Databricks Mosaic AI

Databricks Mosaic AI es la suite de productos de IA integrada en la Databricks Data Intelligence Platform, dirigida a equipos empresariales de datos e ingeniería de ML que necesitan un control integral sobre cómo se construyen, ajustan, implementan y gobiernan los modelos de IA. No es un producto de IA independiente: es una capa profundamente integrada sobre Databricks Lakehouse, diseñada para organizaciones que ya ejecutan infraestructura de datos en Databricks y desean extender esa inversión hacia la IA en producción. La marca Mosaic AI tomó su nombre de MosaicML, la startup de IA generativa que Databricks adquirió en julio de 2023 por 1.300 millones de dólares, cuyo equipo aportó el entrenamiento de LLM eficiente en GPU y la familia de modelos MPT al ecosistema de Databricks.

La plataforma abarca seis áreas principales de capacidad: Mosaic AI Agent Framework para crear aplicaciones RAG y basadas en agentes; Mosaic AI Agent Evaluation con jueces de IA automatizados para medir la calidad; Mosaic AI Vector Search, una base de datos vectorial gestionada que se sincroniza automáticamente desde tablas Delta; Mosaic AI Model Serving para implementar agentes y LLM a escala; Mosaic AI Model Training para el ajuste fino (fine-tuning) o preentrenamiento de modelos de código abierto con datos propietarios; y Managed MLflow para el seguimiento de experimentos y MLOps. En junio de 2025, Databricks añadió Unity AI Gateway (una capa de gobernanza centralizada para todos los LLM y servidores MCP) y Agent Bricks (una herramienta automatizada de creación de agentes) en el Data + AI Summit. La plataforma es compatible con modelos de terceros, incluyendo GPT-4, Meta Llama, Anthropic Claude y Mistral, junto con el propio DBRX de Databricks.

Lo que realmente hace Databricks Mosaic AI en mayo de 2026

Mosaic AI está organizada en torno al ciclo de vida completo del desarrollo de IA empresarial, desde los datos sin procesar hasta los agentes en producción. A partir de una tabla de Delta Lake, un equipo de datos puede crear un índice vectorial en Mosaic AI Vector Search que se mantiene sincronizado automáticamente a medida que cambian los datos de origen. Ese índice vectorial alimenta un pipeline RAG construido con el SDK de Agent Framework, que maneja la orquestación de recuperación, la construcción de prompts y la lógica de uso de herramientas. El agente completado se implementa a través de Model Serving, que a mediados de 2025 soporta más de 250.000 consultas por segundo e incluye un motor de inferencia propietario para LLM de código abierto que, según Databricks, se ejecuta hasta 1,5 veces más rápido que una configuración vLLM estándar.

Agent Evaluation proporciona a los equipos jueces de IA que califican las respuestas en función de su exactitud, fundamentación (detección de alucinaciones), relevancia de recuperación, relevancia de la respuesta y seguridad. Una interfaz de revisión humana permite a los expertos en la materia proporcionar comentarios adicionales sin necesidad de tener experiencia en ML. Estas puntuaciones se integran directamente en MLflow para la comparación de experimentos y el control de implementaciones. MLflow 3.0, lanzado en junio de 2025, fue rediseñado desde cero para la IA generativa y ahora rastrea agentes implementados fuera de Databricks, incluyendo sistemas en AWS, GCP y on-premise.

Para los equipos que necesitan modelos personalizados en lugar de inferencia de modelos fundacionales alojados, Model Training se encarga del ajuste fino en clústeres de GPU gestionados sin requerir administración de infraestructura. La reescritura de Storage-Optimized Vector Search en junio de 2025 redujo los costes en un factor de 7x (según la empresa) al tiempo que escalaba a miles de millones de vectores separando las capas de computación y almacenamiento. AI Gateway, también disponible de forma general desde junio de 2025, proporciona conmutación por error automática de proveedores, barreras de seguridad y PII, limitación de velocidad y registro de uso en toda la empresa, enrutable a cualquier LLM o servidor MCP.

Agent Bricks, aún en fase beta a mediados de 2025, adopta un enfoque de más alto nivel: un usuario describe una tarea (extracción estructurada, asistencia de conocimiento, transformación de texto o coordinación multiagente), conecta los datos empresariales y el sistema genera evaluaciones y ajusta el agente automáticamente. Las arquitecturas de agentes compatibles incluyen recuperación de un solo paso, cadenas de razonamiento de múltiples saltos y agentes de llamada a herramientas. FactSet informó de una mejora del 44 % en la precisión tras implementar un agente a través de este stack; Block reportó 10 millones de dólares en ganancias de productividad; Intercontinental Exchange registró un 96 % de precisión en las respuestas.

