La carrera de infraestructura de datos en LATAM ya empezó: ¿en qué posición estás?

Databricks superó $1.5B en ingresos anuales. Deloitte identifica los datos como fuerza redefinitoria en LATAM. Qué separa a las empresas medianas que van adelante de las que todavía están evaluando si vale la pena.

Esta semana Databricks anunció que su negocio de data warehouse superó los $1.5 billones de dólares en ingresos anuales. En el mismo período, Deloitte publicó un análisis sobre LATAM que identifica infraestructura, datos y confianza como las tres fuerzas que van a redefinir la competitividad regional en los próximos años.

Los dos datos juntos dicen lo mismo: las empresas que llevan tiempo invirtiendo en su capa de datos están generando valor suficiente como para sostener una industria entera. Y las que todavía están deliberando si vale la pena están perdiendo terreno todos los meses que pasan.

El problema es que ese análisis habla, mayormente, de bancos y corporaciones grandes. Las empresas medianas — 50 a 500 empleados, operando en LATAM — todavía están en la reunión donde alguien pregunta si “lo de los datos” es prioritario o puede esperar.

No puede esperar. Y este artículo explica por qué, qué tienen en común las que van adelante, y cuál es el primer paso real para acortar la brecha.

¿Por qué la infraestructura de datos se volvió urgente ahora?

Durante años, “ordenar los datos” fue un proyecto de mejora continua. Algo que se hacía cuando había tiempo y presupuesto sobrante, que casi nunca existen en simultáneo.

Lo que cambió no es la importancia de los datos — siempre fueron importantes. Lo que cambió es que ahora casi todas las herramientas de productividad y automatización que las empresas están comprando (ERPs con IA, plataformas de BI, automatizaciones con n8n o Make, agentes de IA) requieren datos limpios, centralizados y accesibles para funcionar.

Sin esa base, cada nueva herramienta agrega complejidad en lugar de capacidad. Y el costo de esa complejidad se acumula silenciosamente: en horas de trabajo manual, en decisiones tomadas con información desactualizada, en proyectos que nunca llegan a producción.

¿Qué tienen en común las empresas que van adelante?

No es que tengan más presupuesto. En la mayoría de los casos que hemos visto, las empresas medianas que tienen su infraestructura de datos funcionando bien tomaron tres decisiones relativamente simples antes que las demás.

Centralizaron los datos antes de intentar automatizarlos

Las empresas que van adelante no empezaron por el proyecto más visible (el dashboard ejecutivo, el chatbot, el módulo de IA del ERP). Empezaron por la pregunta más aburrida: ¿dónde vive cada dato y quién es responsable de él?

Esa pregunta lleva a construir una capa de integración mínima: los sistemas operativos (ERP, CRM, sistema de gestión) conectados a un lugar central donde los datos pueden ser consultados sin depender de que alguien los exporte manualmente.

No es un proyecto de seis meses. Una integración inicial funcional puede hacerse en semanas. Lo que tarda es la decisión de empezar.

Tienen un responsable claro de los datos

No necesariamente un Chief Data Officer con equipo propio. En empresas de 50 a 200 personas, puede ser el Director de TI, el jefe de operaciones, o en algunos casos alguien de finanzas que históricamente ha sido el custodio informal de los reportes.

Lo que sí es común en las empresas que funcionan bien: hay una persona que puede responder “¿cuál es la fuente oficial para ese número?” sin necesitar preguntar a tres equipos distintos.

En las empresas que van atrás, esa pregunta desencadena una discusión que dura más que la reunión donde surgió.

Construyeron infraestructura que puede crecer sin rediseño completo

Este es el punto más técnico, pero también el más relevante para los decisores. Las empresas que tomaron atajos al principio — un Excel compartido que se volvió la base de los reportes, una conexión directa entre dos sistemas que nadie documenta, un script que corre en la computadora de alguien — terminan rehaciendo todo cuando quieren crecer.

Las que van adelante invirtieron un poco más al principio en hacerlo de forma que pueda escalarse: un data warehouse con estructura definida, transformaciones documentadas, accesos controlados. No necesita ser Snowflake ni Databricks desde el día uno. Pero sí necesita ser algo que el siguiente ingeniero pueda entender sin que el anterior tenga que explicárselo.

¿Qué tienen en común las que van atrás?

También hay patrones claros en el otro lado.

Múltiples fuentes de verdad para el mismo dato. El CRM dice una cosa, el ERP dice otra, y el equipo de ventas tiene su propio Excel. Cada vez que alguien necesita un número, empieza una investigación.

