A proposta: reduzir a operação manual
A Google Cloud afirma que a expansão de workloads gerados por agentes torna inviável o ajuste manual contínuo de consultas. Nesse cenário, o BigQuery é apresentado como uma plataforma capaz de otimizar desempenho e custo de forma autônoma para cargas conduzidas por pessoas e por agentes.
Segundo a empresa, em 2025 o BigQuery registrou melhora de até 35% no desempenho de consultas e redução de até 40% nos custos de processamento, medidos pelo uso de slots. Esses resultados são declarações da fornecedora e não representam uma garantia para todos os ambientes.
Otimizações orientadas pelo histórico
O mecanismo de otimizações baseadas em histórico acompanha estatísticas de tempo de execução de consultas anteriores. Quando uma consulta igual ou semelhante volta a rodar, a plataforma pode aplicar técnicas que tenham demonstrado benefício e evitar abordagens que tenham causado piora.
A Google Cloud informa que esse recurso não requer reescrita de aplicações, alterações de SQL ou mudanças de esquema. A empresa também declara que uma otimização sem ganho significativo, que provoque regressão ou falha, é rejeitada, revogada e deixa de ser usada naquela consulta.
Como exemplo, a fonte cita um cliente empresarial não identificado que relatou queda de até 50% no tempo de execução P90 e redução de até 15% no uso de slots.
Runtime e consultas de baixa latência
O BigQuery advanced runtime é descrito como uma camada que escolhe automaticamente caminhos físicos de execução. Entre os recursos, a Google Cloud destaca a vetorização aprimorada, que pode acelerar consultas elegíveis em até dez vezes e reduzir em até 40% o tempo total de slots.
Para consultas curtas, o conteúdo informa uso de slots até dez vezes menor e latência P99 inferior a um segundo em casos elegíveis. A empresa relata ainda que alguns workloads de clientes tiveram throughput até três vezes maior.
Escalonamento e leitura para gestores
A Google Cloud também apresenta o fluid scaling como um modelo de autoscaling com cobrança por segundo dos slots consumidos. De acordo com a empresa, o recurso reduz custos em até 34%, em média, para workloads com escalonamento automático.
Chen Shalit, identificado como CEO e cofundador da RISE, afirmou que o Fluid Scaling reduziu em 25% o custo de infraestrutura da empresa. A RISE é descrita pela fonte como uma companhia de AdTech que processa mais de 1 PB de dados por dia e gerencia mais de 3 trilhões de lances mensais.
Para gestores, a recomendação editorial é validar essas alegações com métricas do próprio ambiente: tempos de resposta, consumo de slots, volume de consultas recorrentes e custo efetivo. A avaliação deve considerar especialmente as cargas que exigem alta concorrência ou baixa latência.