De Junior a Senior, el sueldo de referencia crece hasta x2.
S/4,000Junior
S/7,000Semi Senior
S/8,000 a másSenior
Fuente: consulta de DSRP a profesionales que trabajan en empresas peruanas, actualizada a octubre de 2026. Montos mensuales en soles. En arquitectura, "Junior" son los primeros años en el rol, después de haber trabajado en datos o TI.
Referencia oficial: la mediana de «Profesionales TIC y estadísticos» en Perú es S/3,525 al mes (S/2,523 a S/4,997 en la mitad central). INEI — ENAHO 2024 (módulo 500).
Tres pasos para saber si este es tu siguiente rol y por dónde empezar.
1
¿De dónde vienes?
Perfiles que suelen dar el salto a AI Data Architect:
Data Engineer
Administración de bases de datos
Arquitectura de software
Líderes de TI
Consultoría tecnológica
2
Qué necesitas para empezar
Conocimientos básicos de SQL y Python, y conocimientos generales de bases de datos. El bootcamp incluye un curso de nivelación en fundamentos de arquitectura de datos y Big Data.
Si aún no manejas SQL ni Python, empieza por la especialización Analista de Datos o Data Engineer. En el mercado, el cargo de Data Architect suele llegar después de unos años en un rol de datos o TI.
El agente se encarga de lo repetitivo; tú decides qué preguntar, qué aprobar y qué recomendar.
Lo hace el agenteLo decides tú
108:30
Revisión de la plataforma
Agente: Resume incidentes, consumo y uso de cada dominio de datos.
Tú: Detectas cuellos de botella y priorizas la hoja de ruta.
Catálogo de datos · monitoreo
210:00
Diseño de una iniciativa de IA
Agente: Propone opciones de arquitectura con pros y contras.
Tú: Eliges el patrón según volumen, latencia, costo y riesgo.
Diagramas de arquitectura
312:00
Gobernanza y permisos
Agente: Clasifica columnas sensibles y sugiere políticas de acceso.
Tú: Apruebas qué datos ve cada agente y cada equipo, respetando la ley de datos personales.
Unity Catalog / Purview · IAM
415:00
Acceso de agentes
Agente: Genera la especificación de la capa semántica y de las APIs.
Tú: Defines contratos, límites y auditoría para cada acceso.
Capa semántica · APIs · MCP
517:00
Costos y decisiones
Agente: Estima el costo por caso de uso en la nube y en los modelos.
Tú: Presentas la decisión a la gerencia con números y riesgos.
FinOps · calculadoras de costo
Charla gratuita: el AI Data Architect con IA
Arquitectura de Fabric 10X con IA. Una sesión completa de DSRP para ver cómo se trabaja el rol con IA antes de decidir.
Qué automatiza la IA y qué no
Lo que delegas al agente
Generar diagramas y documentación de arquitectura.
Comparar servicios y estimar costos entre nubes.
Clasificar datos sensibles y proponer políticas.
Revisar configuraciones contra buenas prácticas.
Lo que sigue siendo tuyo
Decidir el patrón: warehouse, lakehouse o data mesh.
Definir qué datos puede consultar cada agente y con qué permisos.
Equilibrar costo, rendimiento, seguridad y cumplimiento.
Alinear la plataforma con la estrategia del negocio.
Tu diferencial: la visión de conjunto. El agente propone piezas; el arquitecto decide cómo encajan sin exponer datos ni disparar los costos.
Claude · Codex · APIs de modelos
Cómo aprendes a ser AI Data Architect con agentes de IA
El agente acelera la práctica, pero no hace la tarea por ti. Así lo usas para aprender más rápido sin dejar de entender lo que haces.
El método en 4 pasos
1Pide que te expliqueAntes de pedir código, pide el concepto con un ejemplo de tu área.
2Deja que propongaEl agente escribe el primer borrador: la consulta, el script o el diagrama.
3Verifica túLo corres, lo comparas con la fuente y buscas el error. Ahí es donde aprendes.
