¿Está pensando en cambiar a la ciencia de datos en 2026?
Si la respuesta es “sí”, este artículo es para ti.
Soy Sabrina. He pasado los últimos 10 años trabajando en el campo de la IA en toda Europa, desde grandes empresas y nuevas empresas hasta laboratorios de investigación. Y si hoy tuviera que empezar de nuevo, sinceramente seguiría eligiendo este campo. ¿Por qué?
Por las mismas razones que nos trajeron a muchos de nosotros aquí: el desafío intelectual, el impacto que puedes tener, el amor por las matemáticas y el código, y la posibilidad de resolver problemas de la vida real.
Pero mirando hacia 2026… ¿todavía vale la pena?
Si te desplazas por LinkedIn, verás dos equipos peleando: uno que dice “La ciencia de datos está muerta” y el otro que está creciendo gracias a la tendencia de la IA.
Cuando miro a mi alrededor, personalmente creo que siempre necesitaremos habilidades computacionales. Siempre necesitaremos personas que puedan comprender los datos y ayudar a tomar decisiones. Los números siempre han estado en todas partes, ¿y por qué desaparecerían en 2026?
Sin embargo, el mercado ha cambiado. Y para navegar por él ahora, necesita buena orientación e información clara.
En este artículo, compartiré mi propia experiencia trabajando en investigación e industria, y asesorando a más de 200 científicos de datos en los últimos años.
Entonces, ¿qué está pasando en el mercado ahora?
Seré honesto y no les venderé ningún sueño al respecto.
El objetivo no es introducir sesgos, sino brindarle suficiente información para tomar su propia decisión.
¿La familia de trabajos de ciencia de datos es más amplia que nunca?
Uno de los mayores errores de los científicos de datos junior es pensar que la ciencia de datos es un solo trabajo.
En 2026, la ciencia de datos será una gran familia de roles. Antes de escribir una sola línea de código, debes comprender dónde encajas.
La gente está fascinada por la IA: cómo habla ChatGPT, cómo Neuralink estimula el cerebro y cómo los algoritmos afectan la salud y la seguridad. Pero seamos honestos: no todos los aspirantes a científicos de datos crearán este tipo de proyectos.
Estos roles necesitan sólidas matemáticas aplicadas y habilidades avanzadas de codificación. ¿Eso significa que nunca los alcanzarás? No. Pero a menudo son para personas con doctorados, científicos computacionales e ingenieros capacitados exactamente para estos trabajos especializados.
Tomemos un ejemplo real: una oferta de trabajo de aprendizaje automático/científico de datos que vi hoy (27 de noviembre) en una empresa de GAFAM.
Si miras la descripción, piden:
Patentes Publicaciones del primer autor Contribuciones a la investigación
¿Todos los interesados en la ciencia de datos tienen una patente o una publicación? Por supuesto que no.
Por eso debes evitar moverte a ciegas.
Si acaba de terminar un bootcamp o está comenzando sus estudios, solicitar trabajos que requieran explícitamente publicaciones de investigación solo le traerá frustración. Estos trabajos muy especializados suelen ser para personas con formación académica avanzada (doctorado, postdoctorado o ingeniería computacional).
Mi consejo: sea estratégico. Concéntrese en roles que coincidan con sus habilidades.
No pierdas el tiempo aplicando en todas partes.
Utilice su energía para crear una cartera que se alinee con sus objetivos.
Debe comprender los diferentes subcampos dentro de la ciencia de datos y elegir el que se ajuste a su experiencia. Por ejemplo:
Analista/Científico de datos de producto: ciclo de vida del producto y necesidades del usuario Ingeniero de aprendizaje automático: implementación de modelos Ingeniero GenAI: trabaja en LLM Científico de datos clásico: inferencia y predicción
Si nos fijamos en el puesto de científico de datos de producto en Meta, el nivel técnico suele estar más adaptado a la mayoría de los científicos de datos del mercado en comparación con un puesto de ingeniero de investigación central de IA o científico de datos senior.
Estos roles son más realistas para alguien sin un doctorado.
Aunque no quieras trabajar en GAFAM, ten en cuenta:
Ellos marcan la dirección. Lo que exigen hoy se convertirá mañana en la norma en todas partes.
Ahora bien, ¿qué tal la codificación y las matemáticas en 2026?
Aquí hay una verdad controvertida pero honesta para 2026: las habilidades analíticas y matemáticas importan más que solo codificar.
¿Por qué? Casi todas las empresas utilizan ahora herramientas de inteligencia artificial para ayudar a escribir código. Pero la IA no puede reemplazar su capacidad para:
comprender las tendencias explicar de dónde proviene el valor diseñar un experimento válido interpretar un modelo en un contexto real
La codificación sigue siendo importante, pero no puedes ser un “Importador general”, alguien que solo importa sklearn y ejecuta .fit() y .predict().
Muy pronto, un agente de IA puede hacer esa parte por nosotros.
Pero tus habilidades matemáticas y analíticas siguen siendo importantes y siempre lo serán.
Un ejemplo sencillo:
Puedes preguntarle a una IA: “Explica PCA como si tuviera 2 años”.
Pero su verdadero valor como científico de datos surge cuando pregunta algo como:
“Necesito optimizar la producción de agua de mi empresa en una región específica. Esta región enfrenta problemas que hacen que la red no esté disponible en patrones específicos. Tengo cientos de características sobre este estado de la red. ¿Cómo puedo usar PCA y estar seguro de que las variables más importantes están representadas en la PC que estoy usando?”
-> Este contexto humano es tu valor.
-> AI escribe el código.
-> Tú traes la lógica.
¿Y qué tal la caja de herramientas de ciencia de datos?
