pronostica aproximadamente 50 mil millones de dólares en ingresos publicitarios utilizando econometría, modelos de series de tiempo e inferencia causal. Cuando un vicepresidente senior preguntó qué tan seguros deberíamos estar en un número, no pude darles una estimación puntual y encogerme de hombros. Tuve que cuantificar la incertidumbre, rastrear la cadena causal y explicar qué suposiciones romperían el pronóstico si resultaran erróneas.
Ninguno de ese trabajo involucró un modelo de lenguaje grande (LLM). Nada de eso podría haberlo hecho.
Si es un científico de datos que se siente abandonado por la ola de IA, este artículo es un replanteamiento. Las habilidades que la industria está abandonando son exactamente las que se están volviendo más escasas, más demandadas y mejor compensadas. Mientras todos los demás persiguen el próximo modelo básico, el mercado está revalorizando silenciosamente los fundamentos.
Este artículo establece cinco habilidades específicas (yo las llamo Anti-Hype Stack), explica por qué cada una se resiste a la automatización y le brinda una hoja de ruta de 90 días para desarrollarlas. Pero primero, un vistazo rápido a por qué se está resquebrajando el revuelo.
La brecha de 300 mil millones de dólares
En 2025, las empresas hiperescaladoras comprometieron casi 400 mil millones de dólares en gastos de capital en infraestructura de inteligencia artificial. ¿Ingresos reales de la IA empresarial? Aproximadamente 100 mil millones de dólares. Esa es una proporción de 4:1 entre gasto e ingresos.
Un estudio de la Oficina Nacional de Investigación Económica de febrero de 2026 encontró que el 90% de las empresas no informaron ningún impacto mensurable en la productividad por parte de la IA. Menos del 30% de los directores ejecutivos estaban satisfechos con los retornos de GenAI. Y Gartner colocó a la IA generativa de lleno en el abismo de la desilusión.
Esto no significa que la IA sea inútil. Significa que la burbuja se está desinflando según lo previsto, como lo hace toda burbuja tecnológica. La crisis de las puntocom no acabó con Internet. Mató a las empresas que confundían la exageración con la adecuación del producto al mercado. Los supervivientes (los que vendieron libros y optimizaron la logística) fueron los obsesionados con la medición, la experimentación y el poco glamuroso rigor operativo.
La misma corrección está ocurriendo en la ciencia de datos. Y el conjunto de habilidades que sobrevive es el que se basa en la causalidad, no en la correlación.
El barco al que todos se apresuraron a subir se está haciendo agua. La costa que abandonaron parece cada vez más sólida.
La pila de habilidades anti-exageración
Cinco habilidades. Cada uno de ellos es anticíclico (se vuelve más valioso a medida que disminuye la publicidad), resistente a la automatización del LLM (requiere un juicio humano que la coincidencia de patrones no puede replicar) y está directamente vinculado a los resultados comerciales por los que los ejecutivos realmente pagan.
No los escogí de un libro de texto. Son las habilidades en las que he confiado en cuatro industrias (atención médica, comercio minorista, educación superior, publicidad digital) y casi una década de trabajo aplicado. La pila técnica apenas cambió entre dominios. Lo que cambió todo fue saber cuál de estas herramientas recurrir y cuándo.
Imagen del autor.
1. Inferencia causal: la habilidad que responde al "por qué"
que es
Determinar si X realmente causa Y, no sólo si se correlacionan. El conjunto de herramientas: ensayos controlados aleatorios (RCT), diferencias en diferencias (DiD), series de tiempo interrumpidas, variables instrumentales, discontinuidad de regresión y gráficos acíclicos dirigidos (DAG).
Por qué creo que esta es la habilidad número uno
Una vez utilicé el análisis de series de tiempo interrumpido para aislar el impacto causal de un evento promocional importante en las previsiones de ingresos publicitarios. El modelo predictivo dijo que el evento aumentó los ingresos. El modelo causal contaba una historia diferente: aproximadamente el 40% de ese aparente “impulso” fue canibalizado en las semanas siguientes. Los clientes no gastaban más; estaban cambiando cuando gastaban. Ese único análisis cambió la forma en que el equipo de pronóstico modeló los eventos promocionales en el futuro, mejorando la precisión en un 12% (con un valor de alrededor de $2 millones al año en un solo producto vertical).
