BigQuery
Jedna platforma danych dla całej firmy, gotowa na to, że za nią przyjdą agenty AI
BigQuery to nie kolejna hurtownia danych. To serverless platforma, na której Twoje dane są równocześnie dostępne dla klasycznej analityki, AI i agentów. Cross-Cloud Lakehouse pozwala odpytywać dane na AWS i Azure bez ich przenoszenia. Knowledge Catalog daje agentom kontekst biznesowy, który decyduje, czy ich odpowiedzi są wiarygodne. Wdrażamy BigQuery jako Google Cloud Sell & Service Partner.
serverless
zero ops, skalowanie do petabajtów
%
szacowany ROI z agentic lakehouse
x
wzrost przetwarzania danych z Gemini
Knowledge Catalog
uniwersalny kontekst dla agentów
Dane Twojej firmy żyją w pięciu miejscach, a żaden agent AI nie ma na nich oparcia
Większość firm w 2026 roku jest w jednej z dwóch sytuacji. Pierwsza: dane są w pięciu chmurach, na on-premise, w kilkunastu bazach. Druga: firma kupiła już platformę analityczną, ale jej nie używa, bo zbudowanie czegokolwiek wymaga tygodni pracy zespołu danych. Obie kończą się tym samym wnioskiem: bez uporządkowanych, dostępnych i opisanych danych, projekty AI są niewykonalne.
Pewnie znasz przynajmniej jedną z tych sytuacji:
-
Dane są wszędzie, a nigdzie ich nie ma
Część w SAP, część w Comarchu, część w plikach na SharePoint, część w sklepie internetowym, część w arkuszach. Żeby zrobić jedno spójne zestawienie sprzedaży i kosztu, trzeba sklejać pięć źródeł ręcznie. -
Multicloud okazał się drogą do egress costs
Główna chmura ma być Google Cloud, ale dane są jeszcze na AWS i Azure. Każde zapytanie międzychmurowe to koszty transferu i sekundy latencji. Migracja danych "na razie" się odkłada. -
Agent AI odpowiada, ale nie wiadomo, na czym
Wdrożyłeś pierwszego agenta, działa, ale jego odpowiedzi nie są wiarygodne. Nie wiadomo, jakie tabele są źródłem prawdy, jakie kolumny mają jakie znaczenie biznesowe, kto może z czego korzystać. Agent halucynuje, bo nie ma kontekstu. -
Działu danych nie wystarczy dla wszystkich
Marketing chce raportu, sprzedaż innego, finanse trzeciego. Wszystko trafia do jednego zespołu data engineering, który ma kolejkę na trzy kwartały. Reszta firmy buduje sobie analitykę w Excelu.
BigQuery jako platforma danych, na której da się postawić wszystko
Google ogłosił na Cloud Next '26, że BigQuery jest dziś autonomiczną platformą danych dla AI. To znaczy, że nie wybierasz osobno hurtowni, lakehouse, narzędzia AI, katalogu metadanych i platformy multicloud. Wszystko to siedzi w jednym środowisku, działającym w modelu serverless, z payback time poniżej sześciu miesięcy dla agentic-first podejścia.
Prowadzimy wdrożenie BigQuery w czterech etapach:
Audyt źródeł danych i strategia
Mapujemy, jakie dane masz dziś i gdzie żyją. Sprawdzamy, które są kluczowe dla AI i analityki (sprzedaż, finanse, produkcja, klienci) i które warto skonsolidować w BigQuery, a które zostawić w źródłach z dostępem przez Cross-Cloud Lakehouse. Projektujemy model danych.
Wdrożenie Lakehouse i Knowledge Catalog
Konfigurujemy BigQuery jako warstwę hurtowni dla danych transakcyjnych i Lakehouse na Apache Iceberg dla danych nieustrukturyzowanych. Wdrażamy Knowledge Catalog (poprzednio Dataplex) jako warstwę kontekstu biznesowego, z data lineage, jakością i kontrolą dostępu na poziomie tabel.
Migracja danych i integracje
Migrujemy dane z istniejących źródeł (SAP, Comarch ERP, lokalne hurtownie, pliki). Wykorzystujemy AI-powered migration services Google Cloud do przyspieszenia procesu. Konfigurujemy Cross-Cloud Lakehouse dla danych pozostających na AWS lub Azure.
Aktywacja: analityka, AI, agenty
Po skonsolidowaniu danych aktywujemy je: dashboardy w Looker, Conversational Analytics dla użytkowników biznesowych, integracja z Gemini Enterprise i Agent Platform jako fundament dla agentów AI. Po starcie przejmujemy bieżące utrzymanie.
Twoja firma kupuje agentów AI, ale nie ma platformy danych pod nimi?