Comencemos con Python. Como lenguaje de programación con una gran comunidad de datos, Python sigue siendo esencial y probablemente el primer lenguaje que debe aprender un futuro científico de datos.
Lo mismo ocurre con Scikit-learn, una biblioteca clásica para tareas de aprendizaje automático.
También podemos ver en Google Trends (finales de 2025) que:
PyTorch ahora es más popular que TensorFlow La integración de GenAI está creciendo mucho más rápido que las bibliotecas clásicas El interés de los analistas de datos se mantiene estable Los roles de ingeniero de datos y especialista en IA interesaron a más personas que los roles generales de científicos de datos
No ignore estos patrones; Son de gran ayuda para tomar decisiones.
Necesitas mantenerte flexible.
Si el mercado quiere PyTorch y GenAI, no se quede estancado solo con Keras y la antigua PNL.
¿Y qué pasa con la nueva pila para 2026?
En esto es donde la hoja de ruta para 2026 se diferencia de la de 2020.
Para ser contratado hoy, debe estar preparado para la producción.
Control de versiones (Git): Lo usarás a diario. Y para ser honesto, esta es una de las primeras habilidades que debes aprender al principio. Te ayuda a organizar tus proyectos y todo lo que aprendes.
Ya sea que esté iniciando un programa de maestría o un campamento de entrenamiento, no olvide crear su primer repositorio de GitHub y aprender algunos comandos básicos antes de continuar.
AutoML: comprenda cómo funciona y cuándo usarlo. Algunas empresas utilizan herramientas de AutoML, especialmente para científicos de datos que están más orientados al producto.
La herramienta que tengo en mente, y a la que puedes acceder de forma gratuita, es Dataiku. Tienen una gran academia con certificaciones gratuitas. Es una de las herramientas de AutoML que se ha disparado en el mercado en los últimos dos años.
Si no sabes qué es AutoML: es una herramienta que te permite crear modelos de ML sin codificación. Sí, existe.
¿Recuerdas lo que dije antes sobre la codificación? Esta es una de las razones por las que otras habilidades se están volviendo más importantes, especialmente si eres un científico de datos orientado a productos.
MLOps: Los portátiles ya no son suficientes. Esto se aplica a todos. Los cuadernos son buenos para la exploración, pero si en algún momento necesita implementar su modelo en producción, debe aprender otras herramientas.
E incluso si no le gusta la ingeniería de datos, aún necesita comprender estas herramientas para poder comunicarse con los ingenieros de datos y trabajar juntos.
Cuando hablo de esto, pienso en herramientas como Docker (consulte mi artículo), MLflow (enlace aquí) y FastAPI.
LLM y RAG: no necesita ser un experto, pero debe conocer los conceptos básicos: cómo funciona la API LangChain, cómo entrenar un modelo de lenguaje pequeño, qué significa RAG y cómo implementarlo. Esto realmente lo ayudará a destacarse en el mercado y tal vez avanzar más si necesita crear un proyecto que involucre un agente de IA.
Portafolio: Calidad sobre cantidad
En este mercado rápido y competitivo, ¿cómo puede demostrar que puede hacer el trabajo? Recuerdo que escribí un artículo sobre cómo crear un portafolio hace 2 años y lo que voy a decir aquí puede parecer un poco contradictorio, pero déjame explicarte. Antes de que ChatGPT y las herramientas de IA inundaran el mercado, era muy importante tener un portafolio con un montón de proyectos para mostrar sus diferentes habilidades, como la limpieza y el procesamiento de datos, pero hoy en día, todos estos pasos básicos a menudo se realizan utilizando herramientas de IA que están listas para eso, por lo que nos centraremos más en crear algo que lo haga diferente y haga que el reclutador quiera conocerlo.
Yo diría: “Evita el agotamiento. Construye de forma inteligente”.
No creas que necesitas 10 proyectos. Si eres estudiante o junior, uno o dos buenos proyectos son suficientes.
Aprovecha el tiempo que tienes durante tus prácticas o tu proyecto final de bootcamp para construirlo. No utilice conjuntos de datos simples de Kaggle. Busque en línea: puede encontrar una gran cantidad de datos de casos de uso reales o conjuntos de datos de investigación que se utilizan con mayor frecuencia en la industria y los laboratorios para construir nuevas arquitecturas.
Si su objetivo no es profundizar en el aspecto técnico, aún puede mostrar otras habilidades en su cartera: diapositivas, artículos, explicaciones de cómo pensó sobre el valor del negocio, qué resultados obtuvo y cómo estos resultados se pueden utilizar en la realidad. Tu cartera depende del trabajo que desees.
Si su objetivo está más orientado a las matemáticas, el reclutador probablemente querrá ver su revisión de la literatura y cómo implementó la última arquitectura en sus datos. Si está más orientado al producto, me interesarían más sus diapositivas y cómo interpreta sus resultados de ML que la calidad de su código. Si está más orientado a MLOps, el reclutador observará cómo implementó, monitoreó y realizó un seguimiento de su modelo en producción.
Para terminar, quiero recordarles que el mercado está cambiando rápidamente, pero no es el fin de la Ciencia de Datos. Simplemente significa que debes ser más consciente de dónde encajas, qué habilidades quieres desarrollar y cómo te presentas.
Sigue aprendiendo y crea un portafolio que realmente refleje quién eres. Encontrarás tu lugar ❤️
Si te ha gustado este artículo, no dudes en seguirme en LinkedIn para obtener información más honesta sobre IA, ciencia de datos y carreras.
👉 LinkedIn: Sabrine Bendimerad
👉 Medio: https://medium.com/@sabrine.bendimerad1