La inteligencia artificial puede escribir código, proponer fórmulas, resumir documentos y preparar reportes. La pregunta es razonable: si estas herramientas hacen cada vez más de lo que antes hacíamos manualmente, ¿para qué seguir estudiando análisis de datos?
La respuesta está en entender cómo cambia el trabajo. La IA reduce el costo de ejecutar muchas tareas, pero aumenta el valor de comprender el problema, validar los resultados y decidir qué hacer con ellos.
De la ejecución a la interpretación
Una analista de una empresa de alimentos recibe cada mes veinte archivos de ventas. Vienen de distintas sucursales, no siempre tienen las mismas columnas y contienen errores que deben corregirse antes de preparar el reporte.
Antes, buena parte de su tiempo podía irse en abrir archivos, copiar información, corregir fórmulas, escribir consultas, revisar errores y documentar los cambios. Hoy puede usar IA para generar una consulta de Power Query, escribir SQL, explicar un bloque de código o preparar una primera versión de la documentación.
Pero el proceso no queda resuelto con una instrucción. La analista todavía debe definir qué es una venta, cómo tratar las devoluciones, qué fecha utilizar y cuándo dos registros representan la misma operación. La IA acelera la ejecución, pero no reemplaza ese razonamiento sobre la lógica del negocio.
También cambia el final del proceso. La IA puede redactar un resumen o proponer un gráfico. La analista puede dedicar más tiempo a investigar por qué las ventas cayeron en una región, si el cambio es temporal y si la causa está en los precios, la demanda, el inventario o la distribución.
El trabajo se desplaza de buscar sintaxis y repetir pasos hacia definir preguntas, controlar la calidad e interpretar resultados.
Chatbots, agentes y supervisión
No toda la inteligencia artificial funciona igual. Los chatbots permiten hacer preguntas, resumir información, generar texto y escribir código. La persona mantiene el control de cada paso y decide qué información comparte.
Los agentes están orientados a tareas más largas. Pueden revisar archivos, organizar pasos, utilizar aplicaciones y preparar un entregable para revisión. Las herramientas para programar pueden leer un proyecto, modificar archivos, ejecutar comandos, