📊IA y el futuro

Contrariamente a la imagen de 'construir modelos de IA', la mayoría de los días se reparte entre escribir consultas SQL y código Python para sacar y limpiar datos, ejecutar pruebas estadísticas o entrenar modelos, y traducir resultados a un gráfico o un memorándum sobre el que un interlocutor no técnico pueda actuar. Las encuestas a profesionales sitúan de forma consistente la limpieza y preparación de datos en aproximadamente la mitad o más del tiempo de trabajo.

No. A diferencia de la medicina o el derecho, no hay licencia ni un único título obligatorio; una licenciatura o un máster en estadística, informática, matemáticas o un campo cuantitativo afín es la vía más habitual, y un portafolio sólido de proyectos reales suele importar más a los empleadores que la credencial exacta. Los doctorados son más comunes en puestos de investigación o de aprendizaje automático aplicado.

No del todo. Se apoya mucho en la estadística —el diseño experimental de Fisher, el análisis exploratorio de Tukey— pero añade programación, ingeniería de bases de datos y aprendizaje automático que los departamentos clásicos de estadística rara vez enseñaban. William S. Cleveland propuso el término en 2001 precisamente para describir esta versión ampliada y muy computacional del campo, construida sobre la estadística en lugar de sustituirla.

El extremo rutinario ya está expuesto: las herramientas AutoML pueden ajustar y afinar modelos estándar, y los asistentes de IA pueden escribir consultas SQL, primeros borradores de gráficos exploratorios y código de pipelines repetitivo más rápido que una persona. Lo que no se ha automatizado es formular la pregunta correcta, juzgar si un patrón es significativo o espurio, y asumir la responsabilidad de una decisión basada en el resultado.

Varía mucho según el país y la antigüedad. La Oficina de Estadísticas Laborales de EE. UU. situó el salario anual medio de la ocupación Data Scientists en torno a 108 000 dólares en 2023, mientras que los analistas junior suelen empezar cerca de 70 000–95 000 dólares y los científicos de datos senior o principales en grandes tecnológicas pueden ganar 200 000–400 000 dólares o más en compensación total con equity.

Un analista de datos suele responder preguntas de negocio definidas con datos y paneles ya existentes; un científico de datos construye nuevos modelos estadísticos y análisis predictivos, a menudo a partir de datos más desordenados; un ingeniero de aprendizaje automático saca un modelo de un cuaderno y lo hace funcionar de forma fiable, a escala, en producción. Las fronteras se difuminan a menudo, y mucha gente se mueve entre los tres a lo largo de la carrera.