Amit Sharma, CEO y Fundador de CData – Serie de Entrevistas

Amit Sharma, CEO y Fundador de CData Software, es un ejecutivo de tecnología que ha guiado a CData desde su fase inicial de startup hasta convertirse en un líder global en conectividad y integración de datos. Con una carrera que abarca roles como ingeniero de software en Infosys y Elixar, arquitecto técnico en /n Software, y más tarde CTO en CData, ha construido una profunda experiencia en acceso a datos empresariales y infraestructura. Desde que se convirtió en CEO en 2014, ha liderado la misión de CData para simplificar la forma en que las organizaciones conectan, integran y utilizan datos en diferentes sistemas, lo que ha ayudado a posicionar a la empresa como una capa fundamental de movimiento de datos moderno.

CData Software es un proveedor líder de soluciones de acceso y conectividad de datos. Sus productos de datos de autoservicio y plataformas de conectividad entregan acceso universal a datos en vivo en cientos de aplicaciones en premises y en la nube ampliamente utilizadas. Millones de usuarios en todo el mundo confían en CData para respaldar análisis avanzados, acelerar la adopción en la nube y construir organizaciones más conectadas y impulsadas por datos. Diseñado para ser consumido por cualquier usuario, accesible dentro de cualquier aplicación y escalable para empresas de todos los tamaños, CData está redefiniendo la forma en que las empresas acceden y utilizan los datos.

Comenzó su carrera en la India en Infosys y más tarde se trasladó a software de empresa en EE. UU. ¿Qué lección temprana de esa fase todavía moldea cómo lidera hoy?

Mi tiempo en Infosys me dio una exposición temprana a las demandas de la tecnología empresarial a gran escala — las complejidades, la necesidad de confiabilidad y cómo las grandes organizaciones abordan los problemas técnicos. Eso moldeó un profundo respeto por la estructura y la calidad empresarial. Pero cuando me trasladé a una startup en EE. UU., descubrí que prosperaba en la velocidad, la agilidad y la capacidad de hacer un impacto directo. Hoy, ese trasfondo dual guía cómo lidero CData Software: insisto en estándares y robustez empresariales, mientras fomento una cultura ágil y en movimiento que valora la simplicidad, la usabilidad en el mundo real y la ejecución rápida.

Después de más de una década como CEO de CData, ¿qué cambio de mentalidad o enfoque fue más importante para escalar la empresa desde sus primeros días hasta convertirse en una empresa global?

El cambio más grande para mí fue pasar de pensar como constructor de tecnología a pensar como constructor de una organización. En los primeros días, mi enfoque era casi enteramente en el producto; asegurarme de que fuera elegante, confiable y resolviera problemas reales. A medida que CData crecía, tuve que aprender que el gran software solo no es suficiente; necesitas grandes personas, líderes fuertes y procesos que se escalen sin ralentizarte. Eso significó invertir antes en la contratación, empoderar a los equipos y construir sistemas repetibles en ventas, soporte y operaciones, mientras protegía nuestra cultura de ingeniería. El cambio de mentalidad fue darme cuenta de que mi trabajo no era solo hacer gran tecnología, sino crear un entorno en el que la gran tecnología pudiera ser construida consistentemente por un equipo global en crecimiento.

CData se ha centrado durante mucho tiempo en “simplificar el acceso a cualquier dato, en cualquier lugar”. ¿Cómo ha evolucionado esa misión a medida que la industria se adentra más en aplicaciones nativas de IA?

Desde el principio, nuestra misión en CData ha sido hacer que los datos sean universalmente accesibles utilizando interfaces estandarizadas y familiares, porque creíamos que el mayor cuello de botella para la innovación no era el almacenamiento o el cómputo, sino el acceso. Esa idea central no ha cambiado, pero el contexto ha cambiado. A medida que las organizaciones se mueven desde análisis a la nube y ahora a IA, el costo del acceso a datos fragmentados e inconsistentes solo ha aumentado. Lo que ha evolucionado es nuestra responsabilidad: ya no se trata solo de conectar aplicaciones a los datos, sino de asegurarse de que los datos sean confiables, en tiempo real y utilizables en entornos distribuidos cada vez más complejos. En la era de la IA, el acceso solo no es suficiente. Los datos deben ser inmediatamente utilizables sin semanas de ingeniería personalizada.

Al convertirse en norma las aplicaciones nativas de IA, nuestra misión se ha expandido para incluir hacer que los datos estén listos para la IA por defecto. Eso significa habilitar semántica coherente, conectividad de alto rendimiento, acceso consciente de la gobernanza y integración en tiempo real en fuentes de datos estructuradas y SaaS, para que los modelos y agentes puedan trabajar con información fresca y confiable, no con integraciones de punto a punto frágiles o copias obsoletas. En términos prácticos, nos centramos en eliminar la fricción entre donde viven los datos y donde operan los sistemas de IA, para que los equipos puedan pasar de la experimentación a la producción más rápido. Nos vemos a nosotros mismos no solo como proveedores de conectividad, sino como una capa de datos fundamental para empresas impulsadas por IA que alimentan silenciosamente los sistemas que hacen posibles las aplicaciones inteligentes.

Con la IA generativa acelerando, ¿qué significa realmente “datos listos para la IA” para usted, y dónde ve que las organizaciones malinterpretan más esa idea?

Para mí, “datos listos para la IA” significa datos que son accesibles, confiables, actuales y comprensibles tanto para humanos como para máquinas sin capas de plomería personalizada. No se trata solo de mover datos a un lago o almacén. Se trata de asegurarse de que los sistemas, modelos y agentes puedan acceder consistentemente a los datos correctos en el momento correcto a través de interfaces estandarizadas y gobernadas. La preparación para la IA depende menos de dónde se almacenan los datos y más de si pueden ser descubiertos, consultados, confiados e integrados en tiempo real. Sin esa base, incluso los modelos más avanzados terminan operando con información incompleta o obsoleta.

Donde veo que las organizaciones malinterpretan el concepto es asumiendo que la centralización automáticamente equivale a preparación. Los equipos a menudo creen que una vez que los datos se consolidan en una sola plataforma, están “listos para la IA”, cuando en realidad han creado solo un nuevo silo. Otros invierten demasiado en herramientas sin abordar la calidad de los datos, la semántica y la conectividad, los problemas poco glamorosos que hacen o deshacen los sistemas de IA del mundo real. La IA no falla debido a los modelos; falla debido a datos desordenados, inaccesibles o obsoletos. Las organizaciones que ganarán son aquellas que tratan la preparación de los datos como disciplina operativa, no como un proyecto de migración de un solo uso.

Su nueva investigación, El Estado de la Conectividad de Datos de IA: Perspectiva 2026, muestra que solo el 6% de los líderes de IA creen que su infraestructura de datos está completamente lista para la IA. ¿Por qué cree que la brecha de preparación es tan grande, y qué nos dice esto sobre la trayectoria actual de la industria?

La brecha es tan grande porque la mayoría de las organizaciones invirtieron en recopilar y almacenar datos mucho antes de invertir en hacer que sean utilizables para la IA. En la última década, las empresas han construido lagos, almacenes y tuberías, pero rara vez han construido una capa de acceso cohesiva que asegure que los datos sean consistentes, en tiempo real y disponibles en todos los sistemas. Como resultado, los líderes descubren que una vez que comienzan a implementar la IA en flujos de trabajo reales, su infraestructura subyacente no puede soportar la velocidad, la escala o la confiabilidad que la IA exige. La cifra del 6% no refleja una falta de ambición, sino la realidad de que la IA expone debilidades que siempre estuvieron allí pero no importaban tanto en el análisis tradicional.