"Mosaic AI Agent Framework nos ha permitido experimentar rápidamente con LLM aumentados, con la tranquilidad de saber que cualquier dato privado permanece bajo nuestro control. La perfecta integración con MLflow y Model Serving garantiza que nuestro equipo de ingeniería de ML pueda escalar desde una prueba de concepto (POC) hasta la producción con una complejidad mínima". - Director de Analítica, Burberry, blog de Databricks, julio de 2024

"Mosaic AI Agent Framework ha supuesto un cambio radical para nosotros porque nos ha permitido evaluar los resultados de nuestras aplicaciones de GenAI y demostrar la precisión de nuestros resultados manteniendo un control total sobre nuestras fuentes de datos". - VP de Datos e IA, Lippert, blog de Databricks, julio de 2024

Dónde se sitúa Mosaic AI frente a AWS Bedrock y Snowflake Cortex

Las tres plataformas de IA empresarial dominantes a partir de mayo de 2026 son Databricks Mosaic AI, AWS Bedrock y Snowflake Cortex, y difieren arquitectónicamente en aspectos que importan más que las listas de características superficiales.

AWS Bedrock es una puerta de enlace de inferencia gestionada en la infraestructura de Amazon. Ofrece acceso a Claude, Llama, Titan, Mistral y otros modelos de terceros a través de una única API, y Bedrock Knowledge Bases maneja RAG respaldado por Amazon S3 y OpenSearch Serverless. Lo que Bedrock no hace es dar a los equipos control sobre el entrenamiento: el ajuste fino en Bedrock se limita a modelos específicos con acceso restringido a hiperparámetros, y la capa de almacenamiento es S3, que carece de las garantías de transacciones ACID y la aplicación de esquemas de Delta Lake. El modelo operativo de Bedrock es más simple: los equipos no necesitan experiencia en Spark y la facturación es por token de API. La contrapartida es una menor flexibilidad para los equipos que necesitan combinar el ajuste fino con RAG en el mismo pipeline de datos, o que desean ejecuciones de entrenamiento completas en arquitecturas de modelos propietarios. Mosaic AI soporta los cuatro patrones principales de IA (ingeniería de prompts, RAG, ajuste fino, preentrenamiento) en una plataforma unificada; Bedrock es más fuerte en los extremos de inferencia gestionada y RAG.

Snowflake Cortex adopta un enfoque fundamentalmente diferente: la IA como funciones SQL. Cortex expone LLM, incluyendo Llama, Mistral y el propio Arctic de Snowflake, a través de llamadas SQL estándar vía Snowpark, permitiendo a los analistas sin experiencia en Python o ML ejecutar inferencias dentro de las consultas del almacén de datos. Cortex no expone el entrenamiento de modelos, el ajuste fino ni la orquestación de agentes personalizados: la capa del modelo está completamente gestionada por Snowflake. La propia Databricks afirma que las funciones de IA en SQL se ejecutan hasta 3 veces más rápido y con un coste 4 veces menor que "otros proveedores en cargas de trabajo a gran escala" a partir de junio de 2025, un punto de referencia que parece aludir a Cortex. La ventaja de Cortex es la accesibilidad: un analista de SQL puede llamar a un LLM sin escribir una sola línea de Python. La ventaja de Mosaic AI es la profundidad: maneja todo el stack para los equipos que necesitan ser dueños del modelo, no solo llamarlo.

Para los equipos que comparan Mosaic AI con Vertex AI, la diferencia estructural es la capa de datos: Vertex AI está estrechamente acoplado a BigQuery y Vertex AI Feature Store, mientras que Mosaic AI se ejecuta en Delta Lake y Unity Catalog. Ambas plataformas soportan el ajuste fino de modelos de código abierto y el servicio gestionado, pero Mosaic AI cubre una gama más amplia de escenarios de entrenamiento, incluyendo el preentrenamiento completo.

Cómo es la realidad del flujo de trabajo de Mosaic AI

En la práctica, la creación de agentes de producción en Mosaic AI requiere un equipo con experiencia superpuesta: Python o Scala para la ingeniería de datos, SQL para la gestión de tablas Delta, conceptos de ML para la evaluación y el ajuste fino, y optimización de Spark para el control de costes. La plataforma no oculta esta complejidad; la gestiona. Para un equipo que ya posee estas habilidades, la integración es real: la actualización de una tabla Delta se propaga automáticamente a un índice vectorial en vivo sin tocar el agente implementado, lo que supone una auténtica ventaja operativa frente a los stacks en los que los pipelines de datos y el servicio de IA son sistemas desconectados.