Reportes que consumen días de trabajo manual al mes. En varias empresas con las que hemos trabajado, el proceso de cierre mensual involucra a dos o tres personas durante dos a cinco días, cruzando datos de distintos sistemas a mano. Ese tiempo tiene un costo real que rara vez aparece en el análisis de “cuánto cuesta un proyecto de datos”.

Proyectos de tecnología que fracasan antes de arrancar. Esto es lo más común: una empresa contrata un sistema de BI, o activa el módulo de IA de su ERP, o empieza un proyecto de automatización. A los dos meses, el proyecto está estancado porque los datos de entrada están sucios, incompletos o en un formato que la herramienta no puede leer. El proyecto se abandona o se reduce a una fracción de su alcance original.

¿Cuándo no es urgente?

Hay casos donde la inversión en infraestructura de datos puede esperar. Vale la pena ser honesto sobre esto.

Si tu empresa opera con un solo sistema central (un ERP que concentra todo) y los reportes que necesitas salen de ese sistema sin intervención manual, probablemente no tienes un problema de infraestructura todavía. Lo tendrás cuando empieces a crecer o a integrar herramientas nuevas, pero hoy no es urgente.

Si tu empresa tiene menos de 20 empleados y las decisiones operativas se toman con información que una persona puede sostener en la cabeza, el overhead de construir infraestructura formal supera el beneficio. Escala primero.

Si ya tienes un equipo de datos interno con capacidad de construir y mantener la infraestructura, este artículo probablemente no te dice nada nuevo. El problema que describimos aquí es de empresas que no tienen esa capacidad instalada.

¿Cuál es el primer paso real?

La respuesta más honesta que podemos dar es esta: antes de contratar una herramienta, antes de lanzar un proyecto de BI, antes de activar nada relacionado con IA o automatización, hay que responder tres preguntas:

1. ¿Cuáles son los tres indicadores que el negocio necesita ver cada semana para tomar decisiones operativas?
2. ¿Dónde vive ese dato hoy y qué tan confiable es?
3. ¿Cuánto tiempo tarda en estar disponible cuando alguien lo necesita?

Si las respuestas a esas preguntas son claras, tienes una base para construir. Si no lo son, el primer paso es clarificarlas — antes de invertir en cualquier herramienta.

Eso es exactamente lo que hacemos en el Smart Blueprint: un diagnóstico de 10 horas que responde esas preguntas con el equipo interno y produce un mapa de prioridades concreto.

Takeaway accionable

Esta semana, identifica el reporte más crítico de tu negocio — el que más decisiones mueve — y mapea de dónde viene cada dato que lo compone. Cuántos sistemas tocan, cuánto tiempo tarda en estar listo, y quién es el responsable de que sea correcto.

Si ese ejercicio te lleva más de una hora o revela más de tres fuentes distintas, tienes un problema de infraestructura que ya está costando algo mensualmente.

---

Preguntas frecuentes

¿Qué tamaño de empresa necesita infraestructura de datos formal?

En general, el punto de quiebre está alrededor de los 50 empleados o cuando la empresa empieza a operar con más de dos sistemas que generan datos relevantes para el negocio. Por debajo de ese umbral, la solución manual es manejable. Por encima, el costo de la desorganización supera rápidamente el costo de ordenarlo.

¿Cuánto tiempo tarda en verse el impacto?

Depende del alcance del primer proyecto, pero en la mayoría de los casos una integración inicial funcional — que permita reportes confiables y automáticos para los indicadores clave — puede estar operativa en 4 a 8 semanas. El impacto en tiempo de trabajo manual es inmediato.

¿Es necesario migrar todos los sistemas o se puede empezar con uno?

Siempre se empieza con uno — el que más duele. La arquitectura correcta permite agregar fuentes de datos progresivamente sin rediseñar lo que ya funciona. La clave es que el diseño inicial contemple esa expansión, no que lo resuelva todo desde el día uno.

¿Cómo sé si mi empresa está lista para un proyecto de datos?

Si tienes claridad sobre qué decisiones de negocio quieres mejorar y quién internamente va a usar los datos, estás lista. La disponibilidad técnica (sistemas, accesos, equipo) es un insumo que se mapea durante el diagnóstico, no un requisito previo.

---

Relacionados:

• Tu empresa no tiene un problema de IA. Tiene un problema de datos. — por qué la mayoría de los proyectos de IA fracasan antes de empezar
• Cuando dos reportes del mismo negocio dan números distintos — cómo identificar y resolver la inconsistencia en tus datos