MIT Technology Review Insights publicó un informe sobre cómo la IA está redefiniendo la ingeniería de datos. Encuestaron a 400 ejecutivos senior de tecnología. El 72% dice que los data engineers son clave para el éxito de su negocio.
Coincido con el problema. No coincido con la conclusión.
Informe gratuito · PDF, 21 páginas (en inglés)Redefining data engineering in the age of AIMIT Technology Review Insights, junto con Snowflake, 2025Descargar el informe ↓Primero, un poco de contexto. El informe lo patrocina Snowflake. Y Snowflake le vende a los data engineers.
Eso no hace que los números estén mal. Pero sí define qué preguntas se hacen. Todas las preguntas de la encuesta dan por hecho que el data engineer sigue en el centro del proceso. Ninguna hace la obvia: ¿y si la capa de datos que necesita la IA se pudiera armar sin un equipo de ingeniería de datos?
Para ser justo, yo dirijo una empresa con su propio punto de vista. Así que pesá mi opinión con la misma vara.
Esto lo vi de los dos lados. Estuve nueve años en YPF, donde mi equipo hacía 92 reportes por mes. Después lideré equipos de datos en seguros y banca, con más de 40 data scientists y data engineers. Contraté data engineers. Sé lo mucho que se matan.
Y sé que su esfuerzo nunca fue el cuello de botella.
Mirá los números del propio informe. Los data engineers dedicaban el 19% de su tiempo a proyectos de IA en 2023, el 37% en 2025, y esperan llegar al 61% en dos años. El 77% de los ejecutivos dice que su carga de trabajo es cada vez más pesada.
El informe lo presenta como un desafío a gestionar. Yo veo un cuello de botella.
Si cada caso de uso nuevo de IA necesita que una persona arme un pipeline, más IA significa una fila más larga. Hacer más rápidos a los ingenieros no arregla una fila que crece más rápido que ellos.
Segundo punto. El informe dice que la IA agéntica es “el próximo gran desafío”. Cuando se hizo la encuesta, solo el 20% de las empresas la había implementado.
Yo armé mi primer agente en 2021, antes de que nadie los llamara agentes. Y el mercado se está moviendo más rápido de lo que sugiere el informe: el reporte Top Trends in Data & Analytics de Gartner, de febrero de 2026, predice que para 2029 los agentes de IA van a automatizar el 75% de los flujos de trabajo de ingeniería de datos.
75%. Eso no es una herramienta que ayuda al data engineer. Es otra forma de hacer el trabajo.
Tercer punto. Los principales desafíos que mencionan los encuestados con las nuevas herramientas de IA son la complejidad de integración (45%) y la proliferación de herramientas (38%).
Obvio. Si la respuesta a cada problema es una herramienta más arriba del stack, el stack crece. La solución no es meterle IA a cada capa. Es colapsar las capas.
¿Y las recomendaciones? Cursos de frameworks de machine learning. Equipos multidisciplinarios. Mejores habilidades de comunicación.
Todo razonable para la carrera de una persona. Pero para una empresa, eso son años. Mientras tanto, el CFO sigue necesitando el número. Hoy.
Donde el informe tiene razón, tiene mucha razón. “No hay IA sin datos.” Totalmente de acuerdo. Es la razón por la que existe Teramot.
También tiene razón en que la seguridad es la principal preocupación, mencionada por el 55%. Los agentes que tocan los datos de una empresa tienen que correr dentro de la nube de esa empresa, en modo solo lectura, sin copiar datos a ningún otro lado. Ahí no hay atajos.
Entonces no, no creo que los data engineers desaparezcan. Lo que creo es que el trabajo que describe este informe, armar pipelines uno por uno para que la IA pueda funcionar, es justo el trabajo que tienen que hacer los agentes. Lo que queda es la parte que el propio informe destaca: arquitectura, reglas, criterio.
Y acá está el punto. Los modelos de lenguaje no pueden conectarse solos a las bases de datos de una empresa, entenderlas y usarlas. Ese es el problema más grande de la IA en las empresas.
Teramot ya lo resolvió. Sus agentes arman toda la infraestructura de datos de punta a punta, hasta tablas de resultados calculadas en la capa gold, trazables hasta el origen, que la propia IA de la empresa usa a través de MCP. Sin proyecto de implementación. Un SAP con 70.000 tablas, listo para que lo use la IA en menos de una hora.
La pregunta no es cómo hacer a los data engineers un 20% más productivos. Es por qué cada empresa todavía tiene que armar su capa de datos a mano.
Eso es lo que estamos cambiando.