Predictable AI spend in BigQuery: Introducing cost management for generative AI functions
The generative AI functions in BigQuery (AI.GENERATE, AI.IF, AI.CLASSIFY, AI.SCORE, and more) bring large language models (LLMs) directly into your SQL, so a single query can classify millions of support tickets or score each product review for sentiment.
The generative AI functions in BigQuery (AI.GENERATE, AI.IF, AI.CLASSIFY, AI.SCORE, and more) bring large language models (LLMs) directly into your SQL, so a single query can classify millions of support tickets or score each product review for sentiment.
We recently announced the general availability (GA) of token-based cost management for BigQuery generative AI functions: daily quotas that let administrators set self-serve guardrails on AI token consumption, so teams can innovate while staying within your budget. In this blog, we provide an overview of cost management for BigQuery generative AI functions, walk through a few practical examples, and share resources to help you get started. Let’s jump in.
Quotas for managing costs Four daily quotas, managed through the Google Cloud Identity and Access Management (IAM) quota system, provide controls at the project level and the per-user level. Per-user limits apply to each user within a project, not across your organization.
The quotas are global. Usage is summed across all regions, so costs can't pile up unnoticed in a region you weren't watching.
Output quotas include "thinking" tokens. Reasoning tokens count toward your output quota, just as they count toward your Gemini platform bill.
Which functions are covered? The quotas apply to these BigQuery functions that perform LLM-backed generation:
In context
- Topic: Datos y Analítica — Gobierno del dato, calidad, analítica y productos de datos.
- Source: Google Cloud Blog
- Published: 14/10/2026
Continue reading at the original source →
Excerpt published automatically by the site radar. The full text belongs to its publisher and is linked above.
Por qué importa
En datos, el problema casi nunca es la herramienta: es que dos áreas llaman cliente a cosas distintas y ninguna quiere ceder. Se puede montar la plataforma más moderna del mercado y seguir teniendo tres cifras de ventas en la misma reunión.
Yo miro el linaje antes que el gráfico: de dónde sale cada número, quién lo puede cambiar y qué pasa si el sistema origen se cae. Si nadie puede responder esa cadena en dos minutos, el tablero está mostrando confianza que no se ganó.
Lo que suele salir mal
Lo que más veo fallar es el mantenimiento del tablero. Se construye con mucho cuidado, se usa tres meses, y después cambia una regla de negocio que nadie avisó al área de datos. El número sigue saliendo, ya no significa lo mismo, y las decisiones se toman igual sobre un dato que se volvió falso.
Qué mirar
- Qué decisión concreta cambia con esto y quién la toma: sin eso, es un tablero más.
- Si las definiciones están acordadas entre áreas o cada una trae la suya a la reunión.
- De dónde viene el dato y qué pasa cuando el sistema origen cambia o falla.
Cómo leo esta entrada
Yo lo usaría para revisar el ciclo completo, desde que el dato se captura hasta que alguien actúa. Casi siempre el problema no está en la analítica sino al principio: alguien llenando un campo a mano, sin validación, con prisa y sin saber para qué se usa después.
La noticia original está publicada en otro idioma; acá se cita el extracto tal como lo entrega el medio y el comentario se escribe en español.
Comentarios
Todavía no hay comentarios. El primero puede ser el tuyo.
¿Lo estás viviendo en tu equipo?
Abrí el chat y contame cómo lo están manejando. Me interesa comparar notas.
