Google ha anunciado que Data Agent Kit está disponible de forma general. Es una colección gratuita de herramientas del Model Context Protocol (MCP) y de skills de agente escritas por Google que conectan más de 15 servicios de Google Data Cloud con agentes de código. Si ya trabajas con un agente en el IDE o en la terminal, ahora puede hablar directamente con tus datos en GCP.
Qué cambia
Según el resumen semanal de Google Data Cloud (5–9 de octubre), el kit permite a desarrolladores y perfiles de datos inspeccionar esquemas, escribir consultas y construir pipelines de datos de extremo a extremo en lenguaje natural, desde el IDE o la CLI. Los entornos soportados que cita Google son VS Code, Antigravity, Cursor, Claude Code y Codex.
Lo que ofrece son dos piezas: servidores MCP, que exponen operaciones de los servicios como herramientas que el agente puede invocar, y skills, que son instrucciones reutilizables para tareas concretas. El kit es gratuito; la página que he consultado no detalla nombres de herramientas, instalación ni límites de uso, así que conviene leer la documentación del producto antes de decidir nada.
Por qué importa en producción
Un agente con acceso a tu almacén de datos es útil, pero es también un cliente más con permisos. Tres cosas me preocupan como SRE:
- Alcance de credenciales: el agente actuará con la identidad que le des. Si es la tuya, hereda todo lo que tú puedes ver y borrar.
- Coste: una consulta generada en lenguaje natural puede escanear mucho más de lo que esperas. Sin cuotas ni límites por consulta, el agente puede gastar dinero rápido.
- Reproducibilidad: los pipelines que nacen de una conversación necesitan acabar en código versionado y revisado, no vivir en el historial del chat.
Lo positivo es que un estándar abierto como MCP reduce el acoplamiento: la misma integración sirve para varios agentes.
Qué haría yo
- Probarlo primero en un proyecto de sandbox con datos no sensibles.
- Crear una cuenta de servicio dedicada con roles de solo lectura y, si hace falta escribir, limitada a un dataset concreto.
- Poner límites de bytes facturados por consulta y alertas de presupuesto en el proyecto.
- Tratar cualquier pipeline o SQL generado como código: a un repositorio, con revisión y pruebas.
- Revisar los registros de auditoría para ver qué hace realmente el agente.
# Example: a read-only service account for the agent (adapt names to your project)
gcloud iam service-accounts create data-agent-ro
gcloud projects add-iam-policy-binding MY_PROJECT \
--member="serviceAccount:data-agent-ro@MY_PROJECT.iam.gserviceaccount.com" \
--role="roles/bigquery.dataViewer"Mi opinión: es una buena noticia para quien ya usa agentes, siempre que se trate como una integración con permisos y coste, no como un juguete.