Arquitectura lakehouse: cómo ordenar tus datos para hacer IA

Casi todas las empresas que quieren "hacer IA" chocan con el mismo muro antes de empezar: sus datos están dispersos. Una parte vive en el ERP, otra en planillas Excel que maneja una sola persona, otra en el sistema de producción, y otra en archivos que nadie encuentra. Antes de entrenar un modelo o poner a trabajar un agente, hay que resolver un problema más básico y menos glamoroso: tener una base de datos única, confiable y ordenada. Esa base, hoy, se llama lakehouse, y es el punto de partida de cualquier proyecto serio de analítica e inteligencia artificial.

Qué es un lakehouse (y por qué reemplazó al data warehouse)

Durante años, las empresas eligieron entre dos mundos. El data warehouse era ordenado y rápido para reportes, pero caro y rígido: solo servía para datos estructurados y en tablas. El data lake, en cambio, guardaba todo —archivos, imágenes, logs, texto— a bajo costo, pero terminaba convertido en un "pantano de datos" donde nada estaba gobernado ni era confiable. Elegir uno significaba renunciar a las ventajas del otro.

El lakehouse une los dos: guarda todo tipo de datos al costo de un data lake, pero les aplica la estructura, la calidad y el gobierno de un data warehouse. En la práctica, es una sola plataforma donde conviven tus datos crudos y tus datos listos para decidir, sin duplicar información en sistemas separados. Sobre esa base corren por igual los reportes de Power BI, los modelos de machine learning y los agentes de IA que ejecutan acciones.

Las tres capas: bronze, silver y gold

Un lakehouse bien construido se organiza en capas, un patrón conocido como arquitectura medallion. La capa bronze recibe los datos tal como llegan desde cada fuente —el ERP, las planillas, los sensores— sin transformarlos. Es la copia fiel de la realidad, con fecha y trazabilidad, para poder auditar y reprocesar cuando sea necesario.

La capa silver limpia y unifica: corrige formatos, resuelve duplicados, estandariza nombres de clientes y productos, y cruza las fuentes para que "cliente 001" en el ERP y "Cliente Uno S.A." en la planilla sean la misma entidad. Es donde los datos dejan de contradecirse entre sí. Finalmente, la capa gold deja los datos listos para el negocio: indicadores, tablas agregadas y vistas específicas por área —ventas, operaciones, finanzas— que alimentan directamente los dashboards, los modelos y los agentes. Cada capa tiene un propósito claro, y esa disciplina es lo que evita que el lakehouse vuelva a convertirse en un pantano.

Microsoft Fabric o Databricks: cuándo conviene cada uno

Las dos plataformas líderes para construir un lakehouse hoy son Microsoft Fabric y Databricks, y ambas se apoyan en formatos abiertos (Delta Lake y Parquet) que evitan que quedes amarrado a un proveedor. La elección depende menos de la tecnología y más del contexto de tu empresa.

Microsoft Fabric suele ser la mejor opción cuando la organización ya vive en el ecosistema Microsoft: Office 365, Azure y, sobre todo, Power BI. Fabric integra ingesta, transformación, almacenamiento y visualización en una sola experiencia, con un modelo de licenciamiento simple. Para equipos que quieren ordenar sus datos y llegar rápido a reportes confiables sin montar una infraestructura compleja, es un punto de entrada natural.

Databricks brilla cuando el peso del proyecto está en ciencia de datos, machine learning a gran escala o volúmenes muy grandes de información. Ofrece más control y potencia sobre el procesamiento distribuido y el ciclo de vida de los modelos, y es multinube. Para operaciones con equipos de datos maduros que necesitan exprimir el rendimiento, es la herramienta de referencia. En muchos casos la respuesta correcta no es "una u otra" para siempre, sino elegir la que mejor resuelve tu caso actual sin cerrarte puertas —justamente porque ambas usan formatos abiertos.

Del dato ordenado a la decisión automática

Ordenar los datos no es el objetivo final: es la condición para lo que viene después. Con un lakehouse en su lugar, un modelo de optimización puede recalcular turnos con datos frescos cada día; un agente de IA puede leer el estado real de la operación y ejecutar una acción; y un gerente puede confiar en que el número que ve en su dashboard es el mismo que ve el resto de la empresa. Sin esa base, cada proyecto de IA gasta el 80% de su tiempo peleando con datos sucios y el 20% resolviendo el problema de negocio.

Por eso, cuando una empresa nos dice que quiere "aplicar IA", muchas veces el primer paso no es un modelo, sino ordenar la casa. La buena noticia es que ya no hace falta un proyecto de un año: con las plataformas actuales, un lakehouse acotado —enfocado en las fuentes que de verdad importan para una decisión concreta— se puede montar y validar en semanas, y crecer desde ahí.