Databricks vs BigQuery
独立した出典付きの比較。各行はベンダー自身のドキュメントにリンクし、検証日を明記しています。
作成者: brickster.ai · 機能データ検証日 2026年9月2日 · ライブ指標更新日 2026年9月5日
結論から
データエンジニアリング、機械学習、または AI エージェントが重心であり、複数のクラウドをまたいで自分で管理できる1つのオープンなプラットフォームを求めるなら Databricks を選んでください。運用がほとんど不要な serverless で SQL ファーストのウェアハウスを、Pub/Sub、Looker、Sheets の隣、Google Cloud の中で使いたいなら BigQuery を選んでください。2026年4月以降は両者が Iceberg を介して相互運用するため、Google Cloud 上では分担も現実的な選択肢です。
Databricks は Data Intelligence Platform です。Spark と Photon のコンピュートが自分のクラウドアカウント内で動き、オープンなテーブルフォーマット（Delta Lake はネイティブ、マネージド Apache Iceberg の読み書きは GA）を扱い、Unity Catalog がデータと AI 資産をガバナンスします。AWS、Azure、Google Cloud のいずれでも同じように動作し、Google Cloud では classic コンピュートが自分のプロジェクト内の Google Compute Engine 上で起動し、請求は Google Cloud Marketplace を経由します。
BigQuery は Google の serverless データウェアハウスであり、2026年には lakehouse にもなろうとしています。あなたが GoogleSQL を書き、Google がそれを実行します。クラスターもランタイムもなく、キャパシティはスキャンした TiB 単位か slot 時間単位のいずれかで支払います。その周囲に、Apache Iceberg managed tables（旧 BigLake tables for Apache Iceberg）、Knowledge Catalog（旧 Dataplex Universal Catalog）、コンソール内の無償の Gemini 支援、そして SQL 内の機械学習が並びます。両プラットフォームは今や中間で出会います。BigQuery は Unity Catalog のテーブルを読め、Databricks は BigQuery にクエリでき、いずれもオープンなインターフェース経由です。そのため選択は、どちらのベンダーが完全に勝つかというより、どのワークロードをどちらで動かすのが最適かという問題になりつつあります。
Databricks を選ぶべきケース
- データエンジニアリングが重いか、コードファーストか、真にストリーミングである。Lakeflow の取り込みと宣言的パイプライン、Auto Loader、そしてサブ秒レイテンシの Structured Streaming は、SQL とサービスの組み合わせより踏み込んでいます。BigQuery 自身の continuous queries は Enterprise edition と専用のリザベーションを必要とし、ステートフルな操作はプレビューのままです。
- 機械学習と AI エージェントが中心である。Databricks は Model Serving、AI Search、Unity AI Gateway、マネージド MCP サーバーを備えた Agent Framework（パブリックプレビュー）を、MLflow、feature store、AutoML、GPU コンピュートとともにカバーします。BigQuery ML は決まった種類のモデルを SQL で学習し、深層学習は別製品で独自の料金体系を持つ Gemini Enterprise Agent Platform（旧 Vertex AI）に委ねます。
- マルチクラウドや移行可能性が重要である。BigQuery は Google Cloud 専用ですが、Databricks は同じプラットフォーム、カタログ、パイプラインを主要3クラウドすべてで動かします。
- テーブル、ファイル、モデル、エージェントを1つのガバナンスモデルで扱いたい。Unity Catalog は ABAC、lineage、オープンソースのコアでそれらをまたぎますが、BigQuery はその役割を IAM、policy tags、Knowledge Catalog に分割します。
- Spark がチームの言語である。BigQuery のエンジンは SQL であり、その Spark の話は別立ての serverless Spark セッションを通ります。一方 Databricks は端から端まで Spark ネイティブです。
BigQuery を選ぶべきケース
- 何よりもゼロオペレーションの SQL を求めている。クラスターもサイズを決めるウェアハウスもランタイムのバージョンもなく、BigQuery の serverless モデルは私たちが比較するプラットフォームの中で最も運用負荷の低いウェアハウスであり、sandbox ティアはクレジットカードなしで使えます。
- スタックが Google である。Pub/Sub はパイプラインなしでネイティブに BigQuery へ流れ込み、Looker と Connected Sheets は直接クエリし、Gemini in BigQuery のコア支援機能（SQL と Python の生成、data canvas、data insights）はすべてのコンピュートオプションで無償です。
- 入口の経済性とシンプルさ。オンデマンドはスキャンした TiB あたり $6.25 で毎月最初の 1 TiB は無償、ストレージは 10 GiB まで無償、触られていないテーブルには自動で50%の長期ストレージ割引があり、バッチのロードとエクスポートは無償です。
- 到着するデータの分析を SQL だけで行いたい。Pub/Sub のサブスクリプションはテーブルへ直接書き込み、Storage Write API は毎月最初の 2 TiB 無償で exactly-once のストリーミングを提供し、Enterprise edition であれば continuous queries が常時稼働の SQL を実行します。
