¿Qué es Data Mesh y por qué importa para la IA?

De dónde viene Data Mesh

En 2019 Zhamak Dehghani publicó el artículo fundacional en el sitio de Martin Fowler, definiendo un paradigma distribuido para los datos analíticos. En 2022 se convirtió en el libro de referencia, Data Mesh: Delivering Data-Driven Value at Scale (O'Reilly): un paradigma sociotécnico, no solo una arquitectura.

Seis años después, la pregunta ya no es qué es. Es por qué importa para la IA.

Los modelos centralizados crean control, pero también cuellos de botella

• Entrega lenta. Cada caso de uso depende de un equipo central sin contexto operacional completo.
• Contexto perdido en la traducción. Los dominios de negocio tienen el conocimiento; los equipos centrales tienen el pipeline.
• Equipos de IA sobrecargados. Las solicitudes se acumulan desde todas las unidades de negocio, sin propiedad por dominio.
• Innovación limitada. La capacidad central se convierte en el límite de la agilidad organizacional.

Cuatro principios fundamentales

1. Propiedad orientada al dominio. Los dominios de negocio responden por sus propios datos.
2. Datos como producto. Calidad, documentación y usabilidad como resultados con dueño.
3. Plataforma de datos autoservicio. Infraestructura que habilita la autonomía de los dominios a escala.
4. Gobierno computacional federado. Estándares comunes sin control central.

Ningún extremo funciona a escala

Centralizado	Federado	Descentralizado
Control sin velocidad. Cuellos de botella por todas partes. Entrega lenta.	Autonomía con alineamiento. Dominios cerca del problema. Gobierno común.	Velocidad sin confianza. Fragmentación. Sin estándares compartidos.

El camino es federado: dominios de negocio cerca del problema, plataformas centrales que habilitan la escala, gobierno común que crea confianza.

Lo he visto de primera mano

Como ejecutivo de Datos e IA en minería, alimentos y consumo, salud y consultoría:

• Gobierno de datos federado: un lakehouse bajo DAMA alineado uno a uno con cada unidad de negocio.
• IA industrial y minería: control adaptativo con ML y gemelos digitales, ROI superior al 300%.
• IA en salud: una plataforma agéntica de decisión clínica en más de 10 hospitales.
• Consultoría y automatización de procesos: creación de las prácticas de Advanced Analytics y Data Governance.

La arquitectura técnica fue solo la mitad de la historia. La otra mitad fue el modelo operativo: quién era dueño de los datos, quién respondía por el resultado.

El mismo patrón, una capa nueva: IA agéntica

McKinsey (2025) describe la "malla de IA agéntica": una capa de orquestación donde agentes, herramientas, APIs y productos de datos se coordinan a escala empresarial. Google Cloud y Thoughtworks llegan a la misma conclusión desde el lado cloud: propiedad y gobierno federados como base de los datos listos para IA.

La verdad incómoda:

• Los asistentes GenAI dependen de contexto confiable.
• Las arquitecturas RAG dependen de fuentes de conocimiento gobernadas.
• Los sistemas agénticos dependen de flujos de trabajo y productos de datos confiables.

Sin productos de datos propios, gobernados y confiables, la capa agéntica simplemente automatizará la confusión más rápido.

Cuatro pilares que escalan la IA empresarial

• Dominios cerca del problema: las unidades de negocio son dueñas del contexto y de la accountability.
• Plataformas centrales que habilitan la escala: infraestructura compartida, lakehouse, herramientas comunes.
• Gobierno que crea confianza: estándares, seguridad y calidad de datos entre dominios.
• Capacidades reutilizables: modelos de IA, APIs y productos analíticos como activos de plataforma.

La IA empresarial no escala eligiendo entre libertad y control.

¿Dónde ves hoy el mayor cuello de botella: capacidad de entrega central, propiedad débil de los dominios o falta de gobierno común?

Fuentes

Dehghani, Z. (2019), martinfowler.com · Dehghani, Z. (2022), Data Mesh, O'Reilly · McKinsey QuantumBlack (2025) · Google Cloud + Thoughtworks Data Mesh guidance.