La IA empresarial tiene un problema de datos. A pesar de miles de millones de inversiones y modelos de habla cada vez más capaces, la mayoría de las organizaciones todavía no pueden objetar preguntas analíticas básicas sobre sus repositorios de documentos. El culpable no es la calidad del maniquí sino la cimentación: tradicional recuperación de procreación aumentada (RAG) los sistemas fueron diseñados para recuperar y resumir, no analizar y anexar grandes conjuntos de documentos.

Snowflake está abordando esta obstáculo de frente con una logística de plataforma integral anunciada en su conferencia BUILD 2025. La compañía presentó Snowflake Intelligence, una plataforma de agentes de inteligencia empresarial diseñada para armonizar el exploración de datos estructurados y no estructurados, adyacente con mejoras de infraestructura que abarcan la integración de datos con flujo campechanoconsolidación de bases de datos con Postgres de copo de cocaína y exploración en tiempo efectivo con tablas interactivas. El objetivo: eliminar los silos de datos y los cuellos de botella arquitectónicos que impiden a las empresas poner en funcionamiento la IA a escalera.

Una innovación secreto es Agentic Document Analytics, una nueva capacidad internamente de Snowflake Intelligence que puede analizar miles de documentos simultáneamente. Esto hace que las empresas pasen de realizar búsquedas básicas como "¿Cuál es nuestra política de restablecimiento de contraseña?" a consultas analíticas complejas como "Muéstreme un recuento de menciones semanales por ámbito de producto en mis tickets de atención al cliente durante los últimos seis meses."

El cuello de botella de RAG: por qué el muestreo equivocación para el exploración

Los sistemas RAG tradicionales funcionan incrustando documentos en representaciones vectoriales, almacenándolos en una pulvínulo de datos vectorial y recuperando los documentos semánticamente más similares cuando un heredero hace una pregunta.

"Para que RAG funcione, es necesario que todas las respuestas que está buscando ya existan de alguna forma publicada hoy." Jeff Hollan, cabecilla de agentes de Cortex AI en Snowflake, explicó a VentureBeat durante una rueda de prensa. "El patrón que pienso con RAG es como un bibliotecólogo, recibes una pregunta y te dice: ‘Este tomo tiene la respuesta en esta página específica’."

Sin incautación, esta cimentación se rompe fundamentalmente cuando las organizaciones necesitan realizar exploración agregados. Si, por ejemplo, una empresa tiene 100.000 informes y quiere identificar todos los informes que hablan de una entidad comercial específica y resumir todos los ingresos discutidos en esos informes, esa es una tarea no trivial.

"Esto es poco mucho más difícil que el tradicional RAG." dijo Hollan.

Esta obstáculo normalmente ha obligado a las empresas a prolongar canales de exploración separados para datos estructurados en almacenes de datos y datos no estructurados en bases de datos vectoriales o almacenes de documentos. El resultado son silos de datos y desafíos de gobernanza para las empresas.

Cómo funciona de forma diferente Agentic Document Analytics

El enfoque de Snowflake unifica el exploración de datos estructurados y no estructurados internamente de su plataforma al tratar los documentos como fuentes de datos consultables en empleo de objetivos de recuperación. El sistema utiliza IA para extraer, orquestar e indexar el contenido de los documentos de forma que permitan operaciones analíticas similares a SQL en miles de documentos.

La capacidad aprovecha la cimentación existente de Snowflake. Cortex AISQL maneja el exploración y la ascendencia de documentos. Las tablas y almacenes interactivos ofrecen un rendimiento de consultas en menos de un segundo en grandes conjuntos de datos. Al procesar documentos internamente de la misma plataforma de datos gobernada que alberga datos estructurados, las empresas pueden unir conocimientos de documentos con datos transaccionales, registros de clientes y otra información comercial.

"El valía de la IA, el poder de la IA, la productividad y el potencial disruptivo de la IA se crean y habilitan al conectarse con datos empresariales." dijo Christian Kleinerman, vicepresidente ejecutante de producto de Snowflake.

La cimentación de la empresa mantiene todo el procesamiento de datos internamente de sus límites de seguridad, abordando las preocupaciones de gobernanza que han ralentizado la asimilación de la IA empresarial. El sistema funciona con documentos de múltiples fuentes. Estos incluyen archivos PDF en SharePoint, conversaciones de Slack, datos de Microsoft Teams y registros de Salesforce a través de las capacidades de integración de copia cero de Snowflake. Esto elimina la falta de extraer y mover datos a sistemas de procesamiento de IA separados.

Comparación con los enfoques actuales del mercado

El anuncio posiciona a Snowflake de forma diferente tanto de los proveedores tradicionales de almacenamiento de datos como de las nuevas empresas nativas de IA.

Empresas como Databricks se han centrado en admitir capacidades de IA a los lagos, pero normalmente todavía dependen de bases de datos vectoriales y patrones RAG tradicionales para datos no estructurados. La API Assistants de OpenAI y Claude de Anthropic ofrecen exploración de documentos, pero están limitadas por el tamaño de las ventanas de contexto.

Los proveedores de bases de datos vectoriales como Pinecone y Weaviate han creado negocios en torno a casos de uso de RAG, pero a veces enfrentan desafíos cuando los clientes necesitan consultas analíticas en empleo de consultas basadas en recuperación. Estos sistemas destacan por encontrar documentos relevantes, pero no pueden anexar fácilmente información en grandes conjuntos de documentos.

Entre los casos de uso secreto de parada valía que antiguamente eran difíciles con las arquitecturas exclusivas de RAG y que Snowflow destaca por su enfoque se encuentra el exploración de atención al cliente. En empleo de revisar manualmente los tickets de soporte, las organizaciones pueden consultar patrones en miles de interacciones. Preguntas como "¿Cuáles son los 10 principales problemas de productos mencionados en los tickets de soporte de este trimestre, desglosados ​​por segmento de clientes?" Conviértete en responsable en segundos.

Qué significa esto para la logística de IA empresarial

Para las empresas que crean estrategias de IA, Agentic Document Analytics representa un cambio desde el "inquirir y recuperar" molde de RAG a un "consultar y analizar" molde más normal de las herramientas de inteligencia empresarial.

En empleo de implementar bases de datos vectoriales y sistemas RAG separados para cada caso de uso, las empresas pueden consolidar el exploración de documentos en su plataforma de datos existente. Esto reduce la complejidad de la infraestructura y al mismo tiempo extiende las prácticas de inteligencia empresarial a datos no estructurados.

La capacidad todavía democratiza el golpe. Hacer que el exploración de documentos sea consultable a través del habla natural significa que los conocimientos que antiguamente requerían los equipos de ciencia de datos estarán disponibles para los usuarios empresariales.

Para las empresas que buscan liderar en IA, la preeminencia competitiva no proviene de tener mejores modelos de habla, sino de analizar datos propietarios no estructurados a escalera adyacente con datos comerciales estructurados. Las organizaciones que puedan consultar todo su corpus de documentos con la misma facilidad con la que consultan su almacén de datos obtendrán información que los competidores no pueden replicar fácilmente.

"La IA es una existencia hoy," Dijo Kleinerman. "Tenemos muchas organizaciones que ya están obteniendo valía de la IA, y si determinado todavía está esperando o sentado al beneficio, nuestro llamado a la movimiento es comenzar a construir ahora."