Databricks afirma que su asistente de IA interno triplicó el uso de datos entre los profesionales de marketing
Databricks afirma que su asistente de análisis con IA, Marge, construido sobre Genie Agents, triplicó el uso de datos de marketing con una adopción interna superior al 85%.
Respuesta rápida
{"duration_api_ms":2994,"stop_reason":"end_turn","session_id":"16132047-2fd8-475b-899b-cce0f882c793","total_cost_usd":0.0033202,"usage":{"input_tokens":2,"cache_creation_input_tokens":0,"cache_read_input_tokens":9031,"output_tokens":36,"output_tokens_details":{"thinking_tokens":0},"server_tool_use":{"web_search_requests":0,"web_fetch_requests":0},"service_tier":"standard","cache_creation":{"ephemeral_1h_input_tokens":0,"ephemeral_5m_input_tokens":0},"inference_geo":"not_available","iterations":[{"input_tokens":2,"output_tokens":36,"cache_read_input_tokens":9031,"cache_creation_input_tokens":0,"cache_creation":{"ephemeral_5m_input_tokens":0,"ephemeral_1h_input_tokens":0},"type":"message"}],"speed":"standard"},"modelUsage":{"claude-haiku-4-5-20251001":{"inputTokens":1070,"outputTokens":16,"cacheReadInputTokens":0,"cacheCreationInputTokens":0,"webSearchRequests":0,"costUSD":0.00115,"contextWindow":200000,"maxOutputTokens":32000,"thinkingTokens":0,"canonicalModel":"claude-haiku-4-5","provider":"firstParty","costBasis":"list"},"claude-sonnet-5":{"inputTokens":2,"outputTokens":36,"cacheReadInputTokens":9031,"cacheCreationInputTokens":0,"webSearchRequests":0,"costUSD":0.0021702,"contextWindow":1000000,"maxOutputTokens":64000,"thinkingTokens":0,"canonicalModel":"claude-sonnet-5","provider":"firstParty","costBasis":"list"}},"permission_denials":[],"terminal_reason":"completed","fast_mode_state":"off","fast_mode_disabled_reason":"sdk_opt_in_required","subagent_stats":{"spawned":0,"requested":{"background":0,"foreground":0,"unset":0},"started_in_background":0,"max_depth":0,"spawned_by_subagents":0,"completed":0,"failed":0,"killed":{"parent":0,"user":0,"system":0},"refused":{"depth_limit":0,"concurrency_limit":0,"budget":0},"by_type":{}},"is_error":false,"num_turns":1,"subtype":"success","api_error_status":null,"result":"¿Qué anunció Databricks sobre Marge, su asistente interno de análisis de marketing?","ttft_ms":2285,"type":"result","duration_ms":2347,"uuid":"01fe217b-4c06-4343-87e9-fc2a82b16846","ttft_stream_ms":2063,"time_to_request_ms":658,"queued_turn_count":0} Client.listTools() called but server does not advertise tools capability - returning empty list
Databricks afirma que su equipo de marketing desarrolló Marge, un asistente de análisis conversacional basado en Genie Agents, sobre un Marketing Lakehouse gobernado. La compañía informa que los profesionales de marketing ahora recurren a los datos tres veces más a menudo para tomar decisiones, la adopción supera el 85% de la organización de marketing y las respuestas incorrectas señaladas han disminuido un 25%.
Claves
- Databricks afirma haber construido Marge, un asistente de análisis conversacional impulsado por Genie Agents, sobre un Marketing Lakehouse gobernado que comparte datos de marketing, finanzas, ventas y producto.
- La empresa informa que los responsables de marketing utilizan ahora los datos tres veces más a menudo en sus decisiones, con una adopción que supera el 85% de la organización de marketing y un uso que crece un 50% trimestre a trimestre.
- Databricks afirma que Marge gestiona más de 800 preguntas al mes, ha respondido más de 5.000 en total, y que las respuestas incorrectas señaladas han disminuido un 25% a medida que el sistema ha mejorado.