4Explícalo de vueltaSi no puedes explicar por qué funciona, todavía no lo aprendiste.
Ejemplo: Le pides a Claude que te explique cuándo conviene un lakehouse frente a un warehouse para el caso de devoluciones. Claude Code genera el diagrama y la política de acceso de cada dominio. Tú revisas qué columnas sensibles quedaron visibles para el agente y descubres que el rol de atención al cliente podía leer el DNI completo. Al final explicas por qué la política tenía que ser por columna y no por tabla.
Tu stack de IA en 3 capas
Asistentes de chat
Conversas: explican, resumen y revisan un razonamiento.
Claude
ChatGPT
Gemini
Como AI Data Architect: Comparar patrones de arquitectura, preparar una decisión con pros y contras y ensayar cómo presentarla a gerencia.
Agentes de código
Trabajan dentro de tu proyecto: leen archivos, corren comandos y proponen cambios que tú apruebas.
Claude Code
Codex
Como AI Data Architect: Que Claude Code o Codex escriban la infraestructura como código, las políticas de acceso y la documentación de la plataforma; tú apruebas cada cambio.
APIs de modelos
Llamas al modelo desde tu propio código: tú decides el prompt, los datos que envías y el costo.
Anthropic
OpenAI
DeepSeek
Kimi
Como AI Data Architect: Probar cómo se conecta un modelo a los datos de la empresa: a qué datos accede, qué queda registrado y cuánto cuesta cada caso de uso.
Un ejercicio con agentes en cada etapa de la ruta
Bases de datos
Le pides: Un modelo de datos para ventas, devoluciones y clientes con sus claves y relaciones.
Verificas: Que no haya datos duplicados entre tablas y que cada relación tenga sentido para el negocio.
Arquitectura Big Data
Le pides: Dos arquitecturas para el mismo caso: una por lotes y una en streaming.
Verificas: Cuál cumple la latencia que pide el negocio y qué cuesta mantener cada una.
ETL y warehousing
Le pides: El diseño de la carga diaria desde tres fuentes al warehouse.
Verificas: Qué pasa si una fuente falla o llega tarde, y si el linaje queda registrado.
Cloud
Le pides: La estimación de costo mensual de la plataforma en dos nubes.
Verificas: Los supuestos de volumen y uso, y qué servicio dispara el costo.
Machine learning
Le pides: Qué datos y qué infraestructura necesita un modelo de predicción de devoluciones.
Verificas: Que el modelo use solo datos permitidos y que sus resultados vuelvan a la plataforma con trazabilidad.
Visualización
Le pides: La capa semántica que alimenta los dashboards y a los agentes.
Verificas: Que dashboards y agentes calculen la misma métrica con la misma definición.
Proyecto con API
Un servidor MCP con acceso gobernado a los datos
Construyes el punto de entrada por el que los agentes consultan los datos de la empresa: cada agente ve solo lo que su rol permite, cada llamada queda auditada y los datos sensibles se enmascaran antes de llegar al modelo.
Defines los roles de acceso y qué tablas y columnas puede consultar cada uno.
Expones las consultas permitidas como herramientas de un servidor MCP de solo lectura.
Enmascaras nombres, DNI y montos antes de que la respuesta llegue al modelo.
Registras cada llamada: quién preguntó, qué consultó y qué devolvió.
Pruebas el mismo servidor con al menos dos proveedores, por ejemplo Claude y un modelo de pesos abiertos, y comparas resultados y costo.
Publicas el diseño, el código y la evidencia de auditoría en GitHub.
Modelos cerrados y de pesos abiertos
Claudede Anthropic
Cerrado
Código, agentes que usan herramientas y documentos largos.
Solo por API o planes de pago para uso intensivo.
GPT · Codexde OpenAI
Cerrado
Ecosistema amplio de herramientas e integraciones.
Solo por API o planes de pago para uso intensivo.
DeepSeek
Pesos abiertos
Costo por uso bajo; se puede desplegar en infraestructura propia.
Su API oficial procesa los datos en China: no la uses con datos de la empresa.
Kimide Moonshot AI
Pesos abiertos
Contexto largo y tareas agénticas; también desplegable en infraestructura propia.
Su API oficial procesa los datos en China: no la uses con datos de la empresa.
Cómo elegir
Calidad en tu tarea, medida con tus propios casos de prueba, no con rankings.
Costo por tarea resuelta, no por token.
Dónde quedan los datos y qué retención acepta tu empresa.
Si necesitas pesos abiertos para correr el modelo dentro de la empresa.
Como AI Data Architect: Decide primero dónde pueden quedar los datos: qué proveedor tiene un contrato de retención aceptable para la empresa y qué casos exigen un modelo de pesos abiertos desplegado en infraestructura propia. La calidad y el costo se comparan después.
IA responsable con datos de la empresa
No subas datos personales ni confidenciales a un chat público sin autorización.
Revisa qué herramientas de IA aprobó tu empresa antes de usarlas con su información.
Enmascara nombres, DNI y montos antes de probar con datos reales.
Toda acción que cambie datos o llegue a un cliente pasa por aprobación humana.
Errores comunes al aprender con IA
Aceptar el diagrama del agente sin revisar latencia, costo ni cumplimiento.
Dar a un agente acceso a toda la base "para probar" en lugar de permisos mínimos.
Pegar diagramas o configuraciones con credenciales en un chat público.
Elegir un proveedor de modelos sin revisar dónde procesa y retiene los datos.
Diseñar la plataforma sin medir el costo por caso de uso.
Tu kit para empezar gratis o casi gratis
Plan gratuito de un asistente de chat (Claude, ChatGPT o Gemini) para conceptos y repaso.
Claude Code o Codex cuando ya tengas un proyecto en marcha: suelen pedir un plan de pago o créditos de API.
Para practicar con APIs, empieza con un modelo de costo bajo y fija un límite de gasto en la consola del proveedor.
Datos públicos para practicar sin usar los de tu trabajo: la Plataforma Nacional de Datos Abiertos o Kaggle.
Una cuenta de GitHub desde el primer día: cada ejercicio queda como evidencia en tu portafolio.
Los planes, precios y límites cambian seguido: revísalos en la página de cada proveedor.
Herramientas y tecnologías del AI Data Architect
Plataformas de datos
Databricks
Snowflake
BigQuery
Synapse
Nube
AWS
Azure
Google Cloud
Integración y streaming
Kafka
Spark
Airflow
Modelado y gobernanza
ERwin
Data Vault
Unity Catalog
Microsoft Purview
IA y agentes
Capas semánticas
Bases vectoriales
MCP
IAM y permisos mínimos
Logos de las librerías abiertas devicon y Simple Icons. Las marcas pertenecen a sus dueños.
Sin jerga
Glosario en simple
Los 12 términos que vas a escuchar en este rol, explicados como se los contarías a un colega.
D
Data warehouse
Un almacén central de datos ordenados en tablas, pensado para reportes y análisis.
L
Lakehouse
Un almacén que guarda todo tipo de datos (tablas, documentos, imágenes) a bajo costo y aun así permite analizarlos como un warehouse.
D
Data mesh
Una forma de organizar la empresa donde cada área (ventas, logística) es dueña de sus datos y los ofrece a las demás como un producto.
C
Capa semántica
Un diccionario oficial de métricas y relaciones que usan por igual los dashboards y los agentes de IA.
B
Base vectorial
La base de datos donde se guarda el "significado" de los documentos para que un agente los encuentre y los use al responder.
M
MCP
Un protocolo estándar para conectar agentes de IA a sistemas y datos de la empresa de forma controlada, como un enchufe universal con llave.
I
IAM y permisos mínimos
Las reglas de quién puede ver o hacer qué. "Permisos mínimos" significa dar a cada persona o agente solo el acceso que necesita.
L
Latencia
El tiempo que tarda una respuesta. Un dashboard mensual tolera minutos; un agente que atiende clientes necesita segundos, y eso cambia la arquitectura.
