícil de detectar, porque la respuesta se ve bien.
Las herramientas llegan al agente a través de Unity Catalog, que es lo que decide quién puede usar cada herramienta. Los conectores OAuth gestionados implementan el Model Context Protocol (MCP), un estándar abierto para exponer herramientas y datos a los modelos, y Databricks los usa para "conectar de forma segura servicios externos como GitHub, Atlassian y Glean como herramientas gobernadas." Asignas permisos a una herramienta una sola vez y cada agente que la invoca hereda ese permiso, lo que te ahorra configurar credenciales en cada agente por separado.
Genie Ontology lleva tus definiciones de negocio a la vista que el agente tiene de los datos. Document Intelligence analiza, extrae, clasifica y gobierna documentos mediante funciones de IA nativas de SQL, lo que convierte contratos y PDFs en algo que puedes consultar. Y la memoria de agentes respaldada por Lakebase proporciona "memoria, historial de conversaciones y estado" para flujos de trabajo de larga duración. En la página del producto Lakebase, eso significa que las sesiones de chat y los mensajes de un agente persisten, de modo que "los usuarios pueden retomar conversaciones y tu agente puede razonar sobre turnos anteriores entre despliegues."
El contexto no te sirve de nada si la recuperación es lenta o escanea más datos de los necesarios, y eso nos lleva de vuelta a cómo están organizados los datos en las tablas que leen los agentes.
Databricks reporta que anclar los agentes en este contexto de negocio ofrece "un 70% más de precisión que el RAG estándar y una mejora del 30% en flujos de trabajo de varios pasos," y atribuye la ganancia a la combinación de los metadatos de Unity Catalog y Genie Spaces.
Genie Ontology es uno de los cuatro productos Genie, y todos facturan tanto por uso de LLM como por cómputo. Descarga nuestro ebook gratuito, Databricks Genie Explained, para ver qué hace cada uno y cuánto cuesta.
Control: lo que el agente tiene permitido hacer
El control abarca lo que un agente puede hacer, una pregunta más amplia que lo que puede ver. La diferencia importa sobre todo cuando un agente puede escribir, porque una mala lectura filtra datos, pero una mala escritura los modifica.
Los agentes son "algunos de los actores con más privilegios en una empresa, con acceso a datos sensibles," según la propia evaluación de Databricks.
Unity AI Gateway es la capa que hace cumplir las políticas. Los agentes heredan la identidad del usuario solicitante mediante on-behalf-of token passing, de modo que la identidad se aplica de extremo a extremo, sin que una cuenta de servicio sustituya al usuario. Los guardrails detectan información de identificación personal, contenido inseguro, prompt injection, exfiltración de datos y alucinaciones.
Más allá del acceso, las políticas de servicio contextuales controlan las acciones. Están en Beta, así que espera cambios. Las defines en SQL como funciones de Unity Catalog, y pueden permitir, denegar o requerir aprobación para operaciones como "modificar archivos, hacer push de código, acceder a sistemas empresariales o interactuar con información sensible." Las políticas se aplican según el usuario, el agente, el modelo, el servicio MCP, la herramienta invocada o el contenido de la solicitud y la respuesta. Si quieres que un humano dé el visto bueno antes de que un agente haga push a un repositorio de producción, lo escribes como política y la plataforma la hace cumplir.
El tracing unificado captura las interacciones con los modelos y la actividad de las herramientas MCP en una sola capa de telemetría gobernada. Los traces llegan al Lakehouse para su análisis y a Lakewatch, el producto agéntico de gestión de información y eventos de seguridad (SIEM) de Databricks, para su investigación.
El control también cubre el gasto. Unity AI Gateway soporta presupuestos y topes de gasto estrictos que "detienen automáticamente las solicitudes cuando se exceden los presupuestos." Ese control es real, y se detiene en un límite específico, que retomamos más abajo en la sección sobre visibilidad de costos.
¿Qué necesitas para ejecutar Agent Bricks?
Tu workspace necesita cuatro cosas.
- Unity Catalog habilitado. Si todavía no has montado esa capa, empieza por qué es Unity Catalog y cuánto cuesta.
- Cómputo serverless disponible. Databricks lo habilita por defecto en los workspaces con Unity Catalog en una región soportada.
- El preview de Mosaic AI Agent Bricks activado. Un administrador del workspace lo hace desde el panel de Previews.
- Acceso a una política de uso serverless. La documentación de Knowledge Assistant lo expresa como "acceso a una política de uso serverless con un presupuesto distinto de cero."
Ese cuarto requisito es el que frena a la gente. Dice "presupuesto distinto de cero", y no hay ningún monto que ingresar. Las políticas de uso serverless son "etiquetas que se aplican a cualquier actividad de cómputo serverless", lo que un empleado de Databricks confirmó en un hilo de la comunidad: son "mecanismos de etiquetado para la atribución de costos, no topes de gasto." Crea la política en Settings, luego Compute y después Serverless budget policies, y asigna a tu usuario el rol User en la pestaña Permissions.
La cobertura por región cambia, así que verifícala antes de comprometerte con una. A agosto de 2026, Agent Bricks corre directamente en nueve regiones de AWS y doce de Azure, con cuatro más en AWS y trece más en Azure detrás de enrutamiento entre geografías. Las listas actuales están en las tablas de disponibilidad de funciones de AWS y Azure, bajo "Agent features availability."
¿Cuáles son los casos de uso reales de Agent Bricks?
Tres productos de Agent Bricks cubren las formas más comunes del trabajo en producción. Knowledge Assistant responde preguntas sobre tus documentos, Document Intelligence extrae su estructura y Supervisor Agent coordina varios agentes a la vez.