Un LLM puede describir variables instrumentales. Pregúntele a ChatGPT y obtendrá una respuesta sólida de libro de texto. Pero no puede realizar el razonamiento, porque el razonamiento causal requiere comprender el proceso de generación de datos, intervenir sobre variables y razonar sobre contrafactuales que nunca aparecen en ningún corpus de entrenamiento.
La señal del mercado
Una encuesta de Causalens encontró que la IA causal era la técnica número uno que los líderes de IA planeaban adoptar, y casi el 70% de las organizaciones impulsadas por la IA implementarían el razonamiento causal para 2026. Las organizaciones que aplicaron métodos causales a la publicidad reportaron un retorno de la inversión (ROI) un 35% mayor que aquellas que utilizaron la segmentación basada en correlación.
Puede predecir la pérdida de clientes con un 95% de precisión y aún no tener idea de cómo reducirla. La predicción sin causalidad es una forma costosa de observar cómo suceden las cosas.
2. Diseño experimental: más allá de la prueba A/B básica
que es
Diseñar experimentos controlados que aíslen el efecto de una intervención específica. Esto va mucho más allá de dividir el tráfico 50/50. Incluye bandidos con múltiples brazos, diseños factoriales, pruebas secuenciales y métodos (críticamente) cuasiexperimentales para situaciones en las que no se puede aleatorizar.
Donde esto se vuelve real
He observado a equipos implementar modelos de aprendizaje automático en múltiples ubicaciones minoristas que obtuvieron buenos resultados en conjuntos de resistencia pero fallaron en producción. La razón siempre fue la misma: nadie diseñó el lanzamiento como un experimento adecuado. Sin despliegue escalonado. No hay controles coincidentes. No hay métrica de éxito prerregistrada. El modelo “funcionó” con datos históricos, pero sin un marco experimental, no había manera de distinguir el aumento genuino del ruido estacional, el sesgo de selección o la regresión a la media.
Realizar una prueba t en dos grupos es fácil. ¿Diseñar un experimento que tenga en cuenta los efectos de red, el arrastre y la paradoja de Simpson? Eso requiere capacitación que la mayoría de los programas de ciencia de datos omiten por completo. Y es la parte que ningún asistente de codificación de IA puede hacer por usted, porque el problema difícil no es el cálculo estadístico. Se trata de convencer a un equipo de producto de que retenga una característica de un grupo de control el tiempo suficiente para medir el efecto.
La señal del mercado
Zalora aumentó su tasa de pago en un 12,3 % mediante un único experimento bien diseñado en el texto de la página del producto. PayU ganó un 5,8% en conversiones al probar la eliminación de un campo del formulario. Estas no son mejoras del modelo ML. Son resultados comerciales de un pensamiento experimental riguroso.
3. Razonamiento bayesiano: incertidumbre honesta
que es
Un marco para actualizar creencias a medida que llega nueva evidencia, cuantificar la incertidumbre e incorporar conocimientos previos a los modelos. En la práctica: testing bayesiano A/B, modelos jerárquicos y programación probabilística (PyMC, Stan).
Por qué aprendí esto por necesidad
Cuando usted es responsable de las previsiones de ingresos que llegan al director financiero, una estimación puntual no es una respuesta. "Esperamos $X" no significa nada sin "y aquí está el rango, y esto es lo que nos haría revisar". Aprendí métodos bayesianos porque los intervalos de confianza frecuentistas no eran suficientes. Un IC del 95% que abarque un rango más amplio que el objetivo trimestral completo no es útil para nadie que tome una decisión. Lo que los tomadores de decisiones necesitaban era una distribución posterior: "Hay una probabilidad del 75% de que los ingresos caigan entre A y B, y aquí están los tres supuestos que, si se violan, cambian la distribución".
El pensamiento bayesiano requiere un modelo mental fundamentalmente diferente de las estadísticas frecuentistas que dominan la mayoría de los planes de estudio. La probabilidad representa grados de creencia, no frecuencias de largo plazo. La curva de aprendizaje es real. Pero una vez que lo cruzas, dejas de informar números sin bandas de incertidumbre y comienzas a darle a la gente lo que realmente necesitan para decidir.
La señal del mercado
Los métodos bayesianos sobresalen en entornos de datos pequeños donde los enfoques clásicos fracasan: ensayos clínicos con participantes limitados, experimentos de productos en etapas iniciales y modelos de riesgo con historia escasa. También son esenciales para una cuantificación honesta de la incertidumbre, lo único que los modelos de ML de estimación puntual manejan peor.