- Según Databricks, el asistente se apoya en Unity Catalog para la gobernanza, la trazabilidad y el control de acceso basado en roles, así como en definiciones de métricas verificadas, consultas de ejemplo y activos confiables revisados por expertos del dominio para garantizar su precisión.
- {"duration_api_ms":2482,"stop_reason":"end_turn","session_id":"35a8693b-474c-41be-a564-0b68701dafa0","total_cost_usd":0.0073384,"usage":{"input_tokens":2,"cache_creation_input_tokens":924,"cache_read_input_tokens":8132,"output_tokens":86,"output_tokens_details":{"thinking_tokens":0},"server_tool_use":{"web_search_requests":0,"web_fetch_requests":0},"service_tier":"standard","cache_creation":{"ephemeral_1h_input_tokens":924,"ephemeral_5m_input_tokens":0},"inference_geo":"not_available","iterations":[{"input_tokens":2,"output_tokens":86,"cache_read_input_tokens":8132,"cache_creation_input_tokens":924,"cache_creation":{"ephemeral_5m_input_tokens":0,"ephemeral_1h_input_tokens":924},"type":"message"}],"speed":"standard"},"modelUsage":{"claude-haiku-4-5-20251001":{"inputTokens":1092,"outputTokens":12,"cacheReadInputTokens":0,"cacheCreationInputTokens":0,"webSearchRequests":0,"costUSD":0.001152,"contextWindow":200000,"maxOutputTokens":32000,"thinkingTokens":0,"canonicalModel":"claude-haiku-4-5","provider":"firstParty","costBasis":"list"},"claude-sonnet-5":{"inputTokens":2,"outputTokens":86,"cacheReadInputTokens":8132,"cacheCreationInputTokens":924,"webSearchRequests":0,"costUSD":0.0061864,"contextWindow":1000000,"maxOutputTokens":64000,"thinkingTokens":0,"canonicalModel":"claude-sonnet-5","provider":"firstParty","costBasis":"list"}},"permission_denials":[],"terminal_reason":"completed","fast_mode_state":"off","fast_mode_disabled_reason":"sdk_opt_in_required","subagent_stats":{"spawned":0,"requested":{"background":0,"foreground":0,"unset":0},"started_in_background":0,"max_depth":0,"spawned_by_subagents":0,"completed":0,"failed":0,"killed":{"parent":0,"user":0,"system":0},"refused":{"depth_limit":0,"concurrency_limit":0,"budget":0},"by_type":{}},"is_error":false,"num_turns":1,"subtype":"success","api_error_status":null,"result":"Databricks afirma que la implementación comenzó con un único caso de uso, el rendimiento de campañas de correo electrónico, antes de expandirse, y que un gerente de BI dedica alrededor de una hora a la semana a mantener el sistema.","ttft_ms":2317,"type":"result","duration_ms":2473,"uuid":"be318f96-58f0-4530-ad12-1f9790ad3bae","ttft_stream_ms":1710,"time_to_request_ms":815,"queued_turn_count":0} Client.listTools() called but server does not advertise tools capability - returning empty list
Databricks afirma que su departamento de marketing desarrolló un asistente interno de analítica basado en inteligencia artificial llamado Marge, que ha triplicado la frecuencia con la que los profesionales de marketing utilizan datos para tomar decisiones.
Según la compañía, Marge es una herramienta de analítica conversacional construida con Genie Agents, respaldada por un "Marketing Lakehouse" gobernado que unifica datos procedentes de plataformas de campañas, analítica web, sistemas CRM, herramientas de eventos, canales publicitarios y datos de ventas. Databricks señala que los equipos de marketing pueden formular preguntas en lenguaje natural, por ejemplo sobre el rendimiento de una campaña de correo electrónico o qué programas influyeron en el pipeline durante un trimestre determinado, y obtener respuestas generadas a partir de datos empresariales gobernados.