Knowledge Assistant responde preguntas fundamentadas en tus documentos. Hawaiian Electric lo usó para reemplazar una implementación open source existente. Su gerente de datos y analítica empresarial, Joel Wasson, reportó que "Agent Bricks superó significativamente a nuestra implementación open source original tanto en las métricas de precisión con LLM-as-judge como en la evaluación humana."
Revisa primero los límites de ingesta. Los archivos de más de 100 MB y los documentos PDF u Office de más de 500 páginas se omiten, y un asistente admite como máximo 10 fuentes de conocimiento.
Document Intelligence convierte documentos no estructurados en campos estructurados. En AstraZeneca, Joseph Roemer, Head of Data & AI, Commercial IT, reportó que "nuestros equipos pudieron analizar más de 400,000 documentos de ensayos clínicos y extraer puntos de datos estructurados, sin escribir una sola línea de código." Ambas citas de clientes provienen del comunicado de lanzamiento de Agent Bricks.
Supervisor Agent coordina un sistema multiagente. Enruta el trabajo entre Genie Agents, endpoints de agentes, funciones de Unity Catalog, servidores MCP y agentes personalizados, de modo que un solo endpoint puede abarcar dominios especializados. Un supervisor admite como máximo 50 agentes, los usuarios finales necesitan acceso explícito a cada subagente con el que interactúan, y la disponibilidad de la búsqueda web depende de la región y de la configuración de seguridad.
¿Qué no te dice Agent Bricks sobre los costos?
Agent Bricks te dice qué personas y qué agentes están gastando tu presupuesto de IA. No te dice de qué workspace, job, clúster o endpoint de model serving proviene ese gasto, y ese punto ciego se amplía a medida que crecen los workloads de agentes.
Unity AI Gateway aplica presupuestos y topes de gasto estrictos, y rastrea el consumo de tokens por usuarios, equipos, aplicaciones y proveedores de modelos. Si tu pregunta es "qué equipo está quemando el presupuesto de modelos", la plataforma te la responde.
Esos presupuestos y topes se aplican a agentes, herramientas, modelos y servicios MCP. No llegan al costo de cómputo por job y clúster que está debajo. Cada ejecución de un agente consume cómputo serverless, donde la infraestructura está incluida en el precio por DBU, y el networking y el almacenamiento que ese workload genera siguen llegando a tu factura de la nube.
Esa segunda capa es la razón por la que construimos SELECT. Cada workload de Databricks genera una capa paralela de gasto en infraestructura de nube que Databricks aprovisiona tras bambalinas, junto con los costos asociados de networking y almacenamiento en la nube. Tu proveedor de nube los factura directamente, los reportes propios de Databricks no los muestran, y el verdadero costo total de propiedad queda fuera de alcance sin herramientas dedicadas.
El model serving es donde más duele, y es exactamente lo que genera Agent Bricks. A medida que Databricks se consolida como plataforma de referencia para el entrenamiento y la inferencia de modelos de IA, vemos que los costos de model serving crecen rápido, con aún menos visibilidad nativa y menos controles que los workloads tradicionales.
Cualquier framework de optimización de costos de Databricks debe conciliar ambas capas. SELECT for Databricks se conecta mediante un service principal de solo lectura y, según reporta DoiT, ajusta las configuraciones de clúster para reducir los costos de todos los workloads hasta en un 30%.
Los equipos que corren Databricks y quieren visibilidad granular de los costos de model serving de IA pueden conectar SELECT en aproximadamente 20 minutos. Agenda una demo.
Preguntas frecuentes
¿Cuál es la diferencia entre Databricks Agent Bricks y Mosaic AI?
Mosaic AI es la capa de productos de IA más amplia de Databricks, que abarca Model Serving, APIs de modelos fundacionales, búsqueda vectorial y la infraestructura de agentes subyacente. Agent Bricks es el producto para construir agentes que funciona sobre esa capa y se encarga del loop, la integración de herramientas, la evaluación y la optimización por ti.
¿Cuáles son los cuatro tipos de agentes de Agent Bricks?
Databricks lanzó Agent Bricks con cuatro tipos de agentes. Knowledge Assistant responde preguntas fundamentadas en datos empresariales, Information Extraction convierte documentos en campos estructurados, Supervisor Agent permite crear sistemas multiagente y Custom LLM Agent transforma texto para tareas personalizadas. Information Extraction pasó después a formar parte de Document Intelligence, la capacidad general de análisis, extracción y clasificación, y por eso este artículo cubre tres formas de trabajo en producción en lugar de cuatro.
¿Agent Bricks soporta LangGraph y otros frameworks?
Sí. Databricks afirma que soporta "cualquier agent harness que los desarrolladores quieran usar", y menciona frameworks open source como LangGraph, Agno y CrewAI, junto con harnesses como el Claude Code SDK y los OpenAI Agent SDKs. Omnigent también está soportado.
¿Cómo maneja Agent Bricks la memoria de los agentes?
Mediante la integración nativa con Lakebase, que según Databricks proporciona "memoria, historial de conversaciones y estado para flujos de trabajo de larga duración." Databricks posiciona Lakebase como almacenamiento persistente para las sesiones de chat y los mensajes de un agente, de modo que "los usuarios pueden retomar conversaciones y tu agente puede razonar sobre turnos anteriores entre despliegues."
¿Cuáles son los requisitos de acceso para Agent Bricks?
Un workspace con Unity Catalog habilitado, cómputo serverless disponible, acceso a Model Serving, acceso a una política de uso serverless y una ubicación en una región soportada. Un administrador del workspace también debe activar el preview de Mosaic AI Agent Bricks.
¿Cuántos agentes se han construido en Agent Bricks?
Databricks reporta que se han construido más de 100,000 agentes desde el lanzamiento en junio de 2025, que procesan más de mil billones de tokens al año.