Snowflake impulsa la interoperabilidad Iceberg para AI agents con la “teoría Spider-Man” de gobernanza
Snowflake está apostando a que el mayor freno para escalar AI agents no está en los modelos, sino en la interoperabilidad Iceberg para AI agents: datos limpios, accesibles y, sobre todo, gobernados de forma consistente para reducir costes de tokens y mejorar el contexto con el que operan los agentes. La tesis la defendió James Rowland-Jones, director de product management en Snowflake, al explicar que sin una capa de gobierno unificada, el acceso ampliado a datos puede convertirse en un riesgo operativo y de compliance.
La compañía quiere empujar un “stack interoperable completo” alrededor del formato de tablas abierto Apache Iceberg, con un enfoque explícito en estándares que permitan que múltiples motores de cómputo lean y escriban sobre la misma base de datos, evitando copias duplicadas y fragmentación de políticas. En esa visión, la interoperabilidad Iceberg para AI agents es un habilitador de rendimiento: menos ambigüedad en el contexto, menos llamadas innecesarias y una recuperación de información más precisa.
Interoperabilidad Iceberg para AI agents: el dato como cuello de botella
Rowland-Jones enmarcó el momento actual como una convergencia entre “data-powered AI platforms” y “AI powered data platforms”. En ambos casos, la condición previa es que los agentes puedan llegar “muy fácilmente” al dato correcto, con semántica estable y control de acceso, porque en un escenario multi-tool y multi-cloud el acceso irregular o mal gobernado degrada tanto la calidad de las respuestas como el coste de operación.
Según Snowflake, el objetivo es minimizar la necesidad de mover datos hacia el motor o hacia el modelo, y priorizar que el ecosistema se conecte a una única fuente de verdad. Esa aproximación apunta a un patrón cada vez más demandado en enterprise: un data lake/lakehouse en object storage con múltiples engines (por ejemplo Spark) operando sobre el mismo layout y metadatos, sin bloquear al cliente en un único proveedor.
La “teoría Spider-Man”: más acceso, más responsabilidad
El directivo lo resumió con una idea simple: si se le da a un agente (o a un usuario) acceso directo al dato, ese acceso debe poder ejercerse de forma responsable. Para Snowflake, esa “Spider-Man story” aplica especialmente a AI agents que actúan sobre datos sensibles o regulados, donde el riesgo no es solo la exfiltración, sino decisiones automáticas basadas en información incompleta, desactualizada o fuera de contexto.
En ese punto, Snowflake sitúa como pieza clave la especificación Iceberg REST catalog y su uso de credenciales seguras de proveedores, como base para un acceso “technology-neutral” basado en estándares. La tesis: abrir el acceso al dato sin renunciar al gobierno.
Multi-reader, multi-writer sin depender del engine
La arquitectura que describe Snowflake combina un formato interoperable (Iceberg), un mecanismo estándar de catálogo (Iceberg REST) y capas de gobernanza/catálogo en su propio stack (mencionando Horizon Catalog y un enfoque alineado con Apache Polaris) para habilitar acceso multi-reader y multi-writer. En la práctica, Snowflake quiere que los clientes puedan usar sus capacidades de gobernanza mientras permiten que otros engines accedan directamente al mismo dato en object storage (por ejemplo Amazon S3), independientemente de si el cómputo pasa por Snowflake o por terceros como Apache Spark.
El mensaje se condensa en una frase: “interoperability without compromise”. Es decir, interoperabilidad sin sacrificar control, auditoría y políticas.
Roadmap: Iceberg v3, catálogo y almacenamiento gestionado
En su hoja de ruta, Snowflake incluye la disponibilidad general (GA) del soporte de Iceberg v3, lecturas y escrituras interoperables para cualquier engine a través de Snowflake Horizon Catalog, y una capacidad de almacenamiento gestionado por Snowflake para tablas Iceberg. La empresa afirma que ya ofrece una public preview de Iceberg v3 y que busca una implementación amplia de la especificación dentro del ecosistema.
Además, Rowland-Jones insistió en que la estrategia pasa por contribuir activamente al upstream: “open source is a two-way street”, en línea con el objetivo de acelerar adopción y compatibilidad entre proveedores.
Por qué esto importa para el mercado de AI agents
La discusión sobre agentes suele centrarse en modelos, tool use y orchestration, pero Snowflake está moviendo el foco a la capa de datos: si el contexto llega contaminado, duplicado o sin control, el agente falla o se vuelve caro. Bajo esa lógica, la interoperabilidad Iceberg para AI agents no es un detalle de infraestructura, sino una condición para escalar agentes en entornos regulados, con múltiples equipos, múltiples engines y requisitos de gobernanza end-to-end.
Para más contexto técnico, Snowflake detalla su enfoque de interoperabilidad y estándares en su blog oficial: Snowflake (oficial) sobre data interoperability. Las especificaciones del formato abierto y su evolución pueden consultarse en el proyecto: Apache Iceberg (proyecto oficial).
Con el auge de plataformas agentic y workloads de RAG, el debate ya no es solo qué modelo usar, sino qué capa de datos permite operar con seguridad, trazabilidad y eficiencia. Y ahí Snowflake quiere posicionarse con una narrativa clara: interoperabilidad Iceberg para AI agents como pilar para rendimiento, reducción de costes y responsabilidad en el acceso al dato.
