Durante los últimos años se ha realizado un esfuerzos enormes en la construcción de plataformas modernas de datos, implantación de modelos de gobierno, despliegue de buenas prácticas DataOps, creación de productos de datos y sobre todo adoptar arquitectura tipo Lakehouse basada en la capa de medallas. Sin embargo, el último inform de Gartner Hype Cycle for Data, Analytics and AI Leaders and Programs, 2026 plantea una pregunta mucho más relevante: ¿estamos realmente preparados para convertirnos en organizaciones IA-Native?
La respuesta del informe es interesante porque rompe con una narrativa que se ha repetido hasta la saciedad durante los últimos meses. La IA no sustituye las disciplinas tradicionales de datos y analítica. Al contrario. Gartner concluye que las organizaciones que obtienen mejores resultados con el uso de la IA son precisamente aquellas que siguen invirtiendo en gestión de datos, gobierno y talento. De hecho, los líderes más satisfechos con sus iniciativas de IA invierten proporcionalmente más en estas capacidades fundamentales que aquellos que no están obteniendo los resultados esperados.
En otras palabras, la IA no elimina la necesidad de una estrategia de datos sólida. La convierte en más importante que nunca.
Lo que Gartner valida de los frameworks actuales
Si se analizan las capacidades que Gartner sitúa como estratégicas para los próximos años aparecen elementos que ya forman parte del framework moderno de datos y analítica:
- AI-Ready Data
- Data Fabric
- DataOps
- MLOps
- AI Governance
- Data Sharing
- Data Literacy
- Decision Intelligence
- AI Engineering
- Data Ecosystems
Esto confirma algo que muchas organizaciones ya están comprobando en sus iniciativas de IA generativa y agentes: el verdadero desafío ya no consiste en desplegar modelos, sino en garantizar que esos modelos consumen datos confiables, gobernados, observables y contextualizados.
La buena noticia es que no se parte de cero. Muchos de los pilares necesarios para la adopción masiva de IA ya existen. La cuestión es cómo evolucionarlos.
Primera evolución: de Data Governance a Governance Everywhere
Una de las tendencias más relevantes del informe es la transformación del concepto tradicional de gobierno.
Durante años se he entendido la gobernanza como un conjunto de procesos, comités, políticas y controles. Gartner anticipa una evolución hacia modelos mucho más dinámicos mediante conceptos como:
- Adaptative D&A Governance
- Connected Governance
- Automated Data Governance
- Trust-Based Governance
- Decision Governance
El mensaje es claro: la gobernanza debe dejar de ser un mecanismo de control centralizado para convertirse en una capacidad distribuida, contextual y automatizada.
Esto implica:
- políticas como código,
- automatización de controles,
- validaciones continuas,
- gobierno federado,
- observabilidad en tiempo real,
- y mecanismos de confianza adaptados al nivel de riesgo.
La gobernanza deja de ser algo que documentamos para convertirse en algo que ejecutamos.
Segunda evolución: de Data Products a Value Products
Uno de los conceptos más interesantes que incorpora Gartner este año es Value Management for Data, Analytics & AI.
La disciplina propone conectar cada inversión en datos, analítica o IA con una decisión de negocio y un resultado medible.
NOTA: en Plain Concepts estamos adoptando esa visión a través de Capability Views.
Hasta ahora muchas organizaciones medían:
- número de datasets,
- dashboards desplegados,
- pipelines construidos,
- modelos entrenados.
La nueva propuesta consiste en medir:
- calidad de las decisiones,
- impacto operativo,
- incremento de ingresos,
- reducción de riesgos,
- creación de valor empresarial.
Esto supone un cambio profundo.
Los equipos de datos dejan de ser proveedores de información para convrtirse en aceleradores directos de la creación de valor.
Tercera evolución: de Analytics a Decision Intelligence
Otro de los movimientos que más destaca en el Hype Circle es el protagonismo creciente de Decision Intelligence. Gartner la considera una capacidad transformacional y uno de los elementos clave del futuro de Data & AI.