- ML のニーズが SQL に収まる。BigQuery ML は回帰、分類、クラスタリング、PCA、ARIMA_PLUS による予測を、データがすでにある場所で学習し（matrix factorization には Enterprise のリザベーションが必要）、埋め込みのワークロード向けに vector search が GA です。
Databricks 対 BigQuery を項目ごとに比較
各セルはベンダー自身の製品・料金・ドキュメントページにリンクし、最終検証日を表示します。内容はそのまま引用しており、優劣を採点するものではありません。
各項目の値は、各ベンダーの英語版ドキュメントからそのまま引用しています。
| 項目 | Databricks Lakehouse（Spark ＋ Photon） | BigQuery サーバーレスデータウェアハウス |
|---|---|---|
| アーキテクチャとオープン性 | ||
| アーキテクチャプラットフォームの形態 | Data + AI Platform (lakehouse) 出典 · 検証済み 2026-09-02 | Serverless warehouse; Lakehouse (was BigLake) 出典 · 検証済み 2026-09-02 |
| コンピュートエンジン基盤となるクエリエンジン | Apache Spark + Photon 出典 · 検証済み 2026-09-02 | Dremel (proprietary engine) 出典 · 検証済み 2026-09-02 |
| ストレージ／コンピュートの分離独立したスケーリング | Decoupled storage and compute 出典 · 検証済み 2026-09-02 | Fully decoupled (Colossus + Dremel) 出典 · 検証済み 2026-09-02 |
| ネイティブテーブル形式Delta／Iceberg／独自形式 | Delta Lake (and managed Iceberg) 出典 · 検証済み 2026-09-02 | Proprietary (Capacitor columnar) 出典 · 検証済み 2026-09-02 |
| Apache Iceberg読み取り＋書き込みのサポート | Native managed Iceberg, read+write GA 出典 · 検証済み 2026-09-02 | Managed Iceberg tables, read+write 出典 · 検証済み 2026-09-02 |
| Delta LakeDelta テーブルの読み取り／書き込み | Native Delta read/write 出典 · 検証済み 2026-09-02 | Read-only external tables for Delta Lake 出典 · 検証済み 2026-09-02 |
| オープン／RESTカタログIceberg REST／オープンカタログ | Unity Catalog Iceberg REST catalog 出典 · 検証済み 2026-09-02 | Iceberg REST catalog (Lakehouse runtime catalog) 出典 · 検証済み 2026-09-02 |
| オープンソースのコアエンジン／形式がオープンソース | Spark, Delta, Unity Catalog open source 出典 · 検証済み 2026-09-02 | Engine proprietary; Iceberg format open 出典 · 検証済み 2026-09-02 |
| マルチクラウドAWS／Azure／GCP | AWS, Azure, GCP 出典 · 検証済み 2026-09-02 | GCP native; AWS/Azure via BigQuery Omni 出典 · 検証済み 2026-09-02 |
| デプロイモデルSaaS か自社クラウドアカウントか | Runs in your cloud account 出典 · 検証済み 2026-09-02 | SaaS-only (Google Cloud managed) 出典 · 検証済み 2026-09-02 |
| コストと料金 | ||
| 課金単位 | Per-DBU 出典 · 検証済み 2026-09-02 | On-demand per-TB or slot capacity 出典 · 検証済み 2026-09-02 |
| 課金粒度秒／分／時間単位 | Per-second 出典 · 検証済み 2026-09-02 | Slots per-sec; 1-min minimum unless fluid scaling 出典 · 検証済み 2026-09-02 |
| スケールトゥゼロのサーバーレス自動サスペンド | Serverless SQL/compute, auto-suspend 出典 · 検証済み 2026-09-02 | Serverless; editions autoscale to zero 出典 · 検証済み 2026-09-02 |
| インフラ費用の分離コンピュートがVM／ストレージと別課金 | Classic: separate VM bill; serverless bundled 出典 · 検証済み 2026-09-02 | Compute/storage billed by BigQuery directly 出典 · 検証済み 2026-09-02 |
| ストレージ料金$／TB・月 | Cloud bills own storage; default storage in DSUs 出典 · 検証済み 2026-09-02 | ~$0.02/GB-mo active; $0.01 long-term 出典 · 検証済み 2026-09-02 |
| 無料枠／トライアル | Free Edition + 14-day trial 出典 · 検証済み 2026-09-02 | 1 TB queries + 10 GB storage/month 出典 · 検証済み 2026-09-02 |
