HP crea audiencias en 2 horas con Databricks

HP pasó de tardar meses en preparar una audiencia de marketing a tenerla lista en unas dos horas. En el Data + AI Summit 2026, la compañía mostró cómo construyó un CDP preparado para IA sobre Databricks CustomerLake y su Marketing Lakehouse, con un potencial declarado de reducir hasta un 40% el coste total de su CDP. Para cualquier founder que paga por una plataforma de datos de clientes que su equipo apenas usa, la lección es incómoda: el cuello de botella casi nunca está en la herramienta de activación, sino en el contexto que le falta.

¿Qué construyó HP sobre Databricks CustomerLake?

Luis Alonso, director global de Estrategia de Datos e Ingeniería para MarTech y Habilitación de IA en HP, detalló el recorrido. La empresa consolidó cientos de data lakes y repositorios en un número reducido de lakehouses de Databricks, con estándares centrales y ejecución federada: cada dominio conserva la propiedad de sus datos mientras comparte productos de datos gobernados con el resto de la organización.

Eso dio a marketing acceso gobernado a fuentes que antes vivían dispersas: rendimiento de medios, cuota de mercado, datos tecnográficos y de intención, además de modelos de propensión.

CustomerLake no nació como un producto de marketing aislado. Databricks lo presentó el 16 de junio de 2026 en su Data + AI Summit como un CDP agéntico nativo del lakehouse, según el análisis de CMSWire, disponible en Private Preview con clientes como HP, Circle K, AB InBev y Getnet by Santander. La apuesta es que la inteligencia de cliente viva en la misma plataforma gobernada donde ya residen los datos, los modelos y los agentes.

De tres meses a 48 horas: el coste real de los silos

Alonso describió una solicitud de 2024 para compartir datos con un socio de ventas: tres meses, unos 15 correos electrónicos y tres escalaciones, sin un resultado fiable. Una petición comparable hoy se resuelve como un recurso gobernado de Delta Sharing en 48 horas.

Ese contraste es el argumento más vendible de todo el proyecto y también el más fácil de medir dentro de tu propia empresa. No hace falta un lakehouse para hacer el ejercicio: cuenta cuántos días y cuántas personas intervienen cada vez que un área necesita datos que ya existen en otro sistema.

El patrón se repite en casi todas las organizaciones. Como describe un arquitecto empresarial de Capgemini citado por CMSWire, cada herramienta nueva tiende a llevarse su propia copia de los datos en lugar de leer de una fuente compartida; a partir de ahí se forman silos, la integración se vuelve inmanejable y el uso real de la tecnología se desploma.

¿Por qué el CDP independiente dejó de tener sentido?

A medida que HP trasladaba más lógica de negocio y datos gobernados a Databricks, mantener un CDP aparte significaba duplicar pipelines, datos y costes operativos. Las arquitecturas componibles redujeron parte del movimiento de datos, pero la capa de activación seguía sin las definiciones de negocio, el contexto y la gobernanza que ya existían en la plataforma.

Según Gartner, citado por CMSWire, el 80% de los nuevos despliegues empresariales de CDP estarán integrados o serán componibles con plataformas de datos en 2030. La misma cobertura señala que solo el 22% de los profesionales de marketing declara un uso alto de su CDP, aunque el 41% de las empresas ya tiene uno implementado, y que las organizaciones calculan que aprovechan alrededor del 47% de las funciones por las que pagan.

Traducido a presupuesto: muchas empresas no tienen un problema de falta de herramientas, sino de capacidades pagadas y no utilizadas.

Genie y las capas semánticas: el contexto que los agentes necesitan

Tener una base técnica sólida no hace que los datos sean utilizables. HP usa AI/BI Genie y capacidades basadas en agentes para que ejecutivos, equipos de medios y analistas consulten la base sin depender de ingeniería para cada pregunta.

El habilitador son las capas semánticas: dominios, vistas de métricas, instrucciones y habilidades reutilizables que explican a Genie qué significan los datos. Un ejemplo concreto que dio Alonso: HP creó una vista de métricas de medios con 26 dimensiones y 10 medidas, que centraliza las definiciones de los KPI de inversión publicitaria y rendimiento para que paneles, usuarios de negocio y sistemas de IA trabajen desde la misma fuente de verdad.