La razón es sencilla.
Las organizaciones llevan años produciendo dashboards, informes e indicadores. Sin embargo, disponer de información no garantiza mejores decisiones. Por ello emergen disciplinas complementarias:
- Decision Intelligence
- Decision Governance
- Decision Engineering
La evolución natural es:
Datos → Insights → Recomendaciones → Decisiones → Acciones → Aprendizaje
Las organizaciones más maduras no competirán por quién genera más información, sino por quién toma mejores decisiones y aprende más rápido de sus resultados.
Cuarta evolución: de la Semantic Layer a los Context Graphs
Una de las innovaciones más prometedoras del informe es la aparición de los Context Graphs. Gartner los define como estructuras capaces de conectar:
- datos,
- acciones,
- objetivos,
- relaciones,
- decisiones,
- metadatos,
- trazabilidad,
- y contexto operativo.
Si durante años se ha defendido la capa semántica como fundamento de la analítica empresarial, los Context Graphs representan la siguiente evolución lógica. La semántica explicaba qué significan los datos. Los Context Graphs explican además:
- por qué ocurrió algo,
- qué decisiones se tomaron,
- qué consecuencias tuvieron,
- y qué debería suceder después.
Precisamente el tipo de conocimiento que los agentes necesitan para actuar de manera autónoma.
Quinta evolución: de MLOps a AI Engineering
Otra señal clara del informe es el protagonismo creciente de AI Engineering, considerada una capacidad transformacional. Lo relevante es Gartner no la interpreta únicamente como ingeniería de modelos. La define como la convergencia de:
- DataOps
- MLOps
- LLMOps
- AgentOps
- DevSecOps
Esto confirma una tendencia que ya se observaba en el mercado: la IA empresarial ya no se construye proyecto a proyecto. Se industrializa mediante plataformas capaces de gestionar datos, modelos, agentes, observabilidad, gobernanza y despliegue de forma integrada. La ventaja competitiva ya no residirá en tener un mejor modelo. Residirá en disponer de una fábrica capaz de generar soluciones de IA de forma repetible, gobernada y escalable.
Sexta evolución: hacia organizaciones preparadas para agentes
El informe está claramente influido por el auge de Agentic AI. Sin embargo, Gartner lanza una advertencia importante: la mayoría de organizaciones todavía necesitan fortalecer sus fundamentos antes de aspirar a ecosistemas de agentes autónomos.
Antes de desplegar agentes a gran escala es necesario disponer de:
- AI-Ready Data
- AI Governance
- Data Observability
- Metadata Management
- Data Fabric
- Semantic Layers
- AI Engineering
Los agentes no son el punto de partida. Son la consecuencia natural de haber construido correctamente todos los elementos anteriores.
Conclusión
Las principales conclusiones que extraigo del Hype Cycle 2026 es que el futuro de los datos no están en los datos. ¡Está en la decisiones!
Estamos pasando de gestionar activos de información a gestionar sistemas capaces de razonar, decidir y actuar. Y para hacerlo posble debemos evolucionar desde:
- Data Governance → Adaptative Governance
- Data Products → Value Products
- Analytics → Decision Intelligence
- Semantic Layer → Context Graphs
- MLOps → AI Engineering
- Automatization → Agentic AI
La verdadera pregunta para los próximos años ya no será si utilizamos IA. La pregunta será si nuestra estrategia de datos está preparada para sostener una organización donde las decisiones, los procesos y una parte creciente de las operaciones estarán impulsados por sistemas inteligentes.
Fuente: Gartner, Hype Cycle for Data, Analytics and AI Leaders and Programs, 2026 (ID G00846825, julio de 2026). Análisis realizado exclusivamente a partir de los contenidos y conclusiones del informe.
Foto de portada gracias a Atlantic Ambience: https://www.pexels.com/es-es/foto/nina-nino-escultura-monstruo-12955799/
Alb3rto Alonso 