Resultados reportados
Databricks reporta los siguientes resultados tras implementar Marge internamente:
- El uso de datos en la toma de decisiones por parte de marketing se ha triplicado
- Más del 85% del departamento de marketing utiliza Marge
- El uso ha crecido un 50% trimestre a trimestre
- Marge gestiona más de 800 preguntas al mes y ha respondido más de 5.000 en total
- Las respuestas incorrectas señaladas han disminuido un 25% a medida que el sistema ha mejorado
- La compañía ha ampliado el acceso a los datos sin incrementar la plantilla de analítica
Cómo dice Databricks que construyó precisión y confianza
Databricks explica que utilizó Unity Catalog para centralizar metadatos, descripciones de tablas, anotaciones de columnas, linaje de datos y controles de acceso, de modo que cada usuario solo ve la información que está autorizado a consultar. La compañía afirma que responsables de marketing y especialistas en datos revisaron y enriquecieron las descripciones generadas por IA con contexto de negocio, como el significado exacto de un lead cualificado por marketing y la forma en que las campañas se corresponden con productos y regiones.
La empresa también asegura que codificó respuestas verificadas y consultas de ejemplo para preguntas frecuentes y de alto valor relacionadas con tasas de conversión, valor de vida del cliente y registro a eventos, revisadas por expertos en cada área. Databricks indica que dotó a Marge de orientación de comportamiento para interpretar terminología de negocio, como reconocer que "spend" e "investment" hacen referencia al mismo campo, denominado "cost", y que instruyó al asistente para que formulara preguntas aclaratorias cuando una solicitud carece de información como el periodo de tiempo, el canal o la región.
Según Databricks, cada respuesta permite a los usuarios enviar comentarios positivos o negativos, que el equipo de analítica de marketing revisa a través de un panel de monitorización, junto con preguntas de referencia contrastadas con respuestas conocidas para evaluar el rendimiento de forma sistemática. La compañía sostiene que esta supervisión es ligera, ya que un responsable de BI dedica aproximadamente una hora semanal a revisar comentarios y mantener Marge.
Cómo dice Databricks que impulsó la adopción
Databricks afirma que trabajó directamente con los equipos de marketing para entender las preguntas que formulaban con mayor frecuencia y el lenguaje que empleaban para describir su trabajo, utilizando esa información para definir los datos, ejemplos e instrucciones configurados en Marge. La compañía señala que comenzó con un caso de uso único y acotado, el rendimiento de las campañas de correo electrónico, empleando únicamente los datos de campaña, destinatarios e interacción necesarios para responder a esas preguntas, antes de ampliar el alcance para incluir información adicional, como datos de cuentas.
Los equipos de marketing acceden a Marge a través de Genie One, que Databricks describe como una experiencia de cotrabajo con IA para usuarios de negocio que combina paneles, Genie Agents, aplicaciones y análisis más profundos, dirigiendo automáticamente cada solicitud al agente adecuado. La compañía indica que también creó agentes especializados para ámbitos como el rendimiento web, la analítica digital y la planificación de marketing, y que un "modo Agente" puede evaluar múltiples pasos para responder a preguntas más complejas.
Fuente: Blog de Databricks, "How Databricks' marketers use data 3x more with Genie, an AI analytics assistant", publicado el 15 de septiembre de 2026.
Preguntas frecuentes
- ¿Qué es Marge?
- Databricks afirma que Marge es su asistente interno de analítica conversacional para el equipo de marketing, desarrollado con Genie Agents y basado en el Marketing Lakehouse de la compañía.
- ¿Qué resultados reporta Databricks del uso de Marge?
- Databricks afirma que los responsables de marketing utilizan datos tres veces más a menudo en sus decisiones, que más del 85% de la organización de marketing usa Marge y que las respuestas incorrectas señaladas han caído un 25%.
- ¿Cómo dice Databricks que mantuvo la precisión de las respuestas de Marge?
- Según Databricks, el equipo documentó las relaciones de datos en Unity Catalog, añadió respuestas verificadas y ejemplos de consultas revisados por expertos del sector, definió la terminología empresarial y llevó a cabo evaluaciones continuas de retroalimentación y comparativas de rendimiento.
- ¿Cómo implementó Databricks Marge entre los profesionales de marketing?
- Databricks afirma que comenzó con un único caso de uso, el rendimiento de las campañas de correo electrónico, involucró a los especialistas en marketing en la configuración de los datos y el lenguaje del asistente, y más tarde se expandió a dominios de datos adicionales.