Snowflake ya tiene agentes de IA que detectan y reparan fallas en pipelines de datos solos. La parte que sigue siendo 100% humana es la única que de verdad importa
En su conferencia Expedition 2026, Snowflake presentó CoCo Cloud Agents y CoCo Automations: agentes que corren en la nube de Snowflake, detectan fallas en pipelines de datos, proponen una corrección y la dejan lista para revisión, pero nunca la aplican sin que un ingeniero la apruebe. La etiqueta "autónomo" describe la detección y el diagnóstico, no la decisión final.
La tesis del artículoQue CoCo detecte y diagnostique fallas de pipelines sin intervención humana es un hecho documentado en el propio anuncio de Snowflake; que eso represente una automatización real del trabajo de ingeniería de datos es una lectura que la evidencia no sostiene todavía, porque el paso que de verdad carga la responsabilidad —decidir que un cambio de código es seguro para producción— sigue pasando, en cada caso, por un humano que lo aprueba.
Un pipeline de datos falla a las tres de la mañana. En la versión de hace cinco años de esta historia, nadie se entera hasta que un dashboard llega vacío a las nueve, y entonces empieza la cacería: revisar logs, aislar la tabla que rompió la cadena, reconstruir el job a mano. En la versión que Snowflake presentó el 3 de noviembre en su conferencia Expedition 2026, un agente llamado CoCo ya detectó el problema, ya identificó la causa probable y ya dejó una corrección lista —pero no la aplicó. Esa última frase es la que separa un anuncio genuinamente útil de una promesa de "empresa agéntica" que todavía no se puede cobrar en serio.
Qué anunció Snowflake exactamente
CoCo Cloud Agents, la pieza central del anuncio, corre en un contenedor aislado que administra Snowflake, no en la laptop del ingeniero: cada sesión tiene su propio entorno seguro, trabaja sobre archivos compartidos en un Workspace de Snowflake, y sigue corriendo incluso después de que la persona que lo activó cierra sesión. Una segunda capa, CoCo Automations, agrega programación: un ingeniero describe en lenguaje natural una tarea recurrente —"revisa este pipeline cada noche, investiga si algún job falló"— y el agente la ejecuta sola, sin que nadie tenga que acordarse de hacerlo. "Restricted Session Scope" permite acotar de antemano qué puede y qué no puede tocar cada sesión del agente, y Snowflake for Slack lo integra directamente a los canales donde ya conversan los equipos de datos.
Snowflake también anunció, en el mismo evento, mejoras a Snowpark Connect para migrar pipelines de Spark con menos cambios de código —ahora soporta las APIs de DataFrame Writer V2 y particionamiento flexible para tablas Iceberg—, y un lector de archivos que carga JSON, CSV y Parquet directamente a la plataforma sin pasos intermedios. Son anuncios de infraestructura más convencionales, pensados para que cada vez menos trabajo de datos viva fuera de Snowflake, y generan los números de rendimiento que la empresa puede presumir sin matices: hasta 20 gigabytes por segundo de datos en streaming, con un tiempo mediano de menos de tres segundos para que un dato recién ingerido esté disponible para consulta.
La frase que importa más que el producto
Hasta aquí, es una historia familiar de los últimos dos años de IA empresarial: una tarea que antes requería que un humano la iniciara cada vez ahora corre en segundo plano, sola. Lo que hace a este anuncio más honesto que la mayoría de sus comparables es la frase exacta que Snowflake usó para describir el límite de esa autonomía: los ingenieros retienen la aprobación final sobre lo que llega a producción. No es una salvedad legal añadida al final de un comunicado de prensa optimista. Es, de hecho, la arquitectura completa del producto: cuando CoCo detecta una falla y propone una corrección, ese cambio de código pasa por el proceso de revisión que ya existía —vía integración con GitHub—, exactamente como si lo hubiera escrito una persona. Nada se aplica a producción sin ese paso. Write-Audit-Publish, otra pieza del mismo anuncio, refuerza la misma lógica: antes de publicar, el equipo puede probar el pipeline corregido sobre una rama de datos separada, sin tocar la versión que ya está en producción.
Esa distinción importa porque la palabra "autónomo" se ha vuelto, en el discurso de ventas de IA empresarial de este año, un adjetivo que se aplica indistintamente a sistemas con grados de supervisión humana radicalmente distintos. En algunos productos, "autónomo" significa que el agente ejecuta la acción final sin que nadie lo revise —transferir dinero, enviar un correo, modificar un registro—. En CoCo, significa que el agente hace el trabajo de diagnóstico e investigación sin que nadie lo supervise en tiempo real, pero la acción final —el cambio que de verdad tiene consecuencias si sale mal— sigue pasando por una persona. Son dos cosas distintas que comparten la misma palabra de marketing, y la diferencia no es semántica: es exactamente la diferencia entre un sistema que puede romper algo solo y uno que, en el peor caso, solo puede proponer algo mal.