En un mundo ahogado en predicciones generadas por IA, el recurso más escaso no es otro pronóstico. Es una explicación creíble de causa y efecto, con un intervalo de confianza honesto adjunto.
4. Modelado de dominios: la habilidad que no puedes hacer en el Bootcamp
que es
Traducir el contexto empresarial en estructura matemática. Comprender el proceso de generación de datos (cómo llegaron a existir los datos), identificar la función de pérdida correcta (lo que realmente le importa optimizar) y saber qué características son causas y efectos.
Lo que me enseñaron cuatro industrias
He creado modelos en atención médica (procesando millones de registros de pacientes diariamente), comercio minorista (pronóstico de ventas de artículos en más de 15 ubicaciones), educación superior (canales de inscripción de estudiantes) y publicidad digital (modelos econométricos para flujos de ingresos multimillonarios). El Python no cambió. El SQL no cambió. Lo que cambió todo fue comprender por qué la tasa de reingreso de un hospital se disparó en febrero (temporada de gripe, no un fallo del modelo), por qué el pronóstico de demanda de un minorista colapsó en la semana 47 (canibalización del Viernes Negro, no un cambio de distribución) y por qué un pronóstico de ingresos por publicidad necesitaba tratar un evento importante como una ruptura estructural en lugar de un caso atípico.
Las herramientas de inteligencia artificial pueden procesar datos. No pueden entender el contexto que determina si un patrón es una señal o un artefacto. Esa comprensión proviene de la exposición sostenida a una industria específica y la capacidad de pensar en términos de sistemas en lugar de conjuntos de datos.
La señal del mercado
La experiencia en el campo es la razón por la que un científico de datos en salud o finanzas gana entre un 25% y un 40% más que un generalista con las mismas habilidades técnicas. El modelo rara vez es el cuello de botella. Comprender qué debe optimizar el modelo es.
5. Control estadístico de procesos: saber cuándo algo cambió realmente
que es
Monitoreo de sistemas y procesos a lo largo del tiempo para distinguir señal del ruido. Gráficos de control, análisis de capacidad de procesos e investigación de causa raíz. Originario de la fabricación; ahora se aplica al monitoreo del modelo ML, el estado de la canalización de datos y el seguimiento de métricas comerciales.
Una lección del aprendizaje automático de producción
Una vez ayudé a construir un canal de detección de objetos para el monitoreo automatizado del inventario minorista. El modelo alcanzó el 95 % de mAP en el conjunto de prueba. Pasó a producción. Tres semanas después, la precisión empezó a variar y nadie se dio cuenta durante un mes, porque no había una capa de control de procesos. Una vez que agregamos gráficos de control que rastrean las distribuciones de confianza de la detección, la latencia de inferencia y las métricas de deriva de características, pudimos distinguir los reordenamientos estacionales de las plataformas (ruido) de la degradación genuina del modelo (señal). La diferencia: detectar un problema en la semana uno frente a la semana cinco. En la gestión de inventario, esa brecha se traduce directamente en estantes vacíos y pérdida de ingresos.
El aprendizaje automático y el control estadístico de procesos (SPC) son herramientas complementarias, no competidoras. Todo sistema de ML de producción necesita SPC. Casi ninguno la tiene, porque la habilidad se encuentra en los departamentos de ingeniería industrial, no en los programas de ciencia de datos.
La señal del mercado
Las empresas de fabricación que utilizan SPC junto con ML logran tasas de defectos considerablemente más bajas al detectar anomalías en los procesos antes de que se produzcan en cascada. En tecnología, el monitoreo basado en SPC detecta la degradación del modelo semanas antes de que las métricas de precisión señalen un problema.
Por qué los LLM no pueden reemplazar esta pila
La objeción obvia: ¿la IA no aprenderá eventualmente también a hacer razonamiento causal?
No en el corto plazo. La razón es estructural.
Los LLM son motores de correlación. Predicen el siguiente token basándose en patrones estadísticos en los datos de entrenamiento. Pueden describir técnicas de inferencia causal, pero no pueden hacer razonamiento causal, porque requiere comprender un proceso de generación de datos, intervenir en variables y razonar sobre contrafactuales que nunca aparecen en ningún corpus de entrenamiento.