Lo que los datos nos dicen sobre la industria es que estamos al comienzo de la curva de adopción de la IA, no al final. Las organizaciones están experimentando agresivamente en la capa de aplicación, pero ahora se dan cuenta de que el éxito depende de modernizar su fundamento de datos. Estamos entrando en una fase correctiva donde el enfoque se está desplazando desde pilotos llamativos hacia la preparación operativa: acceso estandarizado, integración gobernada y conectividad en tiempo real. Los ganadores no serán las empresas que construyen la mayor cantidad de pruebas de concepto, sino aquellas que modernizan su infraestructura de datos lo suficientemente rápido como para mover esas pruebas a producción a escala.

Los hallazgos también muestran que el 71% de los equipos de IA dedican más de un cuarto de su tiempo a la plomería de datos. En su opinión, ¿qué parte de este trabajo es realmente estratégica en lugar de solo deuda técnica?

Alguna cantidad de “plomería de datos” es absolutamente estratégica cuando se trata de crear un acceso duradero a los datos a través de interfaces estandarizadas y diseñar para la escalabilidad y la gobernanza desde el principio. Invertir en conectividad coherente, servicios de datos compartidos y patrones de integración confiables es un trabajo fundamental que paga dividendos en cada aplicación y modelo que viene después. El problema es que la mayoría de los equipos no están haciendo ese tipo de plomería. Están reconstruyendo tuberías de un solo uso, escribiendo conectores frágiles y parcheando integraciones que solo resuelven un problema una vez. Eso es deuda técnica disfrazada de progreso.

Lo que es estratégico es cualquier cosa que reduzca la fricción futura: eliminar el código personalizado a favor de los estándares, construir servicios de datos reutilizables y conectar sistemas de manera que se escalen en equipos y casos de uso. Cuando la plomería se vuelve invisible y repetible, deja de ser un impuesto a los equipos de IA y se convierte en un habilitador. El objetivo real no es gastar menos tiempo en los datos. Es dejar de gastar tiempo en los mismos problemas de datos una y otra vez.

Un dato destacado de la investigación es que el 46% de las empresas ahora requiere acceso en tiempo real a seis o más fuentes de datos para un solo caso de uso de IA. ¿Refleja esto lo que ve con los clientes, y qué hace que este nivel de conectividad sea tan difícil?

Sí, eso se alinea estrechamente con lo que estamos viendo con los clientes. Los casos de uso modernos de IA, ya sea análisis predictivo, motores de recomendación o flujos de trabajo autónomos, rara vez dependen de un solo sistema. Las empresas a menudo necesitan combinar ERP, CRM, aplicaciones SaaS, plataformas de transmisión y bases de datos heredadas para generar información significativa. El desafío no es solo el número de fuentes; es la variedad, los diferentes protocolos, formatos y frecuencias de actualización, y la expectativa de que estos datos estén disponibles en tiempo real para que los modelos de IA los consuman.

Lo que hace que este nivel de conectividad sea difícil es que los enfoques de integración tradicionales nunca estuvieron diseñados para la escala, la velocidad y la confiabilidad que la IA requiere. Los conectores de un solo uso y las tuberías por lotes simplemente no pueden seguir el ritmo. El acceso en tiempo real real requiere interfaces estandarizadas y administradas, semántica coherente en los sistemas, y monitoreo para garantizar la calidad y disponibilidad de los datos. Sin esa base, los equipos dedican más tiempo a luchar contra las tuberías que a construir soluciones de IA, lo que ralentiza la innovación y introduce riesgos. Las organizaciones que tienen éxito son aquellas que tratan la conectividad como una capacidad estratégica, no solo como una tarea técnica.

El informe enfatiza la consistencia semántica, el contexto y la conectividad como características definitorias de la infraestructura de datos de IA madura. ¿Cómo deberían pensar las organizaciones sobre la secuencia de estas prioridades?

Cuando se piensa en la secuencia, las organizaciones deben comenzar con la conectividad. Si los datos no son accesibles de manera confiable en los sistemas, todo lo demás se vuelve irrelevante. Los modelos de IA no pueden aprender de lo que no pueden alcanzar. Establecer conexiones estandarizadas y gobernadas en todas las fuentes de datos críticas establece la base para todo lo que sigue. Sin esa capa, los equipos terminan construyendo tuberías frágiles de un solo uso que crean más trabajo en el camino.