Por qué el límite no es timidez de producto
Esta arquitectura de "detecta y propone, pero no decide" no es casualidad ni modestia de ingeniería de producto. Es, probablemente, la única forma viable de vender automatización de infraestructura de datos hoy, después de que varios ciclos de sobre-promesa en IA empresarial dejaron a los equipos de ingeniería —y a quienes les reportan— genuinamente escépticos de cualquier sistema que toque producción sin supervisión. Un informe de O'Reilly sobre confiabilidad de datos e IA, comisionado por Monte Carlo y publicado este año, documentó que una proporción significativa de empresas que ya desplegaron agentes de IA en producción admite haberlo hecho antes de tener la observabilidad necesaria para confiar en lo que esos agentes hacían. En ese contexto, un producto que explícitamente se niega a dar el último paso sin un humano no es una limitación tímida: es, para quien lo compra, la característica que lo hace comprable.
Hay además un argumento de responsabilidad legal y operativa que casi nunca se nombra en los comunicados de producto pero que explica, mejor que cualquier otro, por qué ningún proveedor serio de infraestructura de datos empresarial está dispuesto todavía a dejar que un agente aplique cambios sin revisión: cuando un pipeline corrompe datos financieros, de salud o regulatorios, alguien tiene que poder señalar con precisión quién decidió que ese cambio era seguro. Un agente que actúa solo diluye esa cadena de responsabilidad de una forma que ningún departamento legal corporativo está dispuesto a aceptar todavía, y eso —más que cualquier limitación técnica de los modelos— es probablemente la razón real por la que la aprobación humana sigue siendo obligatoria.
Lo que sí cambia: el trabajo que le queda al ingeniero
Lo que sí cambia, de forma real y medible, es la naturaleza del trabajo que le queda al ingeniero de datos. Antes de CoCo, el ciclo completo —detectar que algo falló, investigar por qué, redactar la corrección, aplicarla— era una sola persona haciendo las cuatro cosas, generalmente bajo presión y con información incompleta. Con CoCo, las primeras tres fases las hace el agente, y a la persona le queda una sola tarea: juzgar si la corrección que le proponen es correcta.
Eso es, en los términos más literales posibles, un trabajo distinto. Investigar una falla exige explorar, tantear, descartar hipótesis, construir una teoría propia de lo que salió mal. Aprobar una corrección ya redactada exige algo mucho más estrecho: leer código ajeno —generado por un modelo, no por un colega que uno conoce y cuyo criterio ya calibró con el tiempo— y decidir, con la poca evidencia que ese código trae consigo, si confiar en él. Son habilidades distintas, y la segunda, a diferencia de la primera, es exactamente el tipo de tarea donde la fatiga de revisión se vuelve el riesgo real del sistema: aprobar sin de verdad leer, porque el agente "casi siempre tiene razón", es un patrón de comportamiento humano documentado en contextos tan distintos como la revisión de código entre pares y la aprobación de gastos corporativos, y no hay razón para esperar que desaparezca solo porque quien propone el cambio ahora es un modelo en lugar de un colega.
El riesgo que nadie está vendiendo
Ese riesgo —la erosión gradual del rigor con que se revisa algo que "casi siempre" está bien— es estructuralmente distinto del riesgo que los comunicados de producto suelen anticipar, que es el de una falla técnica puntual del agente. Una corrección mal diagnosticada una sola vez es un incidente que se corrige y se documenta. Una cultura de aprobación donde nadie lee de verdad lo que firma es un problema que no se manifiesta hasta que falla algo caro, y para entonces ya lleva meses, quizás años, construyéndose en silencio. Ningún proveedor de este tipo de herramientas tiene, todavía, una métrica pública que mida qué tan a fondo revisan los humanos lo que un agente les propone, y esa ausencia —no la capacidad técnica del modelo— es probablemente el punto ciego más grande de esta primera generación de productos de "ingeniería de datos autónoma".
La pregunta de si CoCo de verdad reduce el trabajo de ingeniería, o solo lo reacomoda hacia una forma de revisión más fácil de automatizar mal, no se va a resolver con un comunicado de prensa ni con las cifras de rendimiento de la plataforma, por impresionantes que sean. Se va a resolver, mucho más despacio, en la cantidad de correcciones que los ingenieros aprueban sin leer de verdad —y en qué tan caro resulta, la primera vez que una de esas correcciones estaba mal.
Fuentes
- Snowflake Delivers the Foundation for Autonomous Data Engineering, Powering the Agentic Enterprise with Trusted, Live Data — Snowflake / Business Wire
- Snowflake CoCo deploys agents to build and maintain data pipelines — Techzine Global
- From Data Foundations to Agentic Execution: Key takeaways from Snowflake Expedition 2026 — Everest Group
- Snowflake le acaba de dar a sus agentes de IA un diccionario de términos de negocio aprobados — jgonzalez.app