| コミット利用割引 | Committed-use contracts 出典 · 検証済み 2026-09-02 | 1yr/3yr capacity commitments discounted 出典 · 検証済み 2026-09-02 |
| コストの可観測性使用量／コストの監視 | System tables, usage dashboards, budgets 出典 · 検証済み 2026-09-02 | Cost dashboards, slot/admin monitoring 出典 · 検証済み 2026-09-02 |
| 料金の透明性公開価格か個別見積もりか | List DBU prices published 出典 · 検証済み 2026-09-02 | List prices published publicly 出典 · 検証済み 2026-09-02 |
| SQLとクエリ | ||
| ANSI SQLの対応範囲ウィンドウ、再帰CTE | ANSI SQL incl. window, recursive CTE 出典 · 検証済み 2026-09-02 | GoogleSQL; window + recursive CTE 出典 · 検証済み 2026-09-02 |
| 半構造化データJSON／VARIANT | Native VARIANT and JSON support 出典 · 検証済み 2026-09-02 | Native JSON data type 出典 · 検証済み 2026-09-02 |
| 地理空間地理型＋関数 | Spatial SQL GA, GEOMETRY/GEOGRAPHY, H3 出典 · 検証済み 2026-09-02 | GEOGRAPHY type + GIS functions 出典 · 検証済み 2026-09-02 |
| ユーザー定義関数SQL／Python／Java | SQL, Python, Scala, Java UDFs 出典 · 検証済み 2026-09-02 | SQL, JavaScript, Python UDFs 出典 · 検証済み 2026-09-02 |
| マテリアライズドビュー | Native materialized views 出典 · 検証済み 2026-09-02 | Native materialized views 出典 · 検証済み 2026-09-02 |
| クエリ結果のキャッシュ | Query result caching 出典 · 検証済み 2026-09-02 | Automatic query result cache 出典 · 検証済み 2026-09-02 |
| クエリフェデレーション外部ソースをそのままクエリ | Lakehouse Federation 出典 · 検証済み 2026-09-02 | Cloud SQL, Spanner, external sources 出典 · 検証済み 2026-09-02 |
| データエンジニアリング | ||
| バッチETL／ELTツールネイティブパイプラインツール | Lakeflow pipelines, Lakeflow Jobs 出典 · 検証済み 2026-09-02 | Dataform, Dataflow, Data Transfer Service 出典 · 検証済み 2026-09-02 |
| ストリーミング取り込み | Structured Streaming, Real-Time Mode 出典 · 検証済み 2026-09-02 | Storage Write API streaming ingest 出典 · 検証済み 2026-09-02 |
| 変更データキャプチャ | CDC via AUTO CDC APIs, Lakeflow Connect 出典 · 検証済み 2026-09-02 | Native CDC ingest; Datastream 出典 · 検証済み 2026-09-02 |
| ファイルの自動取り込みAuto Loader／Snowpipe クラス | Auto Loader 出典 · 検証済み 2026-09-02 | DTS event-driven Cloud Storage transfers 出典 · 検証済み 2026-09-02 |
| ネイティブオーケストレーションジョブ／スケジューラ | Lakeflow Jobs 出典 · 検証済み 2026-09-02 | Scheduled queries, Dataform workflows 出典 · 検証済み 2026-09-02 |
| dbt対応 | First-class dbt adapter and task 出典 · 検証済み 2026-09-02 | First-class dbt adapter 出典 · 検証済み 2026-09-02 |
| 宣言的パイプラインDLT／Lakeflow スタイル | Lakeflow pipelines (Spark Declarative Pipelines) 出典 · 検証済み 2026-09-02 | Dataform SQL declarative pipelines 出典 · 検証済み 2026-09-02 |
| MLとAI | ||
| モデルのトレーニングプラットフォーム上でのネイティブ | Native training on Spark/GPU clusters 出典 · 検証済み 2026-09-02 | BigQuery ML trains models in SQL 出典 · 検証済み 2026-09-02 |
| feature store | Native feature store in Unity Catalog 出典 · 検証済み 2026-09-02 | Agent Platform Feature Store on BigQuery 出典 · 検証済み 2026-09-02 |
| 実験のトラッキングMLflow または同等品 | Managed MLflow 出典 · 検証済み 2026-09-02 | Agent Platform Experiments (separate product) 出典 · 検証済み 2026-09-02 |
