S3 Files: el nuevo rostro del almacenamiento en AWS

Amazon S3 en 2026: del almacenamiento de objetos a una plataforma de datos completa

Durante más de dos décadas, Amazon S3 fue sinónimo de una sola cosa: almacenamiento de objetos en la nube. Subías un archivo, le asignabas una clave, lo recuperabas cuando lo necesitabas. Simple, escalable, barato. Pero el ecosistema de datos ha evolucionado de forma radical: hoy los founders tech construyen pipelines de IA generativa, plataformas de bioinformática y data lakes de petabytes. Y S3 ha tenido que evolucionar con ellos.

En abril de 2026, AWS publicó en el blog de Werner Vogels (All Things Distributed) una entrada que resume ese salto: la introducción de S3 Files, y el contexto más amplio de cómo S3 Tables y S3 Vectors están redefiniendo lo que se puede hacer con el servicio de almacenamiento más utilizado del planeta.

¿Qué es S3 Files y por qué importa?

S3 Files es una nueva capacidad de Amazon S3 que permite montar un bucket de S3 directamente como un sistema de archivos local, con plena compatibilidad POSIX: operaciones de escritura aleatoria, append, bloqueo de archivos y manipulación de directorios. Todo sin necesidad de herramientas de terceros como s3fs-fuse o el anterior Mountpoint for Amazon S3.

👥 ¿Quieres ir más allá de la noticia?

En nuestra comunidad discutimos las tendencias, compartimos oportunidades y nos ayudamos entre emprendedores. Sin humo, solo acción.

👥 Unirme a la comunidad

El proceso es directo: se instala el cliente de S3 Files y se ejecuta un comando equivalente a s3-files mount s3://mi-bucket /mnt/s3. A partir de ese momento, cualquier aplicación que trabaje con rutas locales puede leer y escribir en S3 como si fuera un disco en el servidor. Según el anuncio, el sistema soporta rendimientos de hasta 100 GB/s por montaje y caché local de SSD de hasta 1 TB.

El problema de fricción de datos que resuelve

Antes de S3 Files, los equipos de ingeniería enfrentaban un dilema constante: el almacenamiento de objetos de S3 es barato y masivamente escalable, pero la mayoría de las herramientas de análisis, machine learning y bioinformática esperan interactuar con un sistema de archivos tradicional. La solución habitual era copiar datos a Amazon EFS o Amazon FSx, lo que multiplicaba los costos y añadía latencia.

S3 Files elimina ese data movement tax: no más scripts de sincronización personalizados, no más provisioning de volúmenes EFS, no más pipelines de ETL solo para mover datos entre capas de almacenamiento. El resultado: reducción de costos drástica (S3 cuesta aproximadamente $0.023/GB frente a $0.30/GB de EFS) y hasta un 70% de aceleración en la fase de prototipado según datos del propio anuncio.

S3 Tables y S3 Vectors: los otros pilares de la evolución

S3 Files no llega sola. Forma parte de una trilogía de innovaciones que amplían el alcance de S3:

S3 Tables: el data lake con ACID incluido

S3 Tables introduce un formato de almacenamiento nativo para datos tabulares (CSV, Parquet, ORC) con transacciones ACID vía la S3 Transactions API, enforcement de esquema y particionado automático. El caso de uso central es el data lake moderno: permite que servicios como Amazon Athena o Apache Spark consulten directamente con velocidades hasta 10 veces superiores a las de un bucket convencional, sin necesidad de copiar datos a una base de datos separada.

S3 Vectors: embeddings a escala de petabytes

S3 Vectors es la respuesta de AWS a la explosión de la IA generativa. Es un tipo de objeto especializado para almacenar vectores de embeddings —los que generan modelos como Amazon Titan o cualquier LLM— con indexación HNSW integrada y soporte para búsqueda por similitud coseno. La escala soportada llega al petabyte, lo que lo hace ideal para sistemas RAG, motores de búsqueda semántica y plataformas de recomendación que manejan millones de items.

Ambas capacidades se integran con S3 Files, lo que significa que se puede acceder a tablas y vectores con las mismas herramientas de sistema de archivos que usa cualquier aplicación convencional.

Archivos vs. objetos: una distinción que sí importa técnicamente

Uno de los aportes más valiosos del artículo original es la explicación honesta de las diferencias fundamentales entre ambos modelos:

Aspecto	Sistema de archivos tradicional	Object Storage (S3 clásico)	S3 Files (híbrido)
Acceso	POSIX jerárquico	HTTP REST (GET/PUT)	POSIX sobre APIs S3
Consistencia	Fuerte e inmediata	Eventual	Fuerte (S3 Strong Read/Write)
Operaciones	Append, rename, lock	Solo sobreescritura completa	POSIX completo (appends atómicos)
Latencia	Menor de 1 ms	Alta (red)	Menor de 10 ms con caché
Costo por GB	Alto (EFS ~$0.30)	Bajo (~$0.023)	Bajo (tarifas S3 + $0.01/GB)

El diseño de S3 Files logra este puente traduciendo las operaciones POSIX en llamadas optimizadas a las APIs nativas de S3 —por ejemplo, los appends utilizan multipart PATCH en lugar de reescribir el objeto completo— sin sacrificar la economía del almacenamiento de objetos.

El caso de la genómica: cuando el tamaño de los datos sí es el problema

El artículo original usa la genómica en la nube como ejemplo paradigmático de los desafíos que S3 Files viene a resolver. Los archivos de secuenciación genómica (FASTQ, VCF, CRAM) pesan cientos de gigabytes por muestra, y un estudio de cohorte puede involucrar decenas de miles de muestras. Herramientas de análisis como GATK, Nextflow o Hail fueron diseñadas para interactuar con sistemas de archivos locales, no con buckets de S3.

Con S3 Files, un equipo de bioinformática puede montar un bucket con 100 TB de datos genómicos y ejecutar sus pipelines exactamente igual que si los datos estuvieran en un disco local, sin mover un solo byte. Según el anuncio, el Broad Institute logró reducir en un factor de 5x el tiempo de ejecución de GATK al pasar de EFS a montajes directos de S3.

Lo que esto significa para founders tech en LATAM

Para los founders de startups que construyen sobre AWS en América Latina, esta evolución de S3 tiene implicaciones prácticas e inmediatas:

Reducción de costos de infraestructura: si hoy usas EFS o FSx para dar acceso de tipo filesystem a tus aplicaciones, S3 Files puede reducir esa factura hasta en un 90%.
Simplificación del stack: menos servicios involucrados significa menos puntos de falla, menor carga operativa para tu equipo de ingeniería y ciclos de desarrollo más rápidos.
IA lista para producción: S3 Vectors integrado con los embeddings de tus modelos elimina la necesidad de bases de datos vectoriales separadas (como Pinecone o Weaviate) para casos de uso a escala moderada.
Ventaja competitiva en datos intensivos: si tu producto maneja bioinformática, visión computacional, procesamiento de audio o cualquier dominio con archivos grandes, la arquitectura que hoy parece compleja se vuelve trivial.

Conclusión

Amazon S3 ya no es solo un bucket de objetos. Con S3 Files, S3 Tables y S3 Vectors, AWS está consolidando S3 como la capa de datos universal para la nube: capaz de hablar el idioma de los sistemas de archivos, de las bases de datos analíticas y de los modelos de IA, todo desde el mismo servicio con la misma economía de escala que hizo famoso a S3 hace 20 años.

Para los founders que toman decisiones de arquitectura hoy, la señal es clara: invertir en entender estas nuevas primitivas de S3 puede traducirse directamente en ventajas competitivas en costo, velocidad y escala. No es un detalle técnico menor; es un cambio de paradigma en cómo se diseñan los productos intensivos en datos.

Descubre cómo otros founders implementan estas soluciones de infraestructura cloud en sus startups y acelera tu arquitectura de datos con la comunidad de Ecosistema Startup.

Aprender con founders