¿Está muerto el mercado laboral de datos e inteligencia artificial?

¿La ciencia de datos estaba muriendo hace 7 meses?

También estaba muriendo hace 2 años.

Y muriendo hace 3 años.

Y ni hablar de que también estaba muriendo hace 5 años.

Sin embargo, desde mi punto de vista, este definitivamente no es el caso. La gente todavía parece conseguir trabajos de científico de datos.

Quiero decir, literalmente ayudo a la gente a hacer esto todas las semanas en mi programa de coaching.

Entonces, ¿qué diablos está pasando?

Bueno, en este artículo quiero desglosar:

Cómo es el mercado de datos actual Qué significa realmente ser un científico de datos Y qué debería hacer para conseguir un trabajo en este clima actual

¡Entremos en ello!

Perspectiva del mercado

Como muchos de ustedes sabrán, hubo despidos importantes durante 2022 y 2023, y solo en enero de 2023 se despidió a casi 90.000 empleados de tecnología.

De hecho, fue tan grave que TechCrunch incluso creó un archivo de todos los despidos que ocurrieron durante este período.

Sin embargo, según un estudio de 365datascience, los trabajos de datos no se vieron tan afectados por estos despidos; encontraron que:

Curiosamente, el grupo más grande de empleados despedidos de nuestra muestra no tenía trabajos tecnológicos: el 27,8 % trabajaba en recursos humanos y búsqueda de talentos, mientras que los ingenieros de software ocuparon el segundo lugar con el 22,1 %. Les siguieron los empleados de marketing con un 7,1%, servicio al cliente con un 4,6%, relaciones públicas, comunicaciones y estrategia con un 4,4%, etc.

Por ejemplo, sólo el 2,7% de las personas despedidas de Amazon durante este período tenían el título de científico de datos.

Según otro estudio:

Las ofertas de trabajo en ciencia de datos crecieron un 130% año tras año después de tocar fondo en julio de 2023, mientras que las vacantes de analistas de datos crecieron un 63% en el mismo período.

Y también podemos ver que el salario de los trabajos de datos en su conjunto ha ido creciendo a lo largo de los años.

Entonces, está claro que la ciencia de datos no está muriendo en absoluto; en todo caso, está creciendo.

Sin embargo, ¿por qué resulta tan difícil conseguir un trabajo de científico de datos en este momento, especialmente en los niveles inicial y junior?

Para explicar esto, debemos mirar más allá de los números y comprender realmente qué es el científico de datos moderno.

Evolución de la ciencia de datos

Como experto en este campo, déjame contarte un secreto.

La ciencia de datos no está muriendo; está evolucionando.

Hace 10 años, las empresas contrataban científicos de datos para jugar con modelos de aprendizaje automático en Jupyter Notebooks.

De hecho, así fue exactamente mi primer trabajo en ciencia de datos.

Un científico de datos era como una navaja suiza: una persona esperaba hacer de todo, desde limpiar datos hasta construir modelos y presentarlos al director ejecutivo.

Sin embargo, con el tiempo, las empresas se dieron cuenta de que esta estrategia no obtenía retorno de la inversión, por lo que se volvieron más estrictas en cuanto a funciones y responsabilidades para asegurarse de no desperdiciar su dinero.

Esto ha llevado a que el trabajo de la ciencia de datos se fragmente y el título haya dejado de tener sentido, ya que encontrará científicos de datos realizando trabajos completamente diferentes en diferentes empresas.

En general, hoy existen tres tipos de científicos de datos.

Analista

Este tipo de científico de datos está estrechamente alineado con el lado empresarial y se centra principalmente en la experimentación y los flujos de trabajo de informes.

Por ejemplo, usted:

Obtenga datos de una base de datos de la empresa u otras fuentes. Escriba un código que sea muy lineal y personalizado por naturaleza, comenzando con la ingesta de datos, limpiándolos un poco, luego haciendo algo de EDA y algún trabajo de modelado inferencial o básico. Una vez completado, elabora un informe que detalla el análisis, proporciona visualizaciones y otras métricas, y ofrece una recomendación basada en los objetivos del análisis.

Este tipo de científico de datos es más bien un analista de datos y, por lo general, requiere más conocimientos en el ámbito empresarial.

Ingeniería

El objetivo de este tipo de científico de datos es crear e implementar soluciones. Esto puede ser una variedad de cosas como:

Herramientas de software internas Modelos de aprendizaje automático que impulsan la toma de decisiones Creación de bibliotecas

Este rol se inclina más hacia la ingeniería de software, pero a diferencia de un ingeniero de software, requiere un mayor conocimiento de matemáticas, aprendizaje automático y estadística.

Hoy en día, este tipo de trabajo ha ido más allá del título de “científico de datos” y ahora se denomina ingeniero de aprendizaje automático.

Este no es un puesto de nivel de entrada y normalmente requiere de 2 a 3 años de experiencia en un puesto adyacente, como ingeniero de software o analista primero. Muchos graduados y personas con poca experiencia tendrían dificultades para ocupar este puesto específico en ciencia de datos.

Infraestructura

Este tipo de científico de datos es el más raro, principalmente porque tiene su propio título: ingeniero de datos.

