figmeet

BigQuery Graph GA 2026 : graphes natifs d’entrepôt expliqués

1er sept. : BigQuery Graph quitte la preview pour le GA. Le GQL tourne dans l’entrepôt. Construction et mémoire agents restent en partie en roulement.

Pour lire l’annonce data cloud du 1er septembre 2026, séparez deux faits : BigQuery Graph passe de la preview à la disponibilité générale (GA) ; ce n’est pas une nouvelle société de bases graphe. Certaines fonctions agents du même billet restent en preview ou se déploient dans les semaines suivantes.

Le blog Google Cloud, signé Bei Li et Candice Chen, annonce BigQuery Graph en GA. Le GQL ISO côtoie SQL sur un moteur ; les parcours tournent dans l’entrepôt. La ligne fournisseur : pas d’ETL séparé pour le graphe.

Preview : GQL en entrepôt 1er sept. GA Couche agent encore en roulement

Ce que l’annonce livre vraiment

Relier deux comptes ou suivre le chemin d’un paiement voulait souvent dire extraire vers un store graphe. L’histoire Google est une capacité graphe dans l’entrepôt, avec sécurité ligne/colonne plus BigQuery ML et fonctions IA.

01

Un moteur, deux métiers

Cadre officiel : analytique graphe à grande échelle, et contexte connecté pour agents IA. La même requête peut appeler des fonctions ML/IA. Ne pas lire « les agents construisent et discutent un graphe » comme un GA total.

02

Les chiffres de vitesse sont fournisseur vs preview

Face à des benchmarks publics, Google dit GQL 2× plus rapide que la preview, parcours non orienté 100×, détection de cycles ACYCLIC et TRAIL plus économe. Chiffres de blog, pas un audit tiers.

03

Le Lakehouse sans frontière est le pitch inter-clouds

Un graphe peut couvrir des tables BigQuery natives et Iceberg ailleurs via Databricks Unity Catalog, AWS Glue ou Snowflake — parcours sur place, sans copie. L’exemple : un agent support qui demande le fournisseur d’une commande en retard entre GCP et AWS.

Lire la preview jusqu’au GA

Une chronologie calme plus que « l’entrepôt a enfin appris les graphes ».

  1. 1

    La preview a d’abord unifié graphe et relationnel

    Arguments : GQL à côté de SQL, parcours natif, pas d’ETL. Pete Rubio, VP Global Engineering chez Thales Cybersecurity Products, est cité sur la détection de menaces : signaux en graphe de propriétés, multi-sauts en secondes.

  2. 2

    Le GA ajoute expressivité et portes agents

    Nouveau CALL et sous-requêtes plus riches : sous-requête graphe par entité ou fonction nommée. L’analytique conversationnelle parle au graphe en langue naturelle ; Gemini Enterprise se branche via un serveur MCP.

  3. 3

    Graphes rédigés par agents et mémoire d’audit ne sont pas tout GA

    Une skill Google Cloud Data Agent Kit tourne dans Antigravity, VS Code, Claude Code et Codex. Le blog dit qu’elle rédigera bientôt nœuds et arêtes. Le context graph d’Agent Analytics stocke les actions en trace interrogeable.

2 x
GQL vs preview (fournisseur)
100 x
Parcours non orienté vs preview (fournisseur)
ISO GQL
Langage à côté de SQL

Ne pas aplatir la maturité en un titre

Capacité Statut blog (2026-09-01) Encore manquant
Moteur en entrepôt + GQL Disponibilité générale Vitesses = bancs fournisseur, pas un SLA
Graphe Iceberg sans frontière Écrit dans le récit GA IAM inter-clouds et latence selon la doc
Graphes agents / skill d’écriture Preview ou bientôt Pas sur le bon de commande must-ship de la semaine

Pourquoi les stacks data et agents d’entreprise regardent

Métiers cités : menace et fraude multi-sauts, jumeaux numériques de chaîne, suture d’identité / Customer 360, graphes de connaissances et GraphRAG, lignage réseau. Mikul Bhatt (Yahoo) dit que les agents parcourent campagnes, audiences et résultats en GQL là où vivent les données de monétisation, puis réécrivent des conclusions en arêtes. Heiko Roth (Workerbee) parle de graphes de compétences.

Les liaisons privées inter-clouds sont une autre ligne ; voir la preview AWS–Azure Interconnect. Vérifier un modèle graphe n’exige pas une suite de réunion : dans figmeet, un identifiant de salle suffit pour la voix et le tableau ; voir le guide et les fonctions.

# Public markers (Google Cloud blog, 2026-09-01)
Preview: BigQuery Graph (GQL + SQL, no ETL)
GA: native warehouse graph + faster GQL
Also cited: Iceberg via Unity Catalog / Glue / Snowflake (borderless)
Agent path: conversational analytics, MCP, Agent Analytics context graph

Google comprime le métier : un moteur pour l’analytique graphe à l’échelle entrepôt, et le contexte connecté des agents. Les citations clients ne sont pas votre benchmark.

BigQuery Graph
Graphe de propriétés dans BigQuery. GA le 1er septembre 2026 ; la preview offrait déjà GQL à côté de SQL.
GQL
Langage de requête graphe ISO. Google cite le travail de chemins acycliques et non orientés.
Borderless Lakehouse
Graphe virtuel sur BigQuery et Iceberg d’autres clouds via Unity Catalog, Glue ou Snowflake ; le fournisseur dit que les données ne bougent pas.

Questions à recouper

BigQuery Graph remplace-t-il des stores autonomes comme Neo4j ?

Google écrit la fin du silo d’extraction, pas la fermeture d’un autre éditeur. Les achats comparent charge, latence et exploitation.

Le 1er septembre rend-il chaque fonction agent GA ?

Non. Le billet sépare le GA moteur de l’écosystème agent ; skills d’écriture et morceaux restent preview ou à venir.

2× et 100× sont-ils un SLA ?

Chiffres fournisseur contre la preview sur benchmarks publics. Les contrats suivent les textes console.

Faut-il copier vers BigQuery avant d’avoir un graphe ?

Les tables natives vivent dans l’entrepôt. Le récit sans frontière autorise Iceberg sur place ; auth et facturation suivent la doc officielle.

Démarrer une réunion gratuite