Hace cinco años, montar una infraestructura de datos seria significaba Snowflake o BigQuery con un equipo dedicado, un presupuesto que asustaba a finanzas y meses de set-up. Hoy, gracias a la maduración del paradigma lakehouse, una empresa mediana puede tener algo equivalente con dos personas y una fracción del costo.
El cambio se llama separación de storage y compute. Tus datos viven en object storage barato (S3, GCS, Azure Blob) en formatos abiertos (Parquet + Iceberg o Delta). Tu compute se levanta cuando lo necesitás (DuckDB en local, MotherDuck en la nube, Databricks SQL para casos grandes). No pagás por nada que no usás.
Lo más disruptivo no es el costo: es el modelo mental. Tu warehouse deja de ser un sistema monolítico al que todos le piden permiso a un equipo central. Pasa a ser una capa de datos que cualquier equipo puede consultar con SQL, desde Python notebooks hasta dashboards. La gobernanza no desaparece — se traslada a contratos de datos versionados.
La adopción en LATAM viene más lenta que en EEUU pero acelerándose. Vemos fintechs argentinas que pasaron de stacks legacy (SQL Server + ETLs antiguos) a lakehouses modernos en tres meses, ahorrando 60-70% en infra y desbloqueando casos de uso que antes eran imposibles: ML en tiempo real, analytics self-service para producto, y data products vendibles a clientes.
Si tu empresa tiene entre 50 y 500 personas y trabajás con datos seriamente, no tiene sentido seguir comprando al mismo modelo de 2020. Las opciones que existen hoy son significativamente más baratas, más rápidas y más flexibles. La única pregunta es cuándo migrar — no si.
Antes de entrenar modelos o conectar agentes, la mayoría de las empresas tiene un problema de calidad de datos que nadie quiere nombrar. Cómo diagnosticarlo y resolverlo primero.