El objetivo de esta función es construir la infraestructura de datos y las canalizaciones para albergar los datos de la empresa. Estos datos luego son utilizados posteriormente por ingenieros de aprendizaje automático, analistas o incluso partes interesadas no técnicas.

Este papel se ha vuelto cada vez más importante, especialmente con el surgimiento de la IA generativa en los últimos años, que requiere la capacidad de almacenar de manera efectiva grandes cantidades de datos y transmitirlos con baja latencia.

En algunas empresas, también puede ser ingeniero analítico, que es un ingeniero de datos más centrado en el negocio.

Lo sé, ¡hay tantos títulos que es difícil seguir el ritmo!

Júnior vs Mayor

Un estudio publicado en septiembre de 2025 ha causado bastante sensación en el espacio de los datos y el aprendizaje automático.

El estudio examinó 285.000 empresas entre 2015 y 2025 y cómo su adopción de GenAI ha afectado sus procesos de contratación para puestos junior y senior.

Nota: esto se aplica no sólo a los trabajos de científico de datos sino a todos los trabajos de estas empresas.

Puede ver en el gráfico siguiente que la contratación para puestos superiores sigue aumentando, mientras que la contratación para puestos junior está disminuyendo.

Esto tiene sentido intuitivo, ya que las responsabilidades de los jóvenes probablemente sean más fáciles de automatizar con IA que las de los mayores debido a la gran experiencia que han adquirido a lo largo de los años.

Lo que quiero dejar claro, sin embargo, es que las empresas no están despidiendo a los juniors ni tampoco quedan puestos junior en el mercado.

La mayoría de la gente mirará este gráfico y pensará que el mercado de la ciencia de datos junior se está extinguiendo. Pero objetivamente no es así.

La contratación continúa, pero la tasa de publicación de nuevos puestos no está aumentando. La curva de oferta permanece sin cambios mientras que la demanda sigue siendo alta.

Por eso hoy en día resulta tan difícil conseguir un trabajo inicial.

¿Qué puedes hacer?

Voy a ser honesto, cada vez es más competitivo incursionar en la ciencia de datos, pero no es imposible.

Atrás quedaron los días en los que todo lo que necesitaba era Python y SQL básicos, y haber realizado el curso de aprendizaje automático de Andrew Ng.

Estas son cosas que todo el mundo tiene hoy en día, por lo que debes hacer un esfuerzo adicional y diferenciarte más que antes.

Hay muchas formas de hacerlo; por ejemplo, adopta y se especializa en ciertos dominios técnicos como:

Implementación del modelo GenAI Predicción de series temporales Sistemas de recomendación Experiencia en dominios específicos

Podría decirse que los especialistas son cada vez más importantes a medida que la IA democratiza cada vez más el conocimiento. Tener una experiencia profunda es casi una rareza hoy en día.

Otra opción es optar por un puesto de nivel inferior, como un puesto de analista de datos o de negocios, que sea más amigable para los puestos junior y de nivel inicial, y luego ir ascendiendo lentamente hasta un puesto de científico de datos de tiempo completo.

También deberías centrarte en áreas que la IA realmente no puede reemplazar:

Comunicarse de manera efectiva con diferentes audiencias Comprender el impacto comercial de su trabajo Pensamiento crítico y saber qué problema resolver Sólidos fundamentos en matemáticas y estadística Relaciones y redes

Estas son habilidades eternas, especialmente la última.

Es posible que hayas escuchado el dicho:

No es lo que sabes, sino a quién conoces.

De hecho, no estoy de acuerdo con esto.

El verdadero poder está en quién te conoce.

Si tiene una red sólida y una relación con muchas personas en el campo que lo valoran y confían en usted, puede aprovecharla para obtener referencias, oportunidades o incluso ampliar aún más su red.

El apalancamiento que esto proporciona es increíble. Siempre les digo a mis clientes de coaching que las referencias y las redes son literalmente el billete de oro para conseguir trabajos de primer nivel en ciencia de datos.

Y todo lo que requiere es esfuerzo y salir de su zona de confort para hablar con las personas con las que desea conectarse.

Las tecnologías irán y vendrán, pero las relaciones humanas reales seguirán siendo fundamentales para toda su carrera.

La verdad es que necesitará reinventarse cada 3 a 5 años como científico de datos, ya que la tecnología cambia muy rápidamente.

Entonces preguntar “¿Está muriendo la ciencia de datos?” pierde el punto.

Técnicamente, la ciencia de datos siempre está muriendo, ya que evoluciona y se transforma constantemente.

Pero eso es lo que lo hace emocionante.

Y si está dispuesto a mejorar sus habilidades y esforzarse más que los demás, será muy bien recompensado.

Si está listo para sumergirse en la ciencia de datos después de leer esto, es un excelente primer paso.

Pero esta es la realidad: he estado en este campo durante cinco años y, mirando hacia atrás, pasé todo mi primer año en tareas que fueron una completa pérdida de tiempo. En el mercado hipercompetitivo actual, no es posible darse el lujo de probar y cometer errores.

Para evitar mis errores y acelerar su progreso, consulte esta guía donde describo exactamente cómo volvería a ser científico de datos.