Consideremos un ejemplo concreto. Una empresa de comercio electrónico observa que los clientes que utilizan su aplicación móvil gastan un 40 % más que los usuarios de escritorio. Un modelo predictivo pronosticaría felices mayores ingresos si impulsara a más personas a descargar la aplicación. Un pensador causal se detendría y preguntaría: ¿la aplicación genera un mayor gasto o los clientes que gastan mucho simplemente prefieren las aplicaciones? La intervención (impulsar descargas) solo funciona si la primera explicación es cierta. Ningún modelo de lenguaje puede resolver esto haciendo coincidir patrones sobre texto. Requiere diseñar un experimento, recopilar nuevos datos y aplicar un marco causal.
Este es un trabajo irreductiblemente humano. Y las cinco habilidades anteriores son el conjunto de herramientas para hacerlo.
La hoja de ruta de 90 días
Leer sobre estas habilidades y desarrollarlas son dos cosas diferentes. Aquí tienes un plan concreto, organizado según lo que puedes empezar esta semana y lo que lleva más tiempo desarrollar. Cada recomendación proviene de lo que he usado personalmente o visto producir resultados.
Nada de esto requiere un clúster de GPU. Nada de esto requiere una suscripción a la última plataforma de inteligencia artificial. Un cuaderno, algunos datos y la voluntad de reducir el ritmo y pensar detenidamente qué estás midiendo y por qué.
Hacia dónde se dirige esto
Ya se ven tres cambios en el mercado.
El rol de “ingeniero de IA” se dividirá. Una vía se convierte en infraestructura (MLOps, implementación, escalamiento), que es ingeniería de software. El otro se convierte en ciencia de la decisión (inferencia causal, experimentación, análisis estratégico), que es lo que se suponía que era la ciencia de datos antes de que se distrajera con las tablas de clasificación de Kaggle.
La prima pasa de la predicción a la prescripción. La predicción es mercantilizar. Los asistentes de codificación de AutoML e IA pueden crear un modelo predictivo decente en horas. Pero traducir una predicción en una recomendación (“aumente los precios en un 3% para este segmento, y he aquí por qué estamos 85% seguros de que aumentará el margen”) requiere razonamiento causal, experiencia en el campo y cuantificación de la incertidumbre bayesiana. Esa combinación es rara.
La confianza se convierte en el diferenciador. A medida que el análisis generado por IA inunda todas las organizaciones, la capacidad de explicar por qué una recomendación es creíble (aquí está el experimento, aquí está el intervalo de confianza, esto es lo que nos haría cambiar de opinión) separa el análisis sobre el que se actúa del análisis que se ignora. El rigor estadístico se convierte en el foso.
La predicción se está convirtiendo en una mercancía. La prima está cambiando a la prescripción médica: "haga X, este es el motivo y este es nuestro nivel de confianza".
Cuatrocientos mil millones de dólares persiguen una tecnología cuyos clientes de pago no pueden explicar lo que obtienen a cambio de su dinero. La corrección vendrá. Siempre lo hace.
Cuando llegue, las personas que queden en pie no serán las que aprendieron a impulsar un modelo de lenguaje. Serán ellos quienes podrán diseñar un experimento, rastrear una cadena causal y decirle a una sala llena de ejecutivos escépticos exactamente qué confianza deben tener en una recomendación y exactamente qué evidencia les haría cambiar de opinión.
La burbuja se está rompiendo. Debajo, el suelo es sólido. Empiece a construir sobre ello.
Referencias
Laboratorios de intuición. "Burbuja de IA versus burbuja de las puntocom: una comparación basada en datos". 2025. Davenport, Thomas H. y Bean, Randy. "Cinco tendencias en inteligencia artificial y ciencia de datos para 2026". Revisión de gestión de Sloan del MIT, 2026. Gartner. "IA generativa en el punto más bajo de la desilusión". Revista de Adquisiciones, 2025. Pragmatic Coders. "Analizamos 4 años de entusiasmo por la IA de Gartner para que no haga una mala inversión en 2026". 2026. Acalítica. "Disrupción causal de la IA en todas las industrias (2025-2026)". 2025. Laboratorios PyMC. "De la incertidumbre al conocimiento: cómo la ciencia de datos bayesiana puede transformar su negocio". 2024. Contenido cuadrado. "6 ejemplos reales y estudios de casos de pruebas A/B". 2025. Acerta Analytics. "La diferencia entre el aprendizaje automático y el SPC, y por qué es importante". 2024. DASCA. "Habilidades esenciales para los profesionales de la ciencia de datos en 2026 y más allá". 2025.Wikipedia. "Burbuja de IA". (Consultado en febrero de 2026).