| モデルサービングホスティング／推論 | Databricks Model Serving (real-time, batch) 出典 · 検証済み 2026-09-02 | Serving via Agent Platform endpoints 出典 · 検証済み 2026-09-02 |
| AutoML | AutoML 出典 · 検証済み 2026-09-02 | AutoML models in BigQuery ML 出典 · 検証済み 2026-09-02 |
| ベクトル検索埋め込みインデックス | Databricks AI Search (formerly Vector Search) 出典 · 検証済み 2026-09-02 | Native vector index + VECTOR_SEARCH 出典 · 検証済み 2026-09-02 |
| 基盤モデルゲートウェイガバナンスされたマルチモデルアクセス | Unity AI Gateway (multi-provider routing) 出典 · 検証済み 2026-09-02 | Gemini via ML.GENERATE_TEXT/AI functions 出典 · 検証済み 2026-09-02 |
| Text-to-SQLNL-to-SQL アシスタント | Genie Agents (formerly Genie Spaces) 出典 · 検証済み 2026-09-02 | Gemini SQL generation in editor 出典 · 検証済み 2026-09-02 |
| エージェント／MCPAgent Framework ＋ MCP サーバー | Agent Bricks, Agent Framework, MCP (preview) 出典 · 検証済み 2026-09-02 | Data agents + BigQuery MCP server 出典 · 検証済み 2026-09-02 |
| GPUコンピュート | GPU instances for ML 出典 · 検証済み 2026-09-02 | GPUs via Agent Platform, not native BigQuery 出典 · 検証済み 2026-09-02 |
| BIと消費 | ||
| ネイティブダッシュボード／BI | AI/BI Dashboards 出典 · 検証済み 2026-09-02 | BI Engine; Looker Studio dashboards 出典 · 検証済み 2026-09-02 |
| セマンティック／メトリクスレイヤー | Unity Catalog Metric Views 出典 · 検証済み 2026-09-02 | Looker; BigQuery Graph measures (preview) 出典 · 検証済み 2026-09-02 |
| ノートブック | Native notebooks 出典 · 検証済み 2026-09-02 | Native notebooks in BigQuery Studio 出典 · 検証済み 2026-09-02 |
| 自然言語BIデータに問いかける | Genie One and Genie Agents natural language 出典 · 検証済み 2026-09-02 | Data Canvas natural-language analytics 出典 · 検証済み 2026-09-02 |
| BIツール連携Tableau／Power BI／Looker | Tableau, Power BI, Looker connectors 出典 · 検証済み 2026-09-02 | Tableau, Power BI, Looker connectors 出典 · 検証済み 2026-09-02 |
| ガバナンスとセキュリティ | ||
| 統合ガバナンスカタログデータ＋AI を横断する単一カタログ | Unity Catalog across data and AI 出典 · 検証済み 2026-09-02 | Knowledge Catalog (formerly Dataplex) 出典 · 検証済み 2026-09-02 |
| きめ細かなRBAC | Fine-grained RBAC in Unity Catalog 出典 · 検証済み 2026-09-02 | IAM roles, fine-grained permissions 出典 · 検証済み 2026-09-02 |
| 属性ベースのアクセス制御タグベースのポリシー | ABAC with governed tags, GA 出典 · 検証済み 2026-09-02 | Policy tags / taxonomy-based access 出典 · 検証済み 2026-09-02 |
| 列マスキング | Dynamic column masks 出典 · 検証済み 2026-09-02 | Dynamic data masking via policy tags 出典 · 検証済み 2026-09-02 |
| 行レベルセキュリティ | Row filters 出典 · 検証済み 2026-09-02 | Row-level access policies 出典 · 検証済み 2026-09-02 |
| データリネージ自動 | Automatic lineage in Unity Catalog 出典 · 検証済み 2026-09-02 | Automatic lineage via Knowledge Catalog 出典 · 検証済み 2026-09-02 |
| データ分類PII の自動検出 | Automated data classification GA 出典 · 検証済み 2026-09-02 | Automatic PII discovery via Knowledge Catalog 出典 · 検証済み 2026-09-02 |
| 監査ログ | Audit logs / system tables 出典 · 検証済み 2026-09-02 | Cloud Audit Logs for access 出典 · 検証済み 2026-09-02 |
