Hacia dónde va la ingeniería de datos en 2026: 5 tendencias clave

(joereis.substack.com)

13 puntos por GN⁺ 2026-02-22 | Aún no hay comentarios. | Compartir por WhatsApp

El campo de la ingeniería de datos muestra una polarización creciente bajo una doble presión: la expansión de la IA y la acumulación de deuda técnica
El nivel de uso de IA se vuelve el núcleo de la competitividad, y a medida que su uso cotidiano se generaliza, se espera que incluso desaparezca la expresión “asistido por IA”
La importancia del modelado de datos y la capa semántica crece con rapidez, aumentando la demanda de formación relacionada y acelerando la integración y automatización de herramientas
El mercado de herramientas de orquestación podría desplazarse del enfoque centrado en Airflow hacia herramientas de nueva generación como Dagster y Prefect, o ser absorbido por las plataformas
La falta de liderazgo y la ineficiencia organizacional se señalan como el mayor cuello de botella, y por encima de la tecnología, la construcción de capacidades organizacionales emerge como el factor que definirá la supervivencia

Panorama general de la ingeniería de datos

Problemas de larga data como la falta de liderazgo, propiedad poco clara, deuda técnica y presión de tiempo siguen sin resolverse
- La aceleración de la IA empeora estos problemas, aunque en algunas áreas también abre posibilidades de mejora
Se amplía la brecha entre los equipos que invirtieron en capacidades fundamentales y los que no
La ausencia de modelado de datos aparece como un problema central: el 38% de los equipos que no modelan sufren frecuentes incidentes y tareas reactivas
- En cambio, los equipos con un esquema de modelado presentan menos problemas
El tema central de 2026 es que “las deudas del pasado regresan con intereses altos”, lo que aumenta la presión por saldar la deuda técnica

Entre los encuestados, el 82% usa IA todos los días, y eso ya se está convirtiendo en un requisito básico
El 64% sigue en un nivel experimental o táctico, mientras que el 10% ya integró por completo la IA en sus flujos de trabajo
- Se espera que estos últimos equipos amplíen rápidamente la ventaja
Para finales de 2026, se prevé que la expresión “asistido por IA” desaparezca de las descripciones de puesto por haberse vuelto algo básico
Sin embargo, la importancia del modelado de datos se mantiene

El 89% enfrenta problemas relacionados con el modelado de datos, y solo el 5% usa modelos semánticos
Se plantean dos caminos
- Camino A: las capas semánticas y de contexto se expanden hasta volverse la corriente principal
- Camino B: la IA genera modelos al instante, reduciendo la necesidad de una capa semántica
Se plantea que primero se expandirá el camino A, y luego los modelos de IA podrían sustituirlo
Se espera que las herramientas de capa semántica y ontologías sean el gran avance de 2026, y se confirma una demanda de formación en modelado y semántica del 19% en cada caso

Entre todas las empresas, el 20% no usa herramientas de orquestación, lo que se considera una situación inestable
- Algunas dependen de procesos manuales o de herramientas no formales como cron
Airflow y la orquestación cloud-native dominan el panorama,
- Dagster registra 12% en empresas pequeñas y medianas, y 2.6% en grandes empresas, mostrando una tendencia de expansión bottom-up en lugar de top-down
La orquestación para agentes de IA sigue en una etapa incierta
A futuro, se plantea la posibilidad de una entrada empresarial de Dagster y Prefect o de una integración en plataformas (Databricks, Snowflake, dbt Cloud, etc.)

La proporción actual es de warehouse 44%, lakehouse 27%, híbrido 12%
- Se menciona que para 2027 podría converger a 35% / 35% / 30%
Con la convergencia funcional entre Snowflake y Databricks, se espera que la distinción “Lakehouse” pierda gradualmente sentido y se estandarice
La adopción de lakehouse del 40% en América Latina destaca como indicador adelantado
Para finales de 2026, el debate “warehouse vs lakehouse” podría considerarse un tema pasado de moda

El 22% de los ingenieros de datos señala la falta de liderazgo como problema principal,
- casi al mismo nivel que la deuda técnica (26%)
También aparece la mala definición de requerimientos (18%), lo que refleja ineficiencia organizacional
En medio del auge de adopción de IA, la autoevaluación del liderazgo y la mejora del diseño organizacional surgen como tareas indispensables
En 2026, se espera un aumento de contenidos y formación sobre liderazgo de datos, gestión de stakeholders y diseño organizacional

El 7% de los equipos prevé una reducción, y entre ellos, el 30% señala la falta de liderazgo como cuello de botella
- Esto implica una reducción causada no por eficiencia impulsada por IA, sino por carencias organizacionales
En 2026, algunos equipos de datos podrían disolverse, integrarse en departamentos de ingeniería o externalizarse
Solo sobrevivirán los equipos que demuestren valor de negocio; la capacidad técnica por sí sola no será sostenible

La clave de la ingeniería de datos en 2026 no será la elección de herramientas, sino la capacidad de ejecución organizacional
La capacidad de uso de IA, el esquema de modelado de datos y la calidad del liderazgo funcionarán como criterios que definirán la supervivencia
Será una etapa en la que, más que el avance tecnológico, la madurez organizacional y la estructura de colaboración determinarán la ventaja competitiva