La incorporación comienza con la configuración de la gobernanza de Unity Catalog, que la propia documentación de Databricks reconoce que "puede llevar fácilmente meses de cuidadosa planificación". Configurar los permisos de datos, las políticas de clúster y los endpoints de servicio de modelos antes de escribir cualquier lógica de IA supone un coste de tiempo real. Los equipos que se saltan este paso a menudo se encuentran adaptando la gobernanza de forma retroactiva cuando surgen requisitos legales o de cumplimiento, lo que resulta más caro que integrarla desde el principio.

La integración con MLflow es un verdadero punto fuerte. La versión 3.0 convirtió el rastreo de agentes y el control de versiones de prompts en características de primer nivel, y la capacidad de rastrear agentes implementados en cualquier lugar (no solo en Databricks) lo hace útil como capa de observabilidad en un stack híbrido. Los equipos que también utilizan Weights and Biases para el seguimiento de experimentos a veces ejecutan ambos sistemas en paralelo durante el ajuste fino, lo que añade complejidad pero preserva las visualizaciones más ricas de W&B que MLflow aún no replica para las ejecuciones de entrenamiento.

Para quién está diseñado Mosaic AI

Mosaic AI encaja en organizaciones que ya han invertido en Databricks Lakehouse y necesitan extender esa plataforma hacia la IA en producción sin tener que unir un conjunto separado de herramientas. La integración nativa de datos (sincronización automática de Delta Lake con índices vectoriales, gobernanza de Unity Catalog en activos de datos e IA, seguimiento de MLflow desde el entrenamiento hasta la implementación) elimina el impuesto de conectores que pagan los equipos al gestionar sistemas separados para datos, ML y servicio.

Las industrias en las que la plataforma aterriza de forma consistente incluyen los servicios financieros (los requisitos de gobernanza y residencia de datos hacen que la capa de Unity Catalog sea valiosa), la analítica sanitaria y el comercio electrónico y la fabricación a gran escala (Burberry, Lippert, FordDirect, ICE son todos usuarios de producción documentados). Los equipos que necesitan combinar el ajuste fino con RAG en un solo pipeline, en lugar de elegir entre ellos, son los que más se benefician del enfoque unificado.

Lo que no es Mosaic AI

Mosaic AI no es adecuado para equipos pequeños o del mercado medio que no cuentan con ingenieros de ML dedicados y experiencia en Spark certificada por Databricks en su plantilla. La curva de aprendizaje es lo suficientemente pronunciada como para que la reseña de la plataforma eesel.ai la describa como "un acantilado" para los equipos sin una profunda experiencia técnica en los tres dominios requeridos simultáneamente.

No es una plataforma de prototipado rápido. Los equipos informan de que la implementación lleva meses antes de que un sistema de producción esté listo, y solo la configuración de cumplimiento y gobernanza puede consumir semanas de tiempo de ingeniería antes de escribir cualquier lógica de IA. Si el objetivo es implementar un chatbot de cara al cliente en dos semanas, Bedrock o Cortex llegarán más rápido.

El modelo de costes tampoco es adecuado para equipos con presupuestos de IA limitados o impredecibles. Databricks cobra tarifas DBU además de los costes de infraestructura en la nube, y los usuarios informan constantemente de que los trabajos de Spark mal ajustados producen sorpresas en la facturación. Un análisis de Reddit muy citado descubrió que los cargos de DBU representaban un margen de beneficio del 600 % sobre los costes brutos de los servidores en la nube. Los flujos de trabajo de agentes de IA en producción que requieren clústeres de GPU dedicados pueden costar entre 5.000 y 15.000 dólares al mes en computación base antes de cualquier cargo de API basado en tokens.

Por último, Mosaic AI conlleva un riesgo legal activo: la demanda en curso por derechos de autor (In re Mosaic LLM Litigation) que alega que los datos de entrenamiento se extrajeron de aproximadamente 196.000 títulos de libros pirateados a través del conjunto de datos RedPajama/Books3 sigue viva a partir de abril de 2026, después de que el juez Charles Breyer denegara la moción de desestimación de Databricks. Esto no es un factor en el uso diario de la plataforma, pero los equipos de adquisiciones de las organizaciones reguladas deben ser conscientes de ello.