| 顧客管理キーCMK／BYOK | Customer-managed keys 出典 · 検証済み 2026-09-02 | CMEK via Cloud KMS 出典 · 検証済み 2026-09-02 |
| プライベートネットワークPrivateLink／VPC | PrivateLink, VNet/VPC injection 出典 · 検証済み 2026-09-02 | VPC Service Controls, Private Service Connect 出典 · 検証済み 2026-09-02 |
| 共有とコラボレーション | ||
| データ共有アカウント間／クラウド間 | OpenSharing (formerly Delta Sharing), any cloud 出典 · 検証済み 2026-09-02 | BigQuery sharing / Analytics Hub 出典 · 検証済み 2026-09-02 |
| クリーンルーム | Clean Rooms GA 出典 · 検証済み 2026-09-02 | Native data clean rooms 出典 · 検証済み 2026-09-02 |
| マーケットプレイス | Databricks Marketplace 出典 · 検証済み 2026-09-02 | Google Cloud Marketplace / data exchanges 出典 · 検証済み 2026-09-02 |
| 運用と信頼性 | ||
| パブリックステータスAPI機械可読な稼働状況 | Public Status API; email, webhook, Slack alerts 出典 · 検証済み 2026-09-02 | Google Cloud status dashboard published 出典 · 検証済み 2026-09-02 |
| 公開SLA | 99.9% control plane SLA; Lakebase SLA published 出典 · 検証済み 2026-09-02 | 99.99% uptime SLA published 出典 · 検証済み 2026-09-02 |
| オートスケーリング | Cluster autoscaling 出典 · 検証済み 2026-09-02 | Autoscaling slots in editions 出典 · 検証済み 2026-09-02 |
| マルチリージョン／DR | Managed DR (gated preview) via Mission Critical 出典 · 検証済み 2026-09-02 | Cross-region dataset replication, multi-region 出典 · 検証済み 2026-09-02 |
| ワークロードの分離ETL と BI を分離 | Separate warehouses/clusters per workload 出典 · 検証済み 2026-09-02 | Reservations isolate ETL vs BI 出典 · 検証済み 2026-09-02 |
| エコシステムとサポート | ||
| パートナーコネクタ | Lakeflow Connect 100+ sources 出典 · 検証済み 2026-09-02 | Data Transfer Service + partner connectors 出典 · 検証済み 2026-09-02 |
| コンプライアンス認証SOC 2／HIPAA／FedRAMP／ISO | SOC 2, HIPAA, PCI-DSS, FedRAMP, ISO 出典 · 検証済み 2026-09-02 | SOC 2, HIPAA, ISO, PCI, FedRAMP 出典 · 検証済み 2026-09-02 |
| グローバルリージョン | Dozens of regions across AWS/Azure/GCP 出典 · 検証済み 2026-09-02 | 40+ Google Cloud regions 出典 · 検証済み 2026-09-02 |
| サポートティア | Tiered support plans 出典 · 検証済み 2026-09-02 | Standard, Enhanced, Premium support 出典 · 検証済み 2026-09-02 |
アーキテクチャとオープン性
Databricks はオープンフォーマットを自分のストレージ上で動かします。Delta Lake はネイティブ、マネージド Iceberg の読み書きは GA、そして外部エンジンが読める Unity Catalog の Iceberg REST エンドポイントがあります。BigQuery は制御の向きが逆で、Google がストレージとコンピュートを管理し、あなたは SQL を持ち込みます。とはいえ、その開放は本物です。Apache Iceberg managed tables（GA、パーティショニングと複数ステートメントのトランザクションは2026年7月より GA）はデータを自分の Cloud Storage バケット内に Iceberg のまま保持し、Lakehouse runtime catalog（旧 BigLake metastore）は Spark、Flink、Trino が利用できる Iceberg REST カタログを公開します。BigQuery における Delta は二級市民で、Delta Lake BigLake external tables（2024年より GA）経由で読めますが読み取り専用です。出口の話は性質が異なります。Databricks を去るとは、すでに自分が所有しているファイルに別のエンジンを向けることです。BigQuery を去るのは本当に安価ですが（バッチエクスポートは無償、Storage Read API は月 300 TiB まで無償）、ネイティブテーブルのデータは移動させるまで Google のマネージドストレージ内にあります。両者とも2年前よりはるかにオープンです。Databricks は既定でオープンであり、BigQuery は選択によってオープンです。
価格とコストモデル
