Confluent lanza Streamhouse para agentes de IA

Confluent anunció en su conferencia Current 2026, celebrada en San Francisco, la disponibilidad general de Lightning Tables y con ella completó los cinco pilares de su arquitectura Streamhouse. Las pruebas internas que la compañía presentó hablan de una actualización de datos en aproximadamente 100 milisegundos, latencias de consulta de entre 10 y 100 milisegundos y un rendimiento superior a 1.000 consultas por segundo. Para un founder que ya puso agentes en producción, el mensaje es incómodo: el cuello de botella no suele ser el modelo, sino la infraestructura de datos que lo alimenta.

¿Qué es Streamhouse y qué problema resuelve?

Streamhouse es una capa operativa que captura, procesa, gobierna y sirve el estado actual del negocio de forma continua, para que agentes de IA, aplicaciones y analítica decidan con el mismo contexto. No exige mover todos los datos a un repositorio centralizado: convive con los almacenes y lakehouses que la empresa ya tiene.

El diagnóstico que presentó la compañía es directo. Los data lakes, warehouses y lakehouses se diseñaron para informes por lotes y análisis retrospectivo, no para agentes que necesitan interpretar el estado del negocio al milisegundo. Cuando distintos sistemas sostienen visiones contradictorias del mismo negocio y se actualizan en momentos diferentes, el agente ejecuta mal, decide sobre información obsoleta y propaga la inconsistencia a otros flujos.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

El comunicado de la compañía usa un ejemplo concreto: una aerolínea con un vuelo cancelado. Operaciones sabe dónde está el avión, planificación sabe cuándo despega y reservas sabe qué asientos están libres. Si cada sistema actualiza a su ritmo, un agente de rebooking puede armar un itinerario que parece válido en cada sistema pero es imposible en la práctica: hay asiento, pero el avión no llega a tiempo para la conexión. Con Streamhouse, cada cambio alimenta una imagen compartida y el agente consulta ubicación, hora de salida y disponibilidad de asientos juntas antes de ofrecer una alternativa.

Los cinco pilares: Stream, Connect, Process, Govern y Query

La base tecnológica es la Data Streaming Platform, construida sobre Apache Kafka y el motor Kora. La plataforma unifica cinco capacidades:

Transmitir (Stream): captura y distribuye eventos empresariales con latencias inferiores al milisegundo en pruebas internas.
Conectar (Connect): ingesta y salida mediante más de 150 conectores totalmente gestionados hacia sistemas de origen y destino.
Procesar (Process): usa Apache Flink para enriquecer, transformar y combinar flujos continuos cerca de la fuente.
Gobernar (Govern): calidad, linaje, cifrado y cumplimiento normativo del dato durante todo su ciclo de vida, a través de Stream Catalog.
Consultar (Query): el pilar nuevo, que pone los datos en streaming al servicio inmediato de aplicaciones, analítica y modelos de IA.

Query se despliega en tres interfaces: Confluent Tableflow, que alimenta lakehouses en formatos de tabla abiertos; el Real-Time Context Engine, que conecta con agentes mediante el Protocolo de Contexto de Modelos (MCP); y Lightning Tables. Además, la compañía anunció conectores híbridos en acceso anticipado para unir datos en la nube y on-premises, según reportó TechTarget.

¿Por qué Lightning Tables cambia la ruta de lectura?

Lightning Tables es una capa de servicio de solo lectura, totalmente gestionada, que materializa de forma duradera los eventos de Kafka en tablas consultables por SQL y APIs directas. Su valor práctico está en lo que elimina: canalizaciones ETL complejas, bases de datos intermedias y capas de caché dedicadas. También funciona como almacén de características en tiempo real para personalización y aprendizaje automático.

Sean Falconer, vicepresidente de producto para IA de Confluent, explicó a TechTarget que durante años los clientes podían capturar y procesar datos en streaming, pero tenían que copiarlos y moverlos a otra plataforma para consultarlos. «El principal motor fue cómo nos estaban usando los clientes», dijo. La promesa es una sola capa de gobierno, menos sistemas que sincronizar y la frescura del dato delegada al proveedor.

El analista Stewart Bond, de IDC, calificó las novedades como «moderadamente» significativas y señaló que Lightning Tables es lo más valioso para los clientes porque «cambia la ruta de lectura». Pero agregó una advertencia que cualquier equipo de datos debería leer dos veces: según una encuesta de IDC de este año, la confianza y la calidad del dato —no la latencia— son la principal barrera técnica para las iniciativas de datos en tiempo real.

