Formular la pregunta correcta
84Convertir un problema de negocio o científico vago en una pregunta específica y contrastable exige contexto organizativo y de dominio al que una herramienta automatizada no tiene acceso por sí sola.
La ciencia de datos ocupa un punto inusual en la historia de la IA: muchas de las herramientas que están remodelando la profesión —aprendizaje automático automatizado, traducción de lenguaje natural a SQL, gráficos asistidos por IA— fueron en gran medida construidas por científicos de datos e investigadores de aprendizaje automático, ahora dirigidas de vuelta a partes de su propio trabajo diario.
Esa exposición es real y desigual. El extremo rutinario y bien especificado del trabajo —sacar datos, ejecutar un modelo estándar, producir un primer borrador de gráfico— ya es comparablemente rápido para las herramientas de IA. El extremo que sobrevive tiene menos que ver con escribir código y más con decidir qué pregunta merece la pena hacer y si se puede confiar en una respuesta.
High
Parte del trabajo que una máquina podría hacer
Una parte significativa del trabajo rutinario de ciencia de datos —consultas SQL, gráficos exploratorios, ajustar un modelo estándar con AutoML, escribir código de pipeline repetitivo— ya es automatizable o asistida por IA hoy, y esa parte crece rápido. Lo que resiste a la automatización es enmarcar un problema de negocio ambiguo como una pregunta contrastable, juzgar si un resultado es real o un artefacto estadístico, y rendir cuentas cuando la decisión en el mundo real de un modelo resulta ser errónea.
Puntuado por tareas, no por título. Más bajo es más seguro.
Empleos que la IA no puede quitar →Lo que las máquinas no pueden quitar
Juzgar si un patrón es real
80Distinguir un efecto genuino del ruido, un artefacto de filtrado de datos o una división train-test afortunada es exactamente el juicio escéptico que peor aplican los pipelines automatizados a su propia salida.
Rendición de cuentas por una decisión en el mundo real
88Alguien tiene que responder por un modelo que deniega un préstamo, marca a un paciente o malprecia un producto: una responsabilidad que no puede transferirse a la herramienta que produjo el número.
Persuadir a interlocutores escépticos
68Lograr que un hallazgo contraintuitivo o incómodo se actúe de verdad depende de la confianza, la credibilidad y la negociación con personas, no solo de un análisis correcto.
Diseñar un experimento genuinamente nuevo
74Elegir el experimento natural correcto, el grupo de control o la estrategia de inferencia causal para una pregunta nueva está más cerca del juicio creativo que del emparejamiento de patrones sobre análisis pasados.
Lo que ya están quitando
Consultas SQL rutinarias y extracciones de datos
75Las herramientas de lenguaje natural a SQL manejan ahora una gran parte de las peticiones sencillas de recuperación de datos que antes exigían la implicación directa de un científico de datos.
Primeros borradores de gráficos exploratorios y resúmenes
65Las herramientas automatizadas de análisis exploratorio pueden generar gráficos de distribución, resúmenes de correlación y gráficos básicos a partir de un conjunto de datos en bruto en segundos.
Ajustar y afinar modelos estándar
68Las plataformas AutoML pueden seleccionar, entrenar y afinar modelos convencionales como gradient boosting o regresión logística en gran medida sin supervisión, para problemas bien definidos y bien etiquetados.
Código de pipeline y ETL repetitivo
60Ensamblar un script estándar de transformación o carga de datos suele ser ahora más rápido de generar con un asistente de código de IA y revisar que de escribir desde cero.
Cómo está cambiando el trabajo
De construir modelos a dirigirlos y comprobarlos
Una parte creciente del trabajo consiste en especificar qué debe intentar un pipeline automatizado y verificar su salida, más que escribir a mano cada consulta y modelo.
El título generalista se divide en especialidades
La ingeniería de analítica, la ingeniería de aprendizaje automático y la analítica de producto se han convertido cada vez más en títulos laborales separados, cada uno absorbiendo una porción de lo que se esperaba que cubriera un solo 'data scientist' hace una década.
La inferencia causal y la experimentación ganan estatus
A medida que encontrar patrones en datos existentes se vuelve más fácil de automatizar, la habilidad más dura de diseñar un experimento o un análisis causal fiable se valora más, no menos.
