As\u00ed que cada vez que sale un modelo nuevo de IA, pasa lo mismo: un mont\u00f3n de gente empieza a venderlo como si fuera magia pura. Alguien ense\u00f1a una captura de ChatGPT haciendo una query SQL, montando un dashboard en segundos o analizando un Excel enorme, y autom\u00e1ticamente llega el veredicto: \u201cel Data Analyst ha muerto\u201d (cambia el rol por el que quieras, la frase siempre funciona igual).<\/p>\n\n\n\n
Porque claro, si una IA puede escribir c\u00f3digo, hacer gr\u00e1ficos y explicar resultados\u2026 \u00bfpara qu\u00e9 seguir contratando analistas?<\/p>\n\n\n\n
Denethor, por lo visto, no nos ense\u00f1\u00f3 mucho.<\/p>\n\n\n\n
La respuesta corta es sencilla: el Data Analyst no desaparece. Est\u00e1 cambiando.<\/p>\n\n\n\n
El problema no es conseguir datos. Es entender qu\u00e9 significan.<\/h2>\n\n\n\n
Antes, los datos se sacaban de archivadores enormes y se pasaban a Lotus 1-2-3. Recuerdo oficinas abiertas llenas de gente con corbata revisando papeles, tecleando sin parar en teclados pr\u00e1cticamente indestructibles y enviando archivos por LPT a impresoras matriciales (s\u00ed) que sonaban como peque\u00f1as cosechadoras, marcando hojas interminables a rayas grises y blancas. Los m\u00e1s entusiastas las colgaban en la pared y rodeaban con un c\u00edrculo aqu\u00ed y all\u00e1 los datos que consideraban importantes.<\/p>\n\n\n\n Hoy las organizaciones est\u00e1n saturadas de informaci\u00f3n procedente de ERP, CRM, sistemas de e-commerce, aplicaciones en la nube, sensores IoT, plataformas de marketing y redes sociales. La inteligencia artificial ha vuelto trivial la creaci\u00f3n de informes, dashboards y an\u00e1lisis.<\/p>\n\n\n\n Pero tener m\u00e1s datos no significa autom\u00e1ticamente tomar mejores decisiones ni, en \u00faltima instancia, ganar dinero. De hecho, muchas empresas se encuentran en una situaci\u00f3n parad\u00f3jica: tienen m\u00e1s informaci\u00f3n que nunca y, a menudo, menos claridad que antes. Conf\u00edan en el ruido e ignoran las se\u00f1ales correctas; al final, pierden dinero.<\/p>\n\n\n\n Aqu\u00ed es donde entra en juego el Data Analyst.<\/p>\n\n\n\n Su valor no consiste en construir un gr\u00e1fico de tarta ni en escribir una query. El verdadero valor est\u00e1 en formular las preguntas correctas, comprender el contexto y transformar n\u00fameros aparentemente desconectados en indicaciones \u00fatiles; nada que el buen viejo S\u00f3crates no hubiera ya teorizado hace 2.500 a\u00f1os.<\/p>\n\n\n\n Si miramos con honestidad lo que est\u00e1 ocurriendo hoy, est\u00e1 claro que la inteligencia artificial ya est\u00e1 sustituyendo muchas actividades tradicionales de los analistas. Son tareas que hasta hace pocos a\u00f1os ocupaban una parte importante de la jornada laboral, pero esto no es necesariamente una mala noticia.<\/p>\n\n\n\n Pensemos en lo que est\u00e1 ocurriendo con los desarrolladores. Cuando llegaron frameworks cada vez m\u00e1s avanzados, generadores de c\u00f3digo, librer\u00edas open source y plataformas cloud, algunos predijeron el fin de la programaci\u00f3n. Sin embargo, la productividad aument\u00f3 y el nivel de competencias requeridas tambi\u00e9n subi\u00f3: hoy un desarrollador escribe mucho menos c\u00f3digo de infraestructura (casi nada) y dedica m\u00e1s tiempo al dise\u00f1o, la arquitectura y la resoluci\u00f3n de problemas.