La integración con IBM y la apuesta por el código abierto

La dimensión corporativa cambia el cálculo. IBM completó la adquisición de Confluent en diciembre de 2025, según TechTarget, y la compañía quedó en el centro de la estrategia de datos de la multinacional, combinando streaming en tiempo real con las capacidades de integración, gobierno e IA de IBM en entornos híbridos.

Ante las dudas sobre si pertenecer a un gigante tecnológico limitaría la interoperabilidad, Shaun Clowes, general manager de Confluent y datos, fue enfático: «Tenemos lo que llamamos antigravedad de datos. Somos lo contrario de un lugar donde pones tus datos y nunca salen». Y añadió que la misión es funcionar como una autopista de información entre sistemas, eliminando duplicados, integración manual y silos.

El compromiso con el código abierto sigue siendo explícito: Confluent e IBM se mantienen entre los principales contribuidores de Apache Kafka y Apache Flink. «El código abierto no es el enemigo; ayuda a movilizar el dato», resumió Clowes.

¿Qué tan maduro está el mercado de Streamhouse?

Menos de lo que sugiere el entusiasmo del anuncio. Streamhouse nació como categoría abierta de un grupo de trabajo formado por Aiven, Confluent, Redpanda, StreamNative y Ververica, que publicó una definición compartida y sus atributos clave: captura y entrega continua, ingeniería de grado productivo y descentralización para que los agentes accedan al dato donde vive.

Thornton Craig, analista senior de Gartner, dijo a CIO Dive que Streamhouse «ofrece una narrativa convincente» pero que «la adopción generalizada y su impacto real están por verse». Y el problema de fondo es de negocio, no de arquitectura: según una encuesta de Dun & Bradstreet sobre 10.000 empresas citada por CIO Dive, solo el 8% de las organizaciones considera que sus datos están listos para sostener capacidades agénticas.

La competencia se está moviendo en la misma dirección. Google sumó capacidades a su Agentic Data Cloud, incluido un lakehouse sin fronteras y una función de enriquecimiento autónomo en Knowledge Catalog, su motor de contexto de negocio para agentes. Según TechTarget, el rival más cercano de Confluent sería Microsoft, con Fabric Real-Time Intelligence y Fabric IQ.

¿Qué significa esto para tu startup?

No necesitas una arquitectura Streamhouse para empezar, pero sí necesitas saber si tus agentes están decidiendo con datos viejos. Estas son las acciones que rinden desde el primer día:

Mide la latencia real de tu contexto, no la que crees tener. Toma un evento de negocio crítico —un pago, un pedido, un cambio de stock— y cronometra cuánto tarda en estar disponible para el agente que debe actuar sobre él. Si la respuesta se mide en minutos u horas, tu problema no es el prompt: es la tubería.
Separa el problema de latencia del problema de confianza. La encuesta de IDC citada por TechTarget muestra que la calidad y la confianza en el dato pesan más que la velocidad. Antes de comprar infraestructura nueva, verifica si tus agentes fallan por lentitud o porque el dato al que acceden es inconsistente entre sistemas.
Define quién autoriza qué ve cada agente. Como señaló Mitch Ashley, de The Futurum Group, la decisión del responsable de tecnología dejó de ser dónde mover los datos y pasó a ser qué eventos necesita fresco cada agente y quién le autoriza el acceso. Eso es gobernanza, y se diseña antes de escalar.
Aprovecha lo que ya tienes. Si tu stack corre sobre Kafka, evalúa si puedes resolver el problema con las capacidades de consulta existentes en lugar de sumar una base de datos intermedia y una capa de caché más.

Conclusión

Streamhouse no es un producto que se compra y se instala: es un patrón arquitectónico que apunta a un cambio de fondo. Durante la última década las empresas construyeron lakehouses que registran lo que pasó; los agentes necesitan saber qué es verdad ahora. La jugada de Confluent —y de IBM detrás— es vender la capa que sirve ese estado actual sin obligar a nadie a demoler su infraestructura existente.

Para un founder hispanohablante, la lectura útil es doble. Primero, la ventaja competitiva en IA empresarial se está desplazando del modelo al dato: quien tenga contexto fresco y gobernado gana la ejecución. Segundo, la categoría todavía es inmadura —Gartner pide esperar y los analistas reclaman benchmarks públicos—, así que conviene invertir en medir y gobernar antes que en adoptar la etiqueta de moda.