To najczęstszy powód, dla którego wdrożenia AI utykają. Zaczniemy od audytu danych i pokażemy, gdzie zacząć, żeby AI miało na czym stanąć.
BigQuery to znacznie więcej niż hurtownia SQL
To, co Google ogłosił jako "autonomous data-to-AI platform", to dziewięć powiązanych obszarów, które razem tworzą jeden zintegrowany stack danych dla firmy.
01
Serverless data warehouse
Klasyczny BigQuery. Hurtownia danych w modelu serverless: bez konfigurowania serwerów, bez planowania pojemności, ze skalowaniem do petabajtów, z SQL jako interfejsem. Płacisz za realne zużycie, nie za pojemność rezerwową.
02
Open Lakehouse (formerly BigLake)
Apache Iceberg z funkcjami BigQuery: automatyczne zarządzanie tabelami, multi-table transactions, change data capture, vectorization. Dane Iceberg dostępne jednocześnie dla BigQuery i Apache Spark.
03
Cross-Cloud Lakehouse
Najnowsza funkcja ogłoszona na Cloud Next '26. Pozwala odpytywać dane Iceberg na AWS bez ich przenoszenia, z Cross-Cloud Interconnect i cross-cloud caching. Zero-copy access. Eliminuje koszty egress i czas migracji dla scenariuszy multicloud.
04
Knowledge Catalog (formerly Dataplex)
Uniwersalny kontekst dla AI. Auto-katalogowanie wszystkich danych w Google Cloud i third-party (Palantir, Salesforce Data360, SAP, ServiceNow, Workday). Data lineage, jakość, profilowanie, kontrola dostępu na poziomie tabeli. To warstwa, która decyduje o tym, czy agenci AI mają wiarygodny kontekst.
05
Built-in AI
Funkcje AI bezpośrednio w SQL: prediction, classification, embedding generation, text generation. ML.PREDICT, AI.GENERATE_TEXT i kolejne funkcje wbudowane w język zapytań. To znaczy, że analityk z SQL może budować modele bez wychodzenia z BigQuery.
06
Conversational Analytics
Pytania w naturalnym języku do danych. Dostępne dla BigQuery (GA), Looker (GA), Cloud SQL, Spanner, AlloyDB (Preview). Możesz publikować agentów konwersacyjnych w Gemini Enterprise i pozwolić użytkownikom biznesowym rozmawiać z danymi.
07
Lightning Engine
Akcelerator workloadów Spark i SQL, do 4.5x szybciej. Zero ops overhead.
08
BigQuery Graph
Analiza relacji w danych, pozwala odkrywać złożone, ukryte powiązania. Przydatne w analizie kontrahentów, sieci dostawców, anomalii.
09
ObjectRefs
Łączenie danych ustrukturyzowanych z BigQuery z nieustrukturyzowanymi (obrazy, dokumenty, wideo) w Cloud Storage. Multimodalność wbudowana w warstwę danych.
Agent jest tak dobry, jak dane, na których pracuje
Większość projektów agentic AI zaczyna się od modelu i kończy na rozczarowaniu. Agent działa, ale jego odpowiedzi są niewiarygodne. Problem prawie zawsze leży w warstwie danych, nie w modelu. BigQuery został przeprojektowany właśnie po to, żeby ten problem rozwiązać.
Knowledge Catalog jako kontekst
Agenci AI grounded w Knowledge Catalog odpowiadają na bazie danych z opisem biznesowym, lineage i jakością. To znaczy, że agent wie, że "MRR" to suma fakturowania powtarzalnego, a "klient aktywny" to klient z ostatnim zamówieniem w ciągu 90 dni, bo te definicje są w katalogu. Bez tego agent zgaduje.
Agent Development Kit i MCP
BigQuery ma natywne narzędzia dla budowania agentów przez Agent Development Kit i protokół MCP. Agent może wykonywać zapytania, agregować, łączyć źródła i prezentować odpowiedzi jako gotowe insights.
Conversational Analytics jako produkt dla użytkownika
Zamiast budować kolejne sto dashboardów w Looker, dajesz menedżerom Gemini Enterprise app z opublikowanym analytical agent. Pytają w naturalnym języku, dostają odpowiedzi z danych w BigQuery, ze wszystkimi politykami dostępu na poziomie tabel. To skraca czas między pytaniem a odpowiedzią z tygodni do sekund.
Batch i Event-driven agents
Agenci z Agent Platform mogą działać wsadowo na danych z BigQuery (analiza nocna, klasyfikacja milionów dokumentów) albo reagować na zdarzenia z Pub/Sub. To otwiera scenariusze, których w klasycznym BI nie było.