メーターは2つではなく3つです。BigQuery のオンデマンドはスキャンした TiB あたり $6.25（US、毎月最初の 1 TiB は無償）で、コミットメントはゼロ、スキャン量が少ないクエリは安く済みますが、うっかりのフルテーブルスキャンは実際の出費になります。BigQuery editions は slot 時間で課金し（US マルチリージョンで Standard $0.04、Enterprise $0.06、Enterprise Plus $0.10）、50 slot 刻みでオートスケールし、既定では1分の最低課金付きの秒課金で、コミットメント割引はトラックと期間に応じて10%から40%です。Databricks はワークロードごとに DBU を計測します。Google Cloud の Premium、US（Virginia）では、jobs コンピュートが DBU あたり $0.15 に GCE のインフラ費用が加わり、all-purpose のインタラクティブが $0.55 にインフラ費用、SQL は classic $0.22、pro $0.55、serverless $0.70 でコンピュート込みです。目安としては、断続的でスキャンの軽い SQL は BigQuery のオンデマンドを上回るのが難しく、定常的に重い SQL は slot 対 DBU の計算になり、SQL 以外の作業（パイプライン、ML、エージェント）は BigQuery のメーターにまったく触れず、それぞれ独自の請求を持つ他の Google 製品上で動きます。誰かの計算（私たちのものも含めて）を信じる前に、自分のワークロードをモデル化してください。
データエンジニアリングとストリーミング
Databricks はエンジニアリングを1つの製品の中で行います。マネージド取り込みの Lakeflow Connect、ETL のための宣言的パイプライン、オーケストレーションの Jobs、増分ファイルのための Auto Loader、そして真のストリーミングのための Real-Time Mode を備えた Structured Streaming が、すべて Spark 上で Photon を土台に動きます。BigQuery は Google Cloud のサービスを組み合わせます。バッチのロードは無償、Pub/Sub のサブスクリプションはパイプラインのコードなしでテーブルへ直接書き込み、Storage Write API は exactly-once のセマンティクスでストリーミングし（毎月無償の 2 TiB を超えると GiB あたり $0.025）、重い変換は Dataflow が担い、Google の Data Engineering Agent（2026年4月より GA）が自然言語からパイプラインを生成・保守します。BigQuery の常時稼働 SQL の答えである continuous queries には条件があります。Enterprise または Enterprise Plus のみ、専用のリザベーションが必要で、join のようなステートフルな操作は依然としてプレビューです。成り立つ線引きはこうです。Google ネイティブなソースを伴う SQL 型の ELT は BigQuery に有利であり、複雑、カスタム、あるいはレイテンシに敏感なエンジニアリングは Databricks に有利です。
機械学習と AI
Databricks は ML とエージェントを製品の中核として扱います。Model Serving、AI Search、Unity AI Gateway、マネージド MCP サーバーを備えた Agent Framework（パブリックプレビュー）、MLflow、feature store、AutoML、GPU コンピュートです。BigQuery は ML を SQL の機能として扱い、エージェントはウェアハウスの周囲を固める Google 運用のサービスとして提供します。BigQuery ML は、はまる場面では実際に有用です。CREATE MODEL が回帰、分類、k-means、PCA、ARIMA_PLUS による予測をその場で学習し（組み込みモデルのオンデマンド学習は処理した TiB あたり $312.50、matrix factorization には Enterprise のリザベーションが必要で、BigQuery ML は Standard edition では利用できません）、TimesFM の予測が組み込まれ、vector search は GA です。深層学習とカスタムのサービングは、別製品である Gemini Enterprise Agent Platform（旧 Vertex AI）に引き継がれます。Google が先行しているのは支援機能です。Gemini in BigQuery のコア機能（SQL と Python の生成、data canvas、data insights、data preparation）は GA かつすべてのコンピュートオプションで無償であり、conversational analytics の data agents は整備されたソース上でビジネス上の問いに答えます。モデルとエージェントを構築し運用するなら、Databricks は1か所ではるかに先まで進みます。アナリストを AI で補強するなら、BigQuery の無償の Gemini レイヤーは本物の強みです。
BI と消費
BigQuery の消費の物語は Google エコシステムです。Looker と Looker Studio はネイティブなバックエンドとしてクエリし、Connected Sheets は数十億行をスプレッドシートの操作感の背後に置き（TimesFM の予測が組み込まれています）、BI Engine は GiB 時間あたり $0.0416 でダッシュボードをメモリ上で高速化し、editions のコミットメントには無償のキャパシティが同梱され、conversational analytics のエージェントはビジネスユーザーにガバナンスされた自然言語の面を与えます。Databricks の消費機能はより新しいものの、急速に追いついています。AI/BI Dashboards、Unity Catalog に基づく自然言語質問の Genie、そしてビジネスユーザーの入口としての Genie One に加え、SQL ウェアハウス経由で Power BI、Tableau、Looker へのファーストクラスのコネクタがあります。どちらのプラットフォームもあらゆる BI ツールの背後に置けます。問題は、ユーザーがどちらのネイティブな面を実際に使うかです。Sheets と Looker の文化を持つ組織は BigQuery で居心地よく感じ、ガバナンスされた1つのデータ・AI プラットフォームに標準化するチームは Databricks でより先へ進めます。