El 'citizen data scientist' extiende el análisis básico
Las herramientas no-code y AutoML permiten a no especialistas ejecutar sus propios análisis básicos, empujando a los científicos de datos dedicados hacia los problemas más duros y ambiguos que esas herramientas no pueden manejar.
Nuevos oficios que se desprenden
Analytics engineer
Construye y mantiene los pipelines de transformación de datos —a menudo usando herramientas como dbt— que alimentan paneles y modelos, situándose entre la ingeniería de datos y el análisis.
Machine learning engineer
Saca un modelo de un cuaderno de investigación y lo hace funcionar de forma fiable, monitorizada y a escala en un sistema de producción.
Data product manager
Posee la hoja de ruta de una función impulsada por datos o IA, traduciendo objetivos de negocio en lo que un equipo de datos debería construir realmente.
Responsible AI / model-risk analyst
Audita modelos y los datos detrás de ellos en busca de sesgo, equidad y cumplimiento normativo antes de que se les permita lanzarse.
Perspectiva
La demanda de personas que puedan convertir datos en una decisión fiable es muy probable que se mantenga fuerte durante la próxima década, pero la versión de nivel de entrada del trabajo ya está cambiando: existirán menos roles puramente para escribir a mano consultas rutinarias y primeros borradores de gráficos.
La ventaja a largo plazo más clara la tienen los científicos de datos que pueden formular una pregunta genuinamente útil, detectar cuándo un resultado generado por IA está calladamente equivocado, y asumir la responsabilidad de una recomendación ante interlocutores escépticos —el mismo juicio que el campo ha necesitado desde los ensayos de cultivo de Fisher, ahora aplicado a un flujo de trabajo que cada vez redacta su propio primer pase.
Profesiones similares
Vecinos más cercanos en el perfil de seis puntuaciones, no solo el mismo campo.
🧾
Contable
El guardián de los libros: heredero de un oficio tan antiguo que inventó la propia escritura, negociando ahora con el software construido para automatizarlo.
Resistente a la IA 35 🗺️Product Manager
Decide qué debe construir la empresa a continuación, y por qué, convirtiendo necesidades de clientes, objetivos de negocio y límites técnicos en un plan compartido que nadie más termina de poseer del todo.
Resistente a la IA 50 💻Ingeniero de software
Escribe, prueba y mantiene el código que sostiene la vida moderna — y es una de las primeras profesiones que ve cómo la IA automatiza su propio trabajo diario.
Resistente a la IA 35 📣Especialista en marketing
El profesional que crea la demanda — de las paredes pintadas de Pompeya y el memorando del "brand man" de P&G de 1931 a los feeds gobernados por subastas de la era digital.
Resistente a la IA 38 🦾Ingeniero en robótica
Diseña las máquinas que perciben, deciden y actúan en el mundo físico, donde el problema difícil nunca fue la inteligencia sino el mundo mismo.
Resistente a la IA 65 💊Farmacéutico/a
El experto en medicamentos detrás de cada receta — desde las primeras tiendas de fármacos de Bagdad y el mortero del boticario hasta la morfina, la artemisinina y la farmacia moderna.
Resistente a la IA 58Seguir explorando
Seguir explorando
Más en Ciencia e investigación
⚛️
Físico
Deriva y pone a prueba las leyes matemáticas que rigen la materia, la energía, el espacio y el tiempo, desde una pizarra solitaria hasta un artículo de un acelerador de partículas con 3.000 autores.
Resistente a la IA 65 🧬Biólogo
El científico que estudia la vida misma, desde Linneo nombrando especies a mano hasta editar genomas con CRISPR, aún contrastando cada idea con un organismo vivo.
Resistente a la IA 64 🧪Químico
El científico que fabrica y mide la materia misma — del alambique de perfume de Tapputi en Babilonia a los laboratorios robotizados de hoy, sigue siendo quien decide qué significa el espectro.
Resistente a la IA 70 🔭Astrónomo
El científico que mide el universo, desde las tablillas de arcilla babilónicas hasta los telescopios espaciales, aún decidiendo qué parpadeo en los datos es un descubrimiento.
Resistente a la IA 70 🧮Matemático
De los escribas babilonios a los medallistas Fields y la demostración asistida por IA: la profesión que convierte preguntas difíciles en certeza permanente, teorema a teorema.
Resistente a la IA 70