En paralelo, la ingesta de datos de intención pasó de 75 temas a aproximadamente 20.000, con Genie Code ayudando a agrupar esas señales a escala para construir perfiles de cuenta más completos. Ese salto de granularidad es difícil de gestionar a mano: es justo el tipo de tarea donde un agente aporta valor inmediato.

¿Qué cambia cuando la identidad vuelve al entorno de datos?

Históricamente, las empresas enviaban los datos de clientes a un proveedor de identidad externo y dejaban la capa de identidad resultante fuera de su entorno principal. HP planea traer esas señales de vuelta a Databricks, creando una base gobernada para medición, activación de audiencias y mejora de modelos.

La arquitectura también abre un puente B2C a B2B: HP tiene cientos de millones de clientes particulares pero una población mucho menor de contactos comerciales conocidos. CustomerLake le permite trabajar con ambos modelos en un solo entorno mediante una capa de identidad compartida, e incorporar datos de otras plataformas con Lakehouse Federation.

Alonso señaló que llegar incluso al 10% de la base de clientes particulares con este enfoque que preserva el consentimiento podría crear una oportunidad sustancial y nueva para el negocio comercial. La identidad también es un mercado en sí mismo: Adstra anunció su rol como socio de lanzamiento de CustomerLake, con su plataforma Conexa funcionando como capa de resolución de identidad dentro del producto, según Yahoo Finance.

¿Qué significa esto para tu startup?

La lección no es comprar Databricks. Es evitar el error de arquitectura que HP tardó años en corregir.

• Cuenta cuántas copias de tu cliente existen. Haz una lista de cada sistema que guarda nombre, correo o historial de compra. Cada copia es un lugar donde el consentimiento se queda obsoleto y donde la definición de cliente activo se desvía de la fuente de verdad.
• Antes de renovar tu CDP, pregunta si lee o si copia. La pregunta clave en cualquier evaluación de 2026 es si la plataforma lee los datos directamente de tu warehouse o exige una copia propia. Si exige copia, estás pagando el problema que querías resolver.
• Empieza por una vista de métricas única. No necesitas 26 dimensiones para aprender el patrón: define una sola vista para tus KPI de adquisición y obliga a que todos los informes lean de ahí.
• Corre un piloto de un canal durante un trimestre. Elige un flujo acotado, como carrito abandonado o actualización de nivel de fidelidad, y compáralo contra tu herramienta actual en carga de mantenimiento y frescura de datos antes de migrar nada más.

Un dato de contexto útil para priorizar: Gartner anticipa en su Magic Quadrant 2025 de CDP, recogido por E-Commerce Times, que hacia 2028 la gestión de datos de clientes converja en un único ecosistema habilitado por data fabric y GenAI.

Los riesgos que la arquitectura componible no elimina

El enfoque tiene costes ocultos que conviene poner en la balanza antes de firmar. E-Commerce Times recoge el análisis de Lisa Loftis, consultora de SAS, quien advierte que la activación solo es tan buena como la calidad del warehouse subyacente, y que ese saneamiento no suele estar incluido en el precio del CDP ni en el discurso del proveedor.

A eso se suma el coste de cómputo: si la resolución de identidad, la construcción de audiencias y la analítica se ejecutan dentro del warehouse, la factura de cómputo en la nube crece con la frecuencia y la amplitud de las consultas. También la duplicación de datos personales entre herramientas de orquestación y activación sigue siendo un riesgo cuando cada capacidad vive en un sistema distinto, según la misma fuente.

Para un founder con equipo pequeño, la conclusión práctica es simple: la arquitectura warehouse-native reduce movimiento de datos, pero traslada la exigencia al gobierno y a la disciplina de costes. Sin esas dos piezas, el ahorro que aparece en la presentación no llega a la factura.

HP demuestra que el camino es viable a escala empresarial. La versión para una startup de diez personas es la misma en esencia y mucho más barata: menos copias de datos, un solo lenguaje de métricas y agentes que consultan información gobernada en lugar de planillas duplicadas.

Fuentes

• HP: cómo está construyendo un CDP listo para IA con Databricks CustomerLake (fuente original)
• Databricks Enters the Marketing Industry With CustomerLake: Agentic Customer Data Platform
• The Real Reason Marketers Are Cutting Martech Tools? It's Not the Bill
• Standalone CDPs Fade as Enterprise Suites Expand
• Adstra Named Launch Partner for Databricks CustomerLake