ガバナンス、そして両方を使う論拠
Unity Catalog はテーブル、ファイル、モデル、関数、エージェントを1つの階層でガバナンスします。ABAC は GA、row filter と column mask、データと AI をまたぐ自動化された lineage、オープンソースのコア、そしてガバナンスを外部エンジンにまで広げる Iceberg REST エンドポイントです。BigQuery はガバナンスを Google Cloud 全体に分割します。アクセスには IAM、列レベルのセキュリティには動的マスキングを伴う policy tags（GA）、自動取得される lineage、そして資産全体の検索、プロファイリング、品質には Knowledge Catalog（旧 Dataplex Universal Catalog、2026年4月に改称）です。どちらも機能します。Unity Catalog はより統一されたモデルであり、Knowledge Catalog は BigQuery 以外の Google サービスへより広く届きます。ほとんどの比較が見落とす2026年の事実は、両者が今やフェデレートすることです。Google は2026年4月29日にカタログフェデレーションのプレビューを発表し、BigQuery がデータをコピーせずに Unity Catalog のマネージドテーブルを読めるようになりました。Google の Cloud Lakehouse が管理する Iceberg テーブルを Databricks が読む方向はプライベートプレビューで、いずれも Iceberg REST プロトコル経由です。ここに Lakehouse Federation（Databricks が BigQuery を直接クエリ、ドキュメント上にプレビューの表示なし）と Delta Lake BigLake external tables（BigQuery が Delta を読む、GA、読み取り専用）を加えると、エンジニアリングと ML に Databricks を、Google エコシステムの分析に BigQuery を並べて動かす構成は、裏技ではなくサポートされたアーキテクチャです。
Databricks 対 BigQuery の料金
単位の形が異なります。BigQuery はスキャンした TiB 単位（オンデマンド）または slot 時間単位（editions）で課金し、Databricks はワークロードごとの DBU 単位で、classic コンピュートでは GCE のインフラを別途課金します。SQL 以外の作業は BigQuery のメーターにまったく触れず、別の Google 製品上で動きます。自分のワークロードをモデル化し、オンデマンドではスキャンのメーターに注意してください。
Databricks
Google Cloud 上の Databricks は Google Cloud Marketplace から購入し、Google アカウントに請求されます。2026年9月初旬に料金ページから読み取った US（Virginia）の Premium プランの定価は次のとおりです。jobs コンピュートは DBU あたり $0.15（classic、GCE の VM は別途課金）または serverless で込み込み $0.35、all-purpose のインタラクティブは DBU あたり $0.55 にインフラ費用、serverless では $0.75、そして Databricks SQL は classic $0.22、pro $0.55、コンピュート込みの serverless $0.70 です。classic の all-purpose コンピュートでは Photon が DBU を2倍で消費します。マーケットプレイスのプライベートオファーを通じた事前購入のコミット割引があります。14日間のトライアルは Databricks が管理するインフラ上で serverless として動き、Free Edition は個人の非商用利用をカバーします。
BigQuery
BigQuery は2つのコンピュートモデルを提供します。オンデマンドはスキャンした TiB あたり $6.25（US マルチリージョン）、毎月最初の 1 TiB は無償で、参照されるテーブルごとに最低 10 MB が課金されます。Editions は slot 時間あたり Standard $0.04、Enterprise $0.06、Enterprise Plus $0.10（US マルチリージョン）、50 slot 刻みのオートスケール、既定では1分の最低課金付きの秒課金です。支出ベースのコミットメントは10%（1年）または20%（3年）を削減し、Enterprise 系ティアのリソースコミットメントは20%または40%を削減します。US マルチリージョンのストレージは、アクティブな論理ストレージが GiB 月あたり $0.02、90日間触られていないテーブルは半額の $0.01 で、データセット単位のオプションとして圧縮物理ストレージの $0.04/$0.02 があり、毎月 10 GiB が無償です。ストリーミングは、Iowa のような US リージョン料金で、古い REST 経路の insert が 200 MiB あたり $0.01、Storage Write API が GiB あたり $0.025 で毎月 2 TiB が無償です。バッチのロードとエクスポートは無償で、BigQuery ML のオンデマンドのモデル学習は TiB あたり $312.50 です。
出典: BigQuery の料金, BigQuery editions とオートスケーリング, Databricks SQL の料金（GCP を選択）, Lakeflow Jobs の料金（GCP を選択）, UC と BigQuery の相互運用に関する発表.
