alguien en el trabajo plantea una versión de esta pregunta: ¿la IA me quitará el trabajo? Admito que yo mismo he hecho alguna versión de la misma pregunta. Pero después de haber hablado con los expertos en IA, los creadores de algunos de estos agentes de IA, haber visto la evolución de la IA y después de integrarla en mi forma de trabajo, la pregunta de si la IA va a quitarme el trabajo ya no me asusta. Simplemente tengo más curiosidad y soy mucho más deliberado acerca de lo que dedico mi tiempo a aprender.
Cuando comencé mi trabajo de análisis en 2021, pensé que escribir código SQL o Python y crear paneles eran habilidades valiosas, y realmente lo eran. Rápidamente me di cuenta de que traducir un problema empresarial complicado en un problema de datos y luego sacar a la luz ideas que realmente tuvieran sentido para las personas es la verdadera habilidad que debería perfeccionar. Pero ahora, con el auge de la IA, no sé por cuánto tiempo podré considerarlo mi fortaleza.
Cuando ChatGPT se convirtió en una conversación familiar en 2022, tuve la sensación de que la IA está sobrevalorada a corto plazo y subestimada a largo plazo y creo que esto se ha vuelto cada vez más cierto.
La industria avanza más rápido de lo que la mayoría de nosotros podemos admitir, y ni siquiera las personas que construyen estos sistemas saben exactamente hacia dónde se dirige.
Las herramientas de inteligencia artificial mejoran cada mes a la hora de absorber el tipo de conocimiento que solía vivir sólo en las cabezas de las personas de alto nivel, como el contexto empresarial que normalmente sólo se adquiriría después de varios años en el trabajo. Cuando ese conocimiento se documenta y se entrega a un sistema de inteligencia artificial, queda disponible para cualquiera que lo necesite, en lugar de residir en la cabeza de los expertos en la materia.
Cuando el conocimiento tribal queda escrito, las líneas entre los roles se difuminan.
Se espera que un analista de datos asuma el alcance de un ingeniero de datos. Un ingeniero de software puede interpretar el resultado de una prueba A/B, una tarea que antes le correspondía a un científico de datos. Con la ayuda de agentes de IA, alguien sin ningún conocimiento técnico puede producir un tablero que, hace cinco años, a un analista capacitado le habría tomado una tarde entera.
Observé esto muy de cerca la semana pasada: un scrum master necesitaba combinar datos de entrega de proyectos de dos plataformas y, con la ayuda de Copilot, pudo diseñar una canalización de datos y crear un panel de Power BI funcional sin depender de un analista de datos para el trabajo fundamental. Cuando me contrataron, él solo necesitaba ayuda para automatizar el proceso y mejorar la narración. Este podría ser un martes normal para cualquiera, pero para mí fue un recordatorio de que la IA está borrando rápidamente las líneas entre roles, haciendo que muchas habilidades técnicas sean ampliamente accesibles.
Nada de esto significa que la analítica vaya a desaparecer. Simplemente indica que las barreras a la ejecución están cayendo y que nuestro valor provendrá cada vez más del juicio, el contexto, la influencia y la capacidad de convertir la información en decisiones significativas.
Mi suposición fundamentada es que en los próximos cinco años, la progresión profesional en línea recta desde analista de datos hasta analista senior y analista principal puede no existir en la forma que la conocemos hoy. El rol tradicional de nivel básico de escribir consultas, crear paneles y ejecutar informes probablemente exigirá mucho más que eso. En cambio, lo que veremos son roles híbridos, ubicados en la intersección de la inteligencia artificial, los negocios, el análisis de datos y la ingeniería de software.
No puedo fingir saber exactamente cómo se ve eso todavía. Nadie lo hace. Pero según cómo veo las cosas, esto es lo que realmente estoy haciendo hoy para asegurarme de que la IA no se coma mis análisis.
Dejé de tratar la redacción de consultas, la creación de gráficos y la generación de informes como toda mi propuesta de valor. La IA está permitiendo que muchas personas hagan ese trabajo por sí mismas, sin necesitarme a mí en el proceso. Si eso es todo lo que ofrezco, estoy compitiendo silenciosamente con la herramienta en lugar de usarla. Con ese entendimiento, estoy trabajando para crecer aún más en la intersección del conocimiento empresarial, el juicio analítico y el diseño de sistemas de IA. Estoy tratando de entender cómo funcionan realmente los sistemas: cómo razonan los agentes de IA, cómo estructurar el contexto para ellos, cómo construir el tejido conectivo entre la IA y mis datos. Pronto este ya no será un conocimiento agradable de tener, sino un elemento básico en el conjunto de herramientas de un analista. Duplicar el juicio que la IA aún lucha por replicar en cosas como: Saber cuándo la IA te está mintiendo silenciosamente al inventar insights Detectar el sesgo de supervivencia antes de que moldee una decisión Mantener la línea entre correlación y causalidad Detectar tu propio sesgo de confirmación antes de que te pille Decir la diferencia entre una observación y un insight real Negociar lo que una métrica debería significar en primer lugar, antes de empezar a medirla, también sigo aprovechando las habilidades humanas. Me encanta leer sobre ciencia cognitiva y cómo los humanos se adaptan al cambio, y he aprendido que las habilidades humanas (blandas) no se mercantilizan como lo hace una consulta SQL. Requieren sentarse con ambigüedad, comprender un negocio lo suficientemente bien como para saber cómo debería verse un número incluso antes de verlo. Además, las habilidades duras te dan el trabajo, pero las habilidades blandas te dan el ascenso, así que ahí es donde estoy poniendo gran parte de mi energía en este momento. Estoy tratando de construir un fuerte sentido de juicio en sistemas que escalan, en lugar de mantenerlo encerrado en tu propia cabeza, terminas con algo genuinamente valioso. Empecé a utilizar agentes de IA en tres niveles de trabajo: ejecución, óptica e impacto. Con las indicaciones correctas, intento lograr que la IA acelere la ejecución automatizando la investigación, el análisis y la creación de contenido, mientras mejoro la óptica al convertir el trabajo en narrativas claras y convincentes para las partes interesadas. El resultado de este esfuerzo me ha permitido comunicar de manera efectiva el impacto comercial y brindar una mejor visibilidad del valor que se está creando.
Mirando hacia atrás, mirando hacia adelante
Hace cinco años, pensaba que ser bueno en un trabajo de análisis significaba ser bueno con los datos. Pero hoy creo que ser bueno en este trabajo significa tener buen criterio. Se trata en gran medida de hacer las preguntas correctas, saber cuándo un número dice la verdad y cuándo no, y saber qué partes de un problema realmente necesitan un ser humano al tanto.
Las herramientas que utilizamos en la ciencia y el análisis de datos han cambiado repetidamente a lo largo de los años, y no me sorprendería que el ritmo de ese cambio se acelerara con la IA. Pero el valor real de un analista nunca fue la consulta SQL en sí; se trataba de comprender el problema empresarial, generar confianza y dar a los responsables de la toma de decisiones la seguridad para actuar. A medida que la IA asuma una mayor parte del trabajo técnico, las habilidades claramente humanas de juicio, contexto, comunicación, influencia y empatía serán más importantes que nunca. Esas son las habilidades por las que apuesto mi carrera.
Eso es todo por mi parte en esta publicación de blog. ¡Gracias por leer! ¡Espero que te haya resultado una lectura interesante!
Rashi es un experto en datos de Chicago al que le encanta analizar datos y crear historias de datos para comunicar ideas. Es consultora sénior de análisis de atención sanitaria a tiempo completo y le gusta escribir blogs sobre datos los fines de semana con una taza de café.