Recientemente, el término "Infraestructura de Datos Preparada para IA" se ha vuelto bastante importante y se ve con frecuencia.
Parece que esto no se trata solo de:
"Construir un DWH", "Configurar BI" o "Poner datos internos en RAG".
Después de leer varios artículos y organizar las ideas, "Preparado para IA" esencialmente significa:
Un estado en el que la IA puede hacer referencia de forma segura, interpretar correctamente y usar los datos para acciones comerciales.
Primero, como premisa principal, la capacidad de la IA para escribir SQL es diferente de la capacidad de la IA para responder correctamente a preguntas de negocio.
Dos Componentes Principales de la Infraestructura de Datos "Preparada para IA"
1. Preparación de Datos
Usar una arquitectura de medallón como Bronce/Plata/Oro para organizar los datos sin procesar en una granularidad, calidad y estructura que pueda soportar el análisis.
2. Proporcionar Contexto de Datos
Hacer que el significado de los datos, las relaciones y las reglas de negocio sean legibles para la IA a través de modelos semánticos y ontologías.
Esto es extremadamente importante; solo dar tablas a la IA no es suficiente.
"¿Qué son los ingresos?" ¿Incluye devoluciones? ¿Qué ID de cliente debe vincularse a qué ID de contrato? ¿La definición de qué departamento es la correcta? Sin este contexto de negocio, la IA producirá respuestas que parecen plausibles pero que no son acertadas.
La discusión del Snowflake Summit mencionada en el artículo de Finatext es similar.
En la era de la IA, la importancia de los pipelines de datos en realidad aumenta. Incluso si los LLM se vuelven más inteligentes, si la frescura, precisión y estructuración de los datos de entrada son débiles, la calidad de la salida tendrá un límite. Curiosamente, la dirección de Snowflake se está moviendo hacia la reducción de la fricción en el desarrollo, la implementación y el monitoreo, en lugar de solo "agregar funciones".
La IA crea DAG, construye pipelines y escribe código. En ese mundo, el trabajo humano pasa de "tareas" a "diseñar productos de datos correctos".
Otro artículo para startups también fue sugerente.
Los datos de las startups tienden a estar dispersos en bases de datos de productos, CRMs, hojas de cálculo, Slack, Notion y herramientas de soporte.
Funciona al principio.
Pero cuando intentas integrar agentes de IA en las operaciones, esta fragmentación se convierte en el límite. Por ejemplo, un agente de ventas quiere consultar CRM, registros de uso, información de contratos, historial de consultas y materiales de propuestas anteriores. Un agente de CS quiere ver no solo el contenido de la consulta, sino también el estado de uso del cliente y las interacciones pasadas. Un agente de apoyo a la gerencia debería detectar cambios en los KPI y organizar las causas y los próximos pasos.
En resumen, lo que los agentes de IA necesitan es contexto, no solo volumen de datos.
Los datos estructurados por sí solos no son suficientes.
Los datos no estructurados, como notas de reuniones, discusiones de Slack, especificaciones de Notion, historial de CS, razones de acuerdos perdidos y casos de estudio, también se convierten en materiales importantes para que la IA entienda el negocio.
Con base en lo anterior, creo que estas cinco cosas son necesarias para una infraestructura de datos preparada para IA.
1. Datos confiables y preparados
2. Definiciones de KPI y términos de negocio
3. Conexión entre datos estructurados y no estructurados
4. Gestión de permisos y control de alcance
5. Capacidad de rastrear la base de las respuestas y propuestas
Específicamente, creo que la próxima forma de BI será importante. El BI tradicional era algo que los humanos iban a ver en un tablero. Pero cuando se establece un estado preparado para IA, cambia a una forma donde la IA nota anomalías, investiga las razones y propone la siguiente acción.
Está cerca de lo que se llama Push BI.
Sin embargo, lo importante en Push BI no es la notificación.
Si solo publicas "Las ventas han caído" en Slack, es solo un bot de alertas. Lo que realmente se necesita es generar:
- Qué KPI
- Comparado con lo que es normalmente
- Cuánto cambió
- Por qué pudo haber sucedido
- Qué evidencia se está revisando
- Quién debería hacer qué
Para hacer eso, un DWH por sí solo no es suficiente.
Se requieren definiciones de métricas, catálogos de datos, conocimiento del negocio, RAG, permisos y bucles de retroalimentación. Una infraestructura de datos preparada para IA no es un estado en el que solo puedas pasar datos a la IA. Es un estado en el que la IA entiende el contexto del negocio, hace juicios con evidencia y lleva a la siguiente acción humana.
La infraestructura de datos del futuro pasará de ser una simple plataforma para "visualización" a un "Sistema Operativo de Negocio" para que los agentes de IA juzguen, propongan y ejecuten.
Por cierto, Snowflake y Databricks, los principales actores en infraestructura de datos, anunciaron cosas recientemente con respecto a 2027. Las personas que gestionen datos en el futuro probablemente estarán más cerca de ser un Arquitecto de Datos x Director de IA que personas que solo implementan SQL y ETL. o11y también es un tema.
Artículos de referencia:
- Finatext Tech Blog: Snowflake Summit 2026 / Desarrollo Inteligente de Pipelines para Datos Preparados para IA
https://zenn.dev/finatext/articles/6c5f6a7f7862e4
- Qiita: ¿Qué es una Infraestructura de Datos Preparada para IA?
https://qiita.com/ayumito/items/746fc38b5675869b96a0
- Zenn: Organizando la Infraestructura de Datos Necesaria para Startups en la Era de la IA
