Google Cloud amplia suporte a modelos semânticos no Knowledge Catalog e liga tudo em um único context graph

O Google Cloud anunciou a disponibilidade geral do suporte ampliado a modelos semânticos no Knowledge Catalog. A tese é simples: o agente de IA que erra a receita líquida (contou pedidos cancelados e usou uma tabela de staging não validada) não falhou por causa do modelo. Falhou porque não conhecia o negócio, e as definições costumam estar presas em Looker, dbt, Snowflake, Databricks ou SAP.

O catálogo agora ingere nativamente seis fontes: Looker LookML (com Live sync a partir do Looker Core), BigQuery Graph (incluindo BigQuery measures), dbt MetricFlow, Snowflake Semantic Views via Horizon Catalog, Databricks Metric Views via Unity Catalog e SAP CSN via SAP Business Data Cloud. Tudo entra no mesmo context graph, onde tabelas, modelos semânticos, termos de glossário e data products são nós, e lineage, chaves de schema, joins extraídos do histórico de consultas e join paths declarados são arestas. Não há movimentação de dados nem reescrita da lógica em outra linguagem. Definições conflitantes não são sobrescritas: aparecem lado a lado, com a procedência, para o data steward decidir. A fonte cita benchmarks internos de quase 4X mais precisão, até 33% menos latência e até 75% menos tokens. São números do próprio Google. O Knowledge Studio, para explorar e empacotar context sets, segue em preview.

Em 22 de outubro de 2026, o CEVIU noticiou "Google Cloud lança em preview enriquecimento de contexto com autoaprendizado no Knowledge Catalog", com o self-learning enrichment e a nova experiência do Knowledge Studio. Sete dias depois, o foco muda: a camada de modelos semânticos chega à disponibilidade geral, enquanto o Knowledge Studio continua em preview. Em 17 de junho de 2026, o CEVIU já havia coberto "Google lança formato aberto de conhecimento para IA e integra ao Knowledge Catalog", e em 1 de julho de 2026, "Conversational Analytics no BigQuery entra em disponibilidade geral com integração ao Gemini". Este último agora aparece como um dos consumidores do grounding do catálogo.

Para quem opera plataformas de dados com mais de uma ferramenta de BI ou métricas, a leitura é que o catálogo tenta virar a camada onde as definições de negócio se encontram, em vez de exigir uma semântica única. O ganho prático seria expor conflitos de métrica antes que um agente os consuma. Os ganhos de precisão e custo vêm de benchmarks internos, então vale reproduzir com as suas próprias métricas antes de apostar.