BigQuery a Microsoft Fabric: dwie filozofie konsolidacji danych
Microsoft Fabric (na Azure) i BigQuery Lakehouse (na Google Cloud) to dziś dwie wiodące platformy konsolidacji danych w klasie enterprise. Każda ma swoje silne strony, my obsługujemy obie.
Microsoft Fabric
Konsolidacja platformy danych Microsoftu, łącząca Data Factory, Synapse, Power BI i Data Lake Storage w jednym OneLake. Naturalny wybór dla firm głęboko w ekosystemie Microsoft, korzystających z Power BI od lat.
BigQuery
Serverless platforma z Knowledge Catalog jako warstwą kontekstu i Cross-Cloud Lakehouse jako otwartością na dane spoza Google Cloud. Naturalny wybór dla firm budujących AI i agentów, gdzie kontekst biznesowy danych jest krytyczny.
Nie sprzedajemy BigQuery firmom mocno żyjącym w stacku Microsoft, jeśli Fabric da im to samo bliżej. Rekomendację dopasowujemy do realnej architektury Twojego IT.
Dlaczego warto wdrożyć BigQuery z 7Technology
Google Cloud Sell & Service Partner z kompetencjami danych
Mamy bezpośredni dostęp do najnowszych funkcji BigQuery. Jako partner negocjujemy też warunki kontraktowe dla Twojej organizacji.
Łączymy BigQuery z resztą Twojego IT.
Dane do BigQuery muszą skądś przyjść. Mamy kompetencje SAP (eksport danych transakcyjnych do BigQuery), Comarch ERP (CDC do Lakehouse), MES (dane produkcyjne z 7MES i Prodiqa), WEBCON BPS (dane procesowe). To różnica między platformą danych a platformą danych aktywowaną.
Wdrażamy BigQuery z myślą o agentic AI, nie tylko o raportach
Knowledge Catalog, integracja z Gemini Enterprise i Agent Platform — projektujemy platformę od początku z myślą, że za nią przyjdą agenci. To oszczędza przebudowę za rok.
Doradzamy między platformami danych
Mamy też kompetencje Microsoft Fabric. Jeśli Twoja architektura jest mocno Microsoft, powiemy o tym wprost.
Zostajemy po wdrożeniu
BigQuery jako platforma rośnie szybko: co kwartał nowe funkcje, nowe modele AI w SQL, nowe integracje. W modelu Managed Services GCP przejmujemy bieżącą opiekę nad platformą danych, optymalizację kosztów (BigQuery jest rozliczany per-use, więc optymalizacja zapytań to realne pieniądze), monitoring i rozwój.
Co mówią o nas klienci
"Migracja produkcyjnego SAP była dla nas projektem o najwyższym ryzyku. 7Technology przeprowadziło nas przez nią bez ani jednego nieplanowanego przestoju."
Lucyna Michniewicz
CIO @ VOX
"Szukaliśmy partnera, który weźmie odpowiedzialność za całość, a nie odeśle nas do kolejnego podwykonawcy. Po kilku latach współpracy wiem, że trafiliśmy dobrze."
Edyta Sapijaszko
CIO @ Herbapol
"Automatyzacja procesów na WEBCON BPS zdjęła z naszych zespołów dziesiątki godzin pracy ręcznej miesięcznie. Wdrożenie poszło sprawnie i zgodnie z planem."
Magdalena Obidowska
Project Manager @ Oceanic
Projekty, za które wzięliśmy odpowiedzialność
Środowisko IT dealera Mercedes-Benz w Google Cloud
Migracja kluczowych systemów biznesowych do chmury, a następnie przejęcie i integracja środowiska IT nowego salonu w Sosnowcu - bez przerwy w pracy sprzedaży i serwisu.
System:
Środowisko IT - ok. 55 systemów (m.in. ERP, DMS, systemy kadrowo-płacowe i księgowe, SAP)
Technologia:
Google Cloud Platform, Terraform, SAP
Kluczowe osiągnięcia:
Jedno środowisko dla 5 lokalizacji; przejęcie salonu bez przestoju
Automatyzacja sortowania półtusz w chłodni
Decyzję o przydziale półtuszy do zamówienia zamiast operatora podejmuje algorytm, a rozjazdy na torach przestawiają się same - na podstawie sześciu parametrów każdej sztuki.
System:
System MES 7Technology + dedykowany moduł automatyzacji chłodni
Technologia:
RFID w hakach, sterowniki PLC, integracja z wagami i klasyfikacją mięsności
Kluczowe osiągnięcia:
Kilku pracowników na zmianę → 1 operator; reakcja na zmianę zamówienia w kilka sekund
Od papierowych kart do pełnej identyfikowalności z 7MES
Wdrożenie objęło cały zakład - od rampy przyjęć, przez rozbiór i produkcję, po kontrolę załadunku pod dokiem - z pełną genealogią każdej partii.