Una vez que la conectividad esté en su lugar, la consistencia semántica se convierte en la siguiente prioridad. Los datos necesitan un lenguaje común para que la información de múltiples fuentes pueda ser interpretada correctamente y combinada de manera significativa. El contexto sigue de manera natural: entender no solo los valores, sino su significado dentro del proceso empresarial, el momento y las relaciones, garantiza que los modelos de IA puedan hacer predicciones precisas y acciones. Tratar estos elementos como una secuencia estructurada —conectividad primero, semántica segundo, contexto tercero— permite a las organizaciones construir una infraestructura de datos lista para la IA que se escalable y soporte inteligencia confiable y lista para la producción.

Los proveedores de software nativos de IA ahora requieren aproximadamente tres veces más integraciones externas que los proveedores tradicionales. ¿Qué impulsa esta brecha creciente, y qué revela sobre hacia dónde se dirige el software?
La brecha creciente se debe a la naturaleza de la IA en sí: las aplicaciones nativas de IA prosperan en datos diversos y en tiempo real de múltiples fuentes. A diferencia del software tradicional, que a menudo opera dentro de un solo sistema o suite, los modelos de IA necesitan ingerir, correlacionar y analizar información en sistemas ERP, plataformas CRM, aplicaciones SaaS, fuentes de transmisión y más. Cada integración es esencial para dar a la IA el contexto y la cobertura suficientes para generar predicciones, recomendaciones o acciones automatizadas precisas.

Esta tendencia revela que el software se está moviendo desde aplicaciones aisladas hacia ecosistemas inteligentes interconectados. Los ganadores no serán los productos que funcionan bien por sí solos. Serán las plataformas que puedan acceder y integrar datos sin problemas dondequiera que vivan. En términos prácticos, significa que la conectividad, la estandarización y la integración en tiempo real ya no son lujos. Son capacidades fundamentales para que el software nativo de IA entregue valor real.

Mirando hacia adelante cinco años, ¿qué cree que se convertirá en el cuello de botella más significativo para el éxito de la IA —conectividad, tuberías en tiempo real, modelado semántico, gobernanza o algo completamente diferente?

Mirando hacia adelante, creo que la gobernanza y la seguridad se convertirán en el cuello de botella más significativo para el éxito de la IA. Si bien la conectividad y las tuberías en tiempo real siguen siendo fundamentales —los modelos de IA solo pueden ser tan efectivos como los datos a los que pueden acceder—, las organizaciones están rápidamente dándose cuenta de que la IA no gobernada es insostenible y potencialmente peligrosa. A medida que la IA se mueve de la experimentación a la producción y comienza a influir en decisiones comerciales críticas, los riesgos de sesgo, violaciones de cumplimiento, fugas de datos y errores operativos se multiplican exponencialmente.

El desafío no es solo mover datos; es mover los datos correctos, con los controles correctos, a los sistemas correctos, de una manera rastreable y audible. Las organizaciones que fallen en incorporar marcos de gobernanza sólidos y protocolos de seguridad desde el principio enfrentarán una presión regulatoria creciente, riesgos para la reputación y, en última instancia, sistemas de IA que no pueden confiar o escalar. Ya estamos viendo signos tempranos: empresas que dudan en implementar la IA porque no pueden garantizar la genealogía de los datos, los controles de acceso o el cumplimiento de las regulaciones en evolución.

Las organizaciones más exitosas dentro de cinco años serán aquellas que traten la gobernanza y la seguridad no como ideas posteriores, sino como habilitadores centrales de la IA. Sí, necesitas conectividad y tuberías en tiempo real para que los datos fluyan, pero sin gobernanza y seguridad en su lugar, esos datos se convierten en una responsabilidad en lugar de un activo. El futuro de la IA no se trata solo de velocidad o escala; se trata de confianza, rendición de cuentas y despliegue responsable en cada capa de la pila de datos.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar CData Software.