El próximo 30 de septiembre, en el marco de DCD>Compute Latam, Jorge Ulises González Medina, Director of Data, AI & Advanced Analytics en Actinver, formará parte del panel “Almacenamiento en tiempos de IA: ¿Podemos hacer frente a la sobrecarga de datos generados por la inteligencia artificial?”.

El evento, que se realizará en conjunto con DCD>Connect Latam en el Barceló Maya Grand Resort, reunirá a destacados líderes de la industria. Junto a González participarán: Héctor Aguilar, CTO de Grupo Fórmula; Rodrigo Rodríguez, Senior Cloud Solution Architect & AI en Microsoft; Diana Hidalgo, IT Digital Lead en Johnson & Johnson; Yascara Caballero, Regional D&IT Business Solutions Manager en Japan Tobacco International; y Rodrigo Olivares, Regional Senior Manager - Data, AI & Analytics en Nissan Motor Corporation.

Con un enfoque en computación, almacenamiento y redes, DCD>Compute será un punto de encuentro estratégico para los principales actores del ecosistema tecnológico latinoamericano, desde hyperscalers y líderes de TI empresarial, hasta proveedores de soluciones especializadas.

Previo a su participación, DCD entrevistó a Jorge Ulises González para conocer su visión sobre la gestión de datos en la era de la inteligencia artificial.

¿Qué tan preparadas están las organizaciones de la región para enfrentar el volumen y la complejidad de datos que genera la inteligencia artificial?

La mayoría confunde capacidad de almacenamiento con preparación real. La nube resolvió elasticidad, pero no madurez: pocos tienen catálogos robustos, contratos de datos o métricas de calidad automatizadas. El resultado es un “data swamp” que aparenta abundancia, pero carece de trazabilidad y control de costos. La verdadera preparación se mide en lineage auditable, SLOs de frescura y porcentaje de datasets gobernados por contratos explícitos. En esos indicadores, la región aún muestra una brecha significativa.

¿Cómo se equilibra la necesidad de innovación en IA con las limitaciones de costos y capacidad de infraestructura de almacenamiento?

El equilibrio no se logra con más hardware, sino con rediseño arquitectónico. Estrategias parameter-efficient (LoRA, distillation, adapters) evitan entrenamientos masivos y reducen la huella de cómputo. En almacenamiento, el tiering inteligente (parquet comprimido, cold storage automático, deduplicación en motores vectoriales) es clave, junto con semantic caching que evita recomputar.

¿Cómo puede una estrategia de gobernanza de datos ayudar a enfrentar la saturación de información sin frenar la innovación?

La gobernanza moderna no es un freno, sino un acelerador si se implementa como “paved roads”: catálogos curados, datasets gold y plantillas de acceso que reducen el time-to-experiment. Los contratos de datos dan estabilidad, mientras policy-as-code (OPA) y lineage automatizado aseguran cumplimiento sin burocracia. Los sandboxes con datos sintéticos o privacidad diferencial permiten experimentar sin riesgos. El éxito se mide en cuántos experimentos nacen sobre datos gobernados y cuánto se reduce el ciclo idea–prueba, no en el número de políticas escritas.

Mirando hacia los próximos años, ¿qué tecnologías o enfoques marcarán la diferencia en el manejo eficiente y seguro de los datos generados por la IA?

Tres capas definirán la ventaja competitiva. Primero, arquitecturas vector-native con almacenamiento híbrido y semantic caching para consultas rápidas y económicas. Segundo, privacidad avanzada: confidential computing con enclaves, cifrado homomórfico selectivo y privacidad diferencial aplicada en pipelines reales. Y tercero, streaming lakehouses con zero-ETL, borrando la frontera entre datos transaccionales y analíticos. Se suman técnicas de data-centric AI (drift observability, weak supervision, dataset pruning) y mecanismos de provenance y watermarking que serán inevitables en un futuro regulado y post-cuántico.