System:
7MES (autorski system klasy MES 7Technology)
Technologia:
Comarch ERP XL, wagi hakowe / najazdowe / stanowiskowe / laboratoryjne, skanery i terminale dotykowe
Kluczowe osiągnięcia:
Kompletacja krótsza o 4–5 godzin; genealogia partii od ręki zamiast w dni
Cztery lata cyfryzacji na WEBCON BPS, SAP i AI
Kilkanaście procesów w WEBCON zintegrowanych z SAP, a najnowszy etap zamienił ponad 40 000 dokumentów surowcowych w przeszukiwalną bazę wiedzy dla działu badań.
System:
WEBCON BPS + SAP (moduły FI i MM)
Technologia:
WEBCON BPS, SAP Gateway (OData, REST API), Google Cloud (Gemini, BigQuery, Looker Studio), OCR, KSeF, Autenti
Kluczowe osiągnięcia:
Wyszukiwanie surowca z 2–4 godzin do poniżej 30 sekund
Powiązane technologie i usługi
Technologie:
Usługi
Konsultacje:
Często zadawane pytania o BigQuery
BigQuery jest serverless: nie zarządzasz serwerami, nie planujesz pojemności, skalujesz się do petabajtów automatycznie i płacisz za realne zużycie. To różnica jakościowa, nie tylko techniczna, bo zmienia ekonomikę projektów analitycznych. Plus BigQuery to dziś nie tylko hurtownia, ale otwarta platforma danych dla AI, z Lakehouse na Apache Iceberg, Knowledge Catalog i wbudowanymi funkcjami AI.
Tak. Cross-Cloud Lakehouse, ogłoszony na Cloud Next '26, pozwala odpytywać dane Iceberg na AWS bez ich przenoszenia, dzięki Cross-Cloud Interconnect i cross-cloud caching. To eliminuje koszty egress i czas migracji w scenariuszach multicloud. Część danych krytycznych warto skonsolidować w BigQuery, część można zostawić w źródle.
Knowledge Catalog (poprzednio Dataplex Universal Catalog) to warstwa kontekstu biznesowego nad danymi. Auto-katalogowanie wszystkich danych Google Cloud i third-party, End-to-end data lineage, jakość, profilowanie, kontrola dostępu na poziomie tabel. Dla agentów AI to fundament, bo daje im sprawdzone definicje pojęć biznesowych.
Google używa tego określenia, żeby pokazać, że BigQuery samodzielnie zarządza optymalizacją tabel, dostarcza wbudowane funkcje AI, integruje się natywnie z agentami i ma wbudowany governance. Zamiast składać platformę z osobnych klocków (hurtownia + ETL + ML + katalog + BI + AI), masz to wszystko w jednym serverless środowisku.
W klasycznym BI menedżer prosi analityka o raport, czeka tygodniami i dostaje dashboard. W Conversational Analytics menedżer pyta agenta opublikowanego w Gemini Enterprise w naturalnym języku i dostaje odpowiedź w sekundach, z danych w BigQuery, z politykami dostępu na poziomie tabel. Dashboard nadal ma swoje miejsce, ale do ad-hoc pytań Conversational Analytics jest szybsze i tańsze.
Tak, w kilka sposobów. Najprostszy to eksport danych SAP do BigQuery przez SAP DataSphere lub przez customowe ETL (Cloud Data Fusion, Dataflow, ABAP SDK for Google Cloud). Bardziej zaawansowane scenariusze obejmują CDC z SAP HANA do BigQuery. Knowledge Catalog mapuje też metadane SAP do uniwersalnego kontekstu, więc agenci AI rozumieją dane SAP z opisem biznesowym.
Rozliczanie per-use w trzech wymiarach: przechowywanie danych (per GB miesięcznie), zapytania (per TB skanowanych danych lub w modelu slots, czyli rezerwowanej mocy), oraz funkcje AI (per token modelu). Dla średnich firm typowy miesięczny koszt to kilkaset USD, dla dużych enterprise znacząco więcej. Cross-Cloud Lakehouse i Lightning Engine pomagają obniżyć koszt długoterminowo. Nowi klienci dostają 300 USD darmowych kredytów.
W modelu Managed Services GCP przejmujemy bieżącą opiekę nad platformą danych: optymalizacja kosztów (zapytania, storage, slots), aktualizacja do nowych funkcji (Cross-Cloud Lakehouse, LookML Agent), rozwój o kolejne źródła i use case'y, monitoring jakości danych w Knowledge Catalog.
