Creo que el centro del trabajo de software se está desplazando, y se ve con mayor claridad en los datos y la IA.
Durante mucho tiempo, el trabajo más importante vivió en el medio. Se partía de una idea o de una pregunta de negocio y, con el tiempo, algo se entregaba, pero la mayor parte del esfuerzo se ubicaba en el medio. Convertir la intención en algo real implicaba abrir bases de código, configurar entornos, escribir SQL y Python, construir pipelines, definir transformaciones y mantener los sistemas en funcionamiento. Ese medio absorbía el tiempo, la atención y el oficio de los equipos de datos.
Creo que esa dinámica está cambiando.
El medio se está adelgazando
Los flujos de trabajo asistidos por IA y guiados por agentes ya pueden producir código y transformaciones funcionales a partir de objetivos, contexto y tareas estructuradas. Estos sistemas se están volviendo más independientes. Todavía se necesitan ingenieros, pero se toca menos el código en el trabajo mecánico. El IDE empieza a parecerse menos al lugar donde ocurre el pensamiento y más al lugar donde se inspeccionan, revisan y validan los resultados.
A medida que estos sistemas mejoran, el medio se vuelve más delgado.
Se dedica menos tiempo a traducir manualmente la intención en implementación. Los pipelines de datos siguen siendo críticos, pero el valor se desplaza. Pasa de escribir cada transformación a mano a asegurarse de que el pipeline refleje el significado, las restricciones y los supuestos correctos.
Esto suena sutil, pero lo cambia todo.
La pregunta más importante sigue sin cambiar
Qué es lo que realmente hay que construir sigue siendo la pregunta más importante.
En los datos y la IA, entender el problema, reunir el contexto adecuado de los clientes y los equipos internos, y dar forma al trabajo para que se pueda actuar sobre él de manera eficaz importa más que nunca. Los agentes actúan directamente sobre lo que se les da. Si las métricas no son claras, las definiciones son inconsistentes o los supuestos quedan implícitos, la ejecución será rápida y equivocada.
En un mundo guiado por agentes, la ambigüedad se convierte en un multiplicador.
El diseño es claridad, no artefactos
El diseño, aquí, no se trata de dashboards, modelos o herramientas. Se trata de formar claridad de intención a través de la exploración, la investigación y la discusión.
Se trata de:
- Qué decisión habilitará esto
- Qué resultado le da sentido
- Qué restricciones son reales
- Qué concesiones son aceptables
- Quién es responsable de la definición cuando cambia
El buen trabajo de datos y de producto siempre ha sido la búsqueda de la claridad. La diferencia ahora es que la claridad impulsa directamente la ejecución, no solo la planificación.
La ejecución asistida por agentes pasa a ser parte del oficio
A medida que el medio se adelgaza, dirigir y gestionar la ejecución asistida por agentes pasa a ser parte del oficio.
Construir pipelines se trata menos de ensamblar cada pieza manualmente y más de crear las condiciones para que surja una buena solución. Rara vez es una tarea individual. Es organizacional:
- Cómo los equipos crean contexto compartido
- Cómo se acuerdan y se mantienen las definiciones
- Cómo se establece la responsabilidad a lo largo del ciclo de vida
- Cómo las decisiones y los supuestos permanecen ligados al trabajo
Cuando esto falta, los equipos no solo entregan más despacio. Entregan con confianza algo equivocado.
Por qué el contexto gana en los entornos de Snowflake
Este es el tipo de problema al que dedicamos mucho tiempo en Viewnear.
En los entornos de Snowflake, los equipos avanzan rápido, y así debe ser. Pero la velocidad sin contexto compartido crea un modo de falla conocido: todos entregan trabajo que es técnicamente correcto, pero semánticamente desalineado. Las métricas se desvían. Las definiciones cambian en silencio. Un pipeline "funciona", pero el resultado no es lo que el negocio creía que iba a recibir.
También estamos viendo un patrón claro: los agentes se vuelven drásticamente más eficaces en entornos ricos en contexto.
Cuando la retroalimentación de los clientes, las fuentes de datos, las entidades estructuradas, los flujos de trabajo y los resultados buscados están claramente conectados, la ambigüedad disminuye. Un problema de calidad de datos, un cambio de métrica o una solicitud de funcionalidad de IA tiene un resultado esperado claro. Se puede rastrear, validar y resolver de una manera específica.
La estructura ayuda a las personas y a los agentes de la misma manera
La estructura en las herramientas funciona de la misma manera para las personas y los agentes. Reduce la ambigüedad sobre qué se espera, qué restricciones aplican y qué significa siquiera "correcto".
En los sistemas basados en Snowflake, esa estructura suele ser la diferencia entre:
- Datos rápidos y confiables
- Datos rápidos y confusos
Cuando el medio está automatizado, lo "rápido" es fácil. Lo "confiable" se vuelve la parte difícil.
La presión se traslada a la validación y a la publicación segura
A medida que el medio produce más resultados con menos supervisión directa, más presión se traslada al final del trabajo:
- Revisar los pipelines
- Validar las métricas
- Probar la calidad de los datos
- Publicar cambios de forma segura
Las herramientas y los flujos de trabajo deben evolucionar para dar soporte a esto y para integrarse en el proceso general, no aparecer como un control de último minuto.
Porque si la ejecución es barata, el costo se traslada a otra parte. Se traslada a la verificación, la gobernanza y la disciplina de entregar cambios sin romper el significado.
Dónde reside ahora la verdadera palanca
Cuando el medio se adelgaza o se funde con la automatización, lo que cobra mayor nitidez es el trabajo de formar la intención correcta y asegurarse de que el resultado realmente la refleje.
Ahí es donde reside ahora la palanca.
No en escribir más transformaciones, sino en asegurarse de que las transformaciones signifiquen lo correcto.
