Si lideras un equipo de datos en LATAM en 2026, la pregunta que más me hacen no es "¿qué plataforma compramos?" sino "¿qué tiene que aprender mi equipo ahora?". Es la pregunta correcta. Las plataformas cambian cada seis meses. Los skills, cuando se internalizan bien, duran años.
He trabajado con más de 100 empresas en la región en los últimos años — desde bancos hasta startups — y el patrón que veo repetirse es el mismo: equipos técnicamente sólidos en sus herramientas de 2022, que de repente enfrentan un mercado donde sus datos deben alimentar agentes de IA, modelos en producción, y pipelines inteligentes que ellos mismos no saben construir todavía. No es falta de capacidad. Es falta de mapa.
Por qué el stack de datos de 2022 ya no alcanza
El Data Engineer de 2022 dominaba Spark, SQL, un orquestador (Airflow, Prefect), y quizás algo de dbt. Eso era suficiente para construir y mantener pipelines de datos confiables. Hoy ese perfil tiene un problema: sus datos son el input de modelos de IA que otros equipos despliegan, y cuando algo falla — un schema inesperado, un batch de datos sucios, una latencia en el pipeline — el agente falla en producción y nadie sabe bien quién lo arregla.
El mercado está creando un nuevo perfil: el AI Data Engineer. Alguien que entiende pipelines de datos y también sabe cómo esos datos van a ser consumidos por LLMs, cómo hacer un pipeline de RAG, cómo monitorear la calidad de los datos de entrenamiento, y cómo conectar una base de datos a un agente de IA. No es un Data Engineer con ChatGPT. Es un perfil nuevo con responsabilidades nuevas.
Los tres perfiles que el mercado de datos está demandando ahora
Antes de hablar de skills, conviene nombrar los perfiles. Porque no todos en tu equipo de datos necesitan aprender lo mismo.
El primero es el AI Data Engineer: construye los pipelines que alimentan modelos e IA. Necesita entender RAG, vector stores, embeddings, y cómo integrar LLMs en flujos de datos existentes. El segundo es el AI Data Analyst: analista que usa IA para acelerar su trabajo y que sabe hacer consultas en lenguaje natural sobre los datos, evaluar outputs de modelos y comunicar insights con mayor profundidad. El tercero es el AI Agentic Engineer: el perfil más escaso, que diseña sistemas multi-agente que orquestan tareas complejas y que generalmente sale de alguien con base en Data Engineering o ML.
Los 6 gaps de skills que más veo en equipos de datos en LATAM
- ▸Embeddings y vector stores: saben hacer ETL pero no saben preparar datos para búsqueda semántica o RAG. Es el gap más crítico ahora mismo.
- ▸Orquestación de agentes: el equipo usa Airflow para pipelines pero no sabe cómo funciona un agente de LangGraph o CrewAI que consume esos pipelines.
- ▸Evaluación de calidad de datos para IA: saben hacer data quality para analytics pero no para entrenamiento o fine-tuning. Las métricas son distintas.
- ▸Prompting y context engineering: los analistas usan ChatGPT intuitivamente pero no entienden cómo estructurar el contexto para extraer datos o razonamiento de forma predecible.
- ▸MLOps básico: muchos equipos de datos ahora tienen modelos en producción pero nadie del equipo sabe monitorearlos, re-entrenarlos, o gestionar el drift. El ML Engineer suele ser una persona y punto de falla único.
- ▸Integración de plataformas cloud con IA nativa: saben usar la plataforma cloud de la empresa para datos, pero no saben cómo activar las capacidades de IA nativa que ya incluye (Mosaic AI en Databricks, Cortex AI en Snowflake, Bedrock en AWS, etc.).
Cómo priorizar qué aprender primero (roadmap por rol)
No todos en el equipo necesitan aprender todo. El error que veo en la mayoría de empresas es comprar un programa de capacitación genérico "de IA" y enviarlo a todos, independientemente del rol. El Data Engineer se aburre con los módulos de prompting básico, el analista se pierde con los de Spark. Lo que funciona es el camino por perfil.
Para tus ingenieros de datos: el primer bloque es la integración de LLMs en pipelines (RAG, embeddings, vector stores). El segundo es orquestación de agentes simples sobre sus datos existentes. El tercero es MLOps para quien ya tiene modelos en producción. El programa de Data Engineer de DataPath cubre el primero y segundo bloque, y la ruta de AI Agentic Engineer cierra el tercero para quienes van por el camino agéntico.
Para tus analistas de datos: el primer bloque es IA aplicada al análisis (prompting estructurado, consultas en lenguaje natural, automatización de reportes). El segundo es visualización con IA y storytelling de datos. La ruta de Analista de Datos con IA está diseñada exactamente para ese perfil: no asume experiencia en programación, parte desde SQL y analítica, e incorpora IA como capa de aceleración.
Cómo diseñar un plan de formación que no falle en el tercer mes
El error más común que veo no es elegir el programa equivocado. Es lanzar la capacitación sin un proyecto real al que aplicar lo aprendido. Los equipos aprenden una herramienta, la practican en ejercicios del curso, y vuelven al trabajo el lunes a hacer lo mismo que hacían antes porque nadie les dio un caso de uso real donde aplicarlo.
Lo que funciona: definir antes de empezar el entrenamiento cuál es el caso de uso interno que el equipo va a resolver al terminar. Puede ser un pipeline de RAG sobre la base de conocimiento interna, un agente que automatiza un reporte semanal, o un dashboard de análisis de churn con IA. El aprendizaje se ancla cuando hay un resultado concreto que mostrar.
El segundo elemento que falla es el seguimiento. La mayoría de programas de capacitación tienen una fase de entrenamiento y luego dejan al equipo solo. Los mejores programas incluyen mentoría y revisión de los proyectos reales que el equipo está aplicando durante el proceso.
Cómo puede ayudar DataPath a tu equipo
En DataPath hemos capacitado a más de 1500 profesionales de datos y trabajado con más de 100 empresas en LATAM, incluyendo equipos de Entel, BCP y Scotiabank. El modelo que aplicamos es distinto al de una plataforma de cursos: hacemos un diagnóstico del equipo primero, diseñamos el programa según los roles y los casos de uso internos, ejecutamos en vivo con instructores activos en la industria, y medimos el impacto al final.
Si lideras un equipo de datos y quieres saber exactamente qué necesita aprender y en qué orden, el primer paso es una conversación. Puedes solicitar una propuesta sin costo en DataPath para Empresas. Lo que tu equipo dominaría incluye desde los fundamentos del programa de Data Engineer hasta la ruta de AI Agentic Engineer, según el nivel y los objetivos del equipo.
La pregunta de qué debe aprender tu equipo en 2026 tiene respuesta, pero es específica para cada equipo. El mapa que funciona para un banco no es el mismo que funciona para una startup de logística. Lo que sí es universal: esperar a que el mercado te presione para empezar a capacitar es más caro que arrancar antes. El costo de no actuar en la brecha de talento en IA en LATAM ya es medible, y los equipos que empezaron a invertir hace doce meses llevan hoy una ventaja real.