F
FinOps
Gestionar el gasto en la nube y en modelos de IA como un presupuesto: saber cuánto cuesta cada caso de uso y optimizarlo.
L
Linaje de datos
El "árbol genealógico" de un dato: de qué fuente salió y qué procesos lo transformaron.
D
Data Vault
Una técnica de modelado que guarda la historia completa de los datos y facilita sumar fuentes nuevas sin rehacer todo.
S
Streaming
Procesar los datos en el momento en que se generan, en vez de esperar a cargarlos de noche.
Lo que te llevas
Proyecto final
La arquitectura de datos e IA de un caso real
Caso integrador: una empresa necesita entender sus devoluciones y mejorar la atención con información y asistentes inteligentes. Resultado: una arquitectura documentada y un prototipo reproducible.
Demostración y defensa: presentas la solución en equipo y sustentas tus decisiones de forma individual.
5 proyectos aplicados con data real
Certificación
Certificación avalada por Data Science Research Perú y el Colegio de Estadísticos del Perú (Región Piura).
5 certificaciones parciales (una por curso) + 1 certificación final.
Empleabilidad
Bolsa de trabajo y pasantías con empresas aliadas.
La calidad de los docentes y la estructura detallada del contenido ampliaron significativamente mi comprensión de la arquitectura de datos. Los conocimientos adquiridos me permitieron destacar en entrevistas laborales, lo que fue fundamental para obtener mi nuevo puesto.
RRichardSubgerente Adjunto en BCPAlumno/a de este programa
La malla curricular fue integral y se enfocó en la práctica, lo que me permitió aplicar mis conocimientos de inmediato. Gracias a la formación en DSRP, he podido liderar proyectos en mi empresa, desarrollando dashboards y aplicando Python.
AAndreaAlumna de la especialización Data AnalystAlumno/a de AI Data Analyst
Elegí la especialización en DSRP para profundizar en automatización, cloud y herramientas como Airflow y Databricks. Lo que más destaco es el enfoque práctico y la experiencia de los instructores. Esta formación fue clave para destacar en entrevistas y conseguir mi nuevo trabajo.
MMateoPasó de Analista de Datos a Data EngineerAlumno/a de AI Data Engineer
¿Aprender solo con IA o con un programa?
Una comparación honesta. Lo ideal es combinar ambos: practicar con agentes todos los días y apoyarte en un programa para la ruta, la revisión y la red.
Solo con IACon un programa
ExplicacionesSolo con IA: Inmediatas, a cualquier hora.Con un programa: Un docente corrige tu razonamiento, no solo el resultado.
ErroresSolo con IA: Dependen de que notes que la IA se equivocó.Con un programa: Especialistas revisan tus proyectos.
RutaSolo con IA: La armas tú; es fácil saltarse fundamentos.Con un programa: Secuencia de los fundamentos a la nube.
ProyectosSolo con IA: Por tu cuenta, sin quien los evalúe.Con un programa: Proyecto integrador y Demo Day.
Red y empleoSolo con IA: La construyes solo.Con un programa: Comunidad, bolsa de trabajo y talleres de CV y entrevistas.
CertificadoSolo con IA: No.Con un programa: Certificación avalada.
CostoSolo con IA: Bajo: planes gratuitos y créditos de API.Con un programa: Una inversión, con cuotas.
Preguntas Frecuentes
¿Qué hace un Data Architect?
¿Qué cambia con los agentes de IA?
¿Necesito saber programar?
¿Es un rol para empezar en datos?
¿Qué conocimientos técnicos necesita?
¿Cómo gano experiencia práctica?
¿Necesito pagar Claude o ChatGPT para aprender?
¿Puedo usar Claude Code o Codex si no sé programar?
¿Puedo usar DeepSeek o Kimi con datos de mi empresa?
Fuente: consulta de DSRP a profesionales que trabajan en empresas peruanas, actualizada a octubre de 2026. Montos mensuales en soles. Detalle por país en datascience.pe/rango-salarial.