よくある質問
BigQuery は Databricks より安いですか？
断続的でスキャンの軽い SQL については、たいていそうです。TiB あたり $6.25 で毎月最初の 1 TiB が無償、アイドルコストがゼロという床は非常に低いからです。持続的に重い SQL では、稼働率に依存する slot 対 DBU の計算になります。そしてパイプライン、ML、エージェントについては比較が成り立ちません。その作業は BigQuery のメーターにまったく触れず、それぞれ独自の請求を持つ他の Google 製品上で動く一方、Databricks は1つのプラットフォーム上で DBU として価格付けするからです。
Databricks と BigQuery の主な違いは何ですか？
Databricks はオープンでマルチクラウドのデータ・AI プラットフォームです。Spark ネイティブのコンピュートが自分のクラウドアカウント内で動き、テーブルフォーマットは自分が管理でき、データ、モデル、エージェントを1つのガバナンスモデルで扱います。BigQuery は Google Cloud の中にある serverless で SQL ファーストのウェアハウスです。Google がすべてを動かし、あなたは GoogleSQL を書き、残りは周囲のエコシステム（Pub/Sub、Looker、Sheets、Gemini）が担います。
Databricks と BigQuery は併用できますか？
はい、しかも2026年4月からは設計上そうできます。Lakehouse Federation は Databricks が BigQuery をその場でクエリすることを可能にします。逆方向では、Google のカタログフェデレーション（2026年4月29日にプレビューとして発表）により、BigQuery が Iceberg REST プロトコル経由でデータをコピーせずに Unity Catalog のマネージドテーブルを読めます。また BigQuery は2024年から BigLake external tables を通じて Delta テーブルを読めますが、読み取り専用です。エンジニアリングと ML を Databricks で、Google エコシステムの分析を BigQuery で行う分担はサポートされています。
機械学習には Databricks と BigQuery のどちらが優れていますか？
モデルを構築し運用するなら Databricks です。MLflow、feature store、GPU コンピュート、model serving、vector search、そして agent framework が1つのプラットフォームに揃います。BigQuery ML は SQL 型の ML（その場での予測、分類、クラスタリング）には優れていますが、深層学習とカスタムのサービングは別製品である Gemini Enterprise Agent Platform に委ね、Standard edition では利用できません。アナリスト向けの AI 支援については、BigQuery の無償の Gemini 機能が先行しています。
BigQuery はもう lakehouse なのですか？
多くの人が思うより近づいています。Apache Iceberg managed tables は GA で、データを自分の Cloud Storage バケット内に Iceberg のまま保持し、Lakehouse runtime catalog は Spark、Flink、Trino 向けに Iceberg REST エンドポイントを公開し、Google は2026年4月に BigLake を文字どおり Lakehouse へ改称しました。留意点は、Delta のサポートが読み取り専用であること、そしてエンジンの最も深い機能は依然として BigQuery が管理するネイティブテーブルを前提としていることです。
各プラットフォームからの離脱はどれくらい難しいですか？
Databricks を去るとは、すでに自分のストレージにあるオープンフォーマットのファイルに別のエンジンを向けることです。Unity Catalog の Iceberg REST エンドポイントは、外部エンジンがマネージドテーブルをその場で読むことさえ可能にします。BigQuery を去るのは運用上容易で安価ですが（バッチエクスポートは無償、Storage Read API は月 300 TiB まで無償）、それはデータの移動です。最初から自分のバケット内の Iceberg managed tables を採用していない限り、ネイティブテーブルはエクスポートするまで Google 管理のストレージ内にあります。
Databricks は Google Cloud 上でうまく動きますか？
はい。Google Cloud Marketplace から購入し、Google アカウント経由で請求され、classic コンピュートは自分のプロジェクト内で Google Compute Engine の VM を起動します（初期の GKE ベースのアーキテクチャは過去のものです）。serverless の SQL、jobs、ノートブックが利用でき、BigQuery との統合（Lakehouse Federation、カタログの相互運用、Spark コネクタ）はファーストクラスなので、混在した環境はごく普通です。
この比較の仕組み
- 表内の各セルはベンダー自身のドキュメントにリンクし、最終検証日を表示します。内容はそのまま引用しており、独自のベンチマークは実施していません。
- 機能データは変化の緩やかなスナップショットで、定期的に再確認しています。オープンソースの勢いと更新日は、パイプラインを通じて毎日更新されます。
- brickster.ai は独立しており、Databricks、BigQuery、その他いかなるベンダーとも提携関係はありません。誤りにお気づきの場合は、 お知らせください.
英語原文からAIが翻訳しています。