<\/p>\n\n\n\n El perfil que muchas empresas buscan hoy no es el del operador que genera informes; esa parte ser\u00e1 cada vez m\u00e1s delegada a herramientas inteligentes. Hoy se necesitan personas capaces de conectar los datos con las decisiones. Esto implica comprender procesos empresariales, modelos organizativos, indicadores de rendimiento y objetivos estrat\u00e9gicos. El Data Analyst moderno se convierte en una figura de frontera entre tecnolog\u00eda y negocio.<\/p>\n\n\n\n Las bases de la inteligencia artificial nos vienen dictadas por la torre de control. SQL, Power BI, Tableau, Snowflake y Knime son herramientas que nos ayudan a mantenernos en vuelo, pero aterrizar es otra historia: ser capaz de hablar con managers, responsables de \u00e1rea y stakeholders para entender qu\u00e9 est\u00e1 pasando y hacia d\u00f3nde ir te convierte en el piloto. Por eso las habilidades transversales est\u00e1n volvi\u00e9ndose tan importantes como las t\u00e9cnicas, con perd\u00f3n de las primeras \u201cdiosas\u201d de la tecnolog\u00eda.<\/p>\n\n\n\n Uno de los equ\u00edvocos m\u00e1s comunes es pensar que un modelo de lenguaje puede sustituir completamente a un profesional. En realidad, hoy es ampliamente aceptado que los modelos generativos destacan en reconocer patrones estad\u00edsticos y producir contenido coherente, pero no conocen el contexto en el que operan.<\/p>\n\n\n\n Si un sistema de IA detecta que las ventas han ca\u00eddo un 15%, puede describir el fen\u00f3meno e incluso sugerir posibles explicaciones, siempre con sus correspondientes advertencias. Lo que no puede hacer es saber si esa evoluci\u00f3n era esperada, si hay errores en los datos de origen o si la empresa ha cambiado deliberadamente su estrategia comercial. La diferencia entre informaci\u00f3n y comprensi\u00f3n sigue siendo enorme, y es precisamente en ese espacio donde trabaja el analista.<\/p>\n\n\n\n Si hoy tuviera veinte a\u00f1os y tuviera que elegir un camino profesional en el sector tecnol\u00f3gico, seguir\u00eda considerando el Data Analyst una de las opciones m\u00e1s interesantes. No porque el trabajo vaya a ser igual que hoy, sino porque el mundo produce y producir\u00e1 cada vez m\u00e1s datos.<\/p>\n\n\n\n Cada aplicaci\u00f3n, cada proceso empresarial y cada sistema inteligente genera informaci\u00f3n que debe ser comprendida, controlada y transformada en decisiones. La demanda de profesionales capaces de hacer esto dif\u00edcilmente disminuir\u00e1.<\/p>\n\n\n\n Lo que s\u00ed cambiar\u00e1, incluso mientras escribo esto, son las herramientas.<\/p>\n\n\n\n Un Data Analyst que ignore la inteligencia artificial se volver\u00e1 r\u00e1pidamente obsoleto. Quien la utilice como palanca de productividad puede alcanzar niveles de eficacia impensables hace pocos a\u00f1os.<\/p>\n\n\n\n Mientras me hac\u00eda todas estas \u201cmapas mentales\u201d, ya estaba bastante tranquilo, convencido de poder dar un buen discurso inspiracional.<\/p>\n\n\n\n As\u00ed que empec\u00e9 diciendo: Al principio los vi algo descolocados, quiz\u00e1 esperaban algo m\u00e1s impactante tipo \u201csed hambrientos, sed tontos\u201d, que en espa\u00f1ol adem\u00e1s suena un poco raro.<\/p>\n\n\n\n Luego se espabilaron y acabaron sentados, metaf\u00f3ricamente, en el suelo conmigo.<\/p>\n\n\n\n Las bases siguen siendo las mismas: SQL, estad\u00edstica b\u00e1sica, modelado de datos, Excel avanzado \u2014s\u00ed, lo he dicho\u2014 y una herramienta de visualizaci\u00f3n como Power BI o Tableau.<\/p>\n\n\n\n SQL y estad\u00edstica siguen siendo mi d\u00fao favorito. SQL porque te ense\u00f1a a pensar de forma ordenada: relaciones, filtros, agregaciones, joins, granularidad. La estad\u00edstica porque te recuerda que los n\u00fameros nunca hablan por s\u00ed solos, incluso cuando parecen obvios. Mostrar una covarianza todav\u00eda me hace sentir durante unos segundos como el Doctor Manhattan, aunque admito que hoy es menos espectacular que pedirle a un modelo generativo que te explique un dataset en lenguaje natural.<\/p>\n\n\n\n Pero el punto es justo ese: la IA no elimina la necesidad de entender SQL y estad\u00edstica. La vuelve imprescindible.<\/p>\n\n\n\n Porque si no sabes leer una query, no puedes saber si la IA la ha escrito bien. Si no tienes base estad\u00edstica, puedes confundir ruido con insight. Si no conoces el dominio, puedes producir un dashboard precioso y completamente in\u00fatil.<\/p>\n\n\n\n \u201cWorkslop\u201d es la palabra del a\u00f1o y probablemente lo ser\u00e1 durante bastante tiempo.<\/p>\n\n\n\n A partir de ah\u00ed se abren distintos escenarios:<\/p>\n\n\n\n Hay un camino m\u00e1s orientado a negocio, para quienes quieren trabajar cerca del management: SQL, Power BI, KPIs, storytelling, procesos empresariales y la capacidad de convertir preguntas confusas en an\u00e1lisis \u00fatiles.<\/p>\n\n\n\n Hay un enfoque m\u00e1s t\u00e9cnico, para quienes quieren acercarse al data engineering: Python, pipelines ETL, bases de datos cloud, data warehouses, APIs, calidad del dato. Aqu\u00ed el Data Analyst se convierte casi en un puente entre quienes consumen los datos y quienes construyen la infraestructura.<\/p>\n\n\n\n Existe el enfoque AI-augmented, probablemente el m\u00e1s interesante hoy: usar herramientas generativas para explorar datasets, generar hip\u00f3tesis, documentar an\u00e1lisis, automatizar reportes, consultar datos en lenguaje natural y construir peque\u00f1os workflows con notebooks, agentes y sistemas RAG.<\/p>\n\n\n\n Y luego est\u00e1 el eje horizontal: el dominio. Sanidad, finanzas, retail, fabricaci\u00f3n, administraci\u00f3n p\u00fablica, educaci\u00f3n, energ\u00eda. Saber \u201chacer an\u00e1lisis\u201d es importante, pero saber qu\u00e9 est\u00e1s analizando lo es a\u00fan m\u00e1s. Un Data Analyst que conoce de verdad el sector en el que trabaja vale mucho m\u00e1s que uno que solo sigue la \u00faltima herramienta.<\/p>\n\n\n\n Hay que saber si lo que se produce tiene sentido, siguiendo siempre a S\u00f3crates, que si naciera hoy seguramente ser\u00eda data analyst. El objetivo es llegar a definiciones racionales, estables y v\u00e1lidas para todos: las percepciones solo pertenecen al presente\u2026<\/p>\n","protected":false},"excerpt":{"rendered":"![\"\"](\"https:\/\/www.codemotion.com\/magazine\/wp-content\/uploads\/2026\/06\/image-2.png\")
<\/figure>\n\n\n\nLa IA est\u00e1 eliminando el trabajo repetitivo<\/h2>\n\n\n\n
El Data Analyst del futuro ser\u00e1 m\u00e1s cercano a un consultor que a un t\u00e9cnico<\/h2>\n\n\n\n
La IA no entiende el contexto empresarial<\/h2>\n\n\n\n
\u00bfTodav\u00eda merece la pena invertir en esta carrera?<\/h2>\n\n\n\n
Qu\u00e9 estudiar hoy para tener ventaja ma\u00f1ana<\/h2>\n\n\n\n
\u201cLa buena noticia es que entrar en el mundo del an\u00e1lisis de datos todav\u00eda es posible sin tener que empezar necesariamente con un doctorado en matem\u00e1ticas. La mala noticia es que no basta con hacer prompts y meter todo en Excel para comentar con detalle el heatmap del PSG en LinkedIn.\u201d<\/p>\n\n\n\n