ETL vs ELT cuál conviene para pyme LATAM 2026 guía operativa

ELT (Extract Load Transform) gana en 9 de cada 10 pymes LATAM en 2026 porque los data warehouses modernos (Snowflake, BigQuery, Supabase) tienen compute escalable y SQL avanzado dentro del warehouse. Cargas datos crudos y los transformas con dbt o SQL nativo. ETL (Extract Transform Load) sigue siendo válido cuando tu warehouse destino es legacy, los datos tienen información sensible que no puede llegar cruda, o tu equipo solo sabe Python. El patrón canónico para pyme LATAM es Airbyte o Fivetran más Supabase o BigQuery más dbt más Metabase, con costo operacional entre 200 y 800 USD al mes. Sin retainers, sin licencias atadas cuando el código del warehouse es tuyo.

Si eres CTO, CIO o head de datos de pyme LATAM y estás decidiendo cómo armar tu pipeline de datos en 2026, esta guía te da el patrón ganador y cuándo apartarse.

ETL: el patrón clásico

ETL nació en los 90 cuando los warehouses (Teradata, Oracle, SQL Server) cobraban caro por compute. El patrón era:

1. Extract: leer datos de fuentes (ERP, CRM, archivos)
2. Transform: limpiar, normalizar, calcular agregados en un servidor intermedio (Python, Talend, Informatica)
3. Load: empujar resultados ya transformados al warehouse

Beneficios: el warehouse solo recibe datos listos para consumir, no se carga con compute pesado. Útil cuando tu warehouse es lento o cuesta por GB.

Costos: necesitas servidor intermedio robusto, equipo Python o Java fuerte, lógica de transformación encerrada en código fuera del warehouse (más difícil de auditar). Si una transformación falla, debugging es complejo porque vive entre la fuente y el warehouse.

ELT: el patrón moderno

ELT invierte el orden:

1. Extract: leer datos de fuentes
2. Load: cargar datos crudos directo al warehouse en capa Bronze
3. Transform: con SQL dentro del warehouse, construir capas Silver y Gold

Funciona porque warehouses modernos (Snowflake, BigQuery, Databricks, Supabase) tienen compute elástico y SQL avanzado (window functions, JSON parsing, ML inline). Pagas por compute solo cuando transformas.

Beneficios:

• Stack simple: Airbyte o Fivetran extrae y carga, dbt transforma con SQL versionado
• Capa Bronze guarda datos crudos auditables (puedes reprocesar siempre)
• Transformaciones versionadas en Git (no en servidor opaco)
• Equipo solo necesita SQL avanzado (más común que Python o Java)
• Escala vertical y horizontal según volumen

Tabla comparativa rápida

El stack ELT canónico para pyme LATAM 2026

Capas Bronze Silver Gold

Sin capas, el data lake se vuelve pantano. El patrón:

• Bronze: datos crudos como llegaron de la fuente. Schema poco normalizado. Nunca borrar. Reprocesar desde aquí cuando descubres bug.
• Silver: datos normalizados, deduplicados, con tipos correctos. Una fila por entidad de negocio (cliente, orden, factura). Útil para análisis ad hoc.
• Gold: datos agregados para decisiones. Materialized views o tablas calculadas. KPIs, dashboards, reportes ejecutivos. Optimizado para velocidad de query.

Sin estas capas, mezclas crudos con métricas y nadie sabe qué versión es correcta.

El caso real: 13 millones de filas migradas con Bronze Silver Gold

Una distribuidora multi sucursal en Ciudad de Guatemala llegó a Catalizadora con 13 millones de filas legacy en SQL Server 2019, 197 tablas inconsistentes y 10 años de datos desorganizados. En 12 semanas Catalizadora entregó:

• Data Lake arquitectura Bronze a Silver a Gold sobre Supabase
• 3.6 millones de filas migradas a Supabase en 48 horas
• 1.17 TB en GCS (Bronze parquet raw)
• 197 tablas snapshot más 825 vistas Silver más 75 vistas Gold materializadas
• Verificación fila a fila: source igual Bronze igual Silver igual Gold
• 73 Gold tables finales normalizadas
• 57 RLS policies más 17 roles RBAC
• 100 franquicias operativas con pipeline multi tenant
• Inversión 26,000 USD fija, sin retainers

Cuando los datos se unifican, los problemas se anuncian solos. El stack: Supabase más Python más dbt más BigQuery más PyArrow. ELT puro.

Cuándo elegir ETL en 2026

Tres escenarios reales:

1. Warehouse legacy: si tu destino es Oracle on premise, SQL Server licenciado por core, o un appliance Teradata, ETL sigue siendo válido porque el warehouse no escala compute elástico
2. Datos sensibles: cuando contratos o regulación prohíben enviar datos crudos al warehouse (PII en países con LGPD, salud regulada), ETL con anonimización previa es la única opción
3. Equipo solo Python o Java: si tu equipo no domina SQL avanzado y no quiere migrar, ETL con Python o Spark es más viable que forzar dbt

Fuera de estos casos, ELT gana siempre.

Lo que NO debes hacer

1. Mezclar Bronze, Silver y Gold en mismo schema: cuando otro analista entra, no sabe qué es crudo y qué es métrica
2. Sin versionado dbt o Git para transformaciones: cuando algo se rompe en producción nadie sabe qué cambió
3. Sin lineage entre capas: cuando una métrica Gold cambia, no puedes rastrearla a sus fuentes Silver y Bronze
4. Pagar Fivetran o Stitch para cargar 100 GB al mes: Airbyte self hosted hace lo mismo gratis

Próximos pasos

Si tu pyme LATAM apenas empieza con datos dispersos en ERP, CRM, ecommerce y hojas de cálculo, ELT con Airbyte más Supabase más dbt cubre el 90 por ciento de los casos a un costo razonable.

Catalizadora arma el diagnóstico en una llamada de 30 minutos, sin pitch deck, conversación real sobre tu operación.

• MAGIA Core entrega Data Lake unificado Bronze a Silver a Gold con dashboards por rol en 12 semanas por 15,000 USD. Código a tu nombre, datos a tu nombre, infraestructura a tu nombre.
• Para casos donde necesitas plataforma a medida con motor de IA, guardrails y observabilidad de primer día, MAGIA Forge entrega en 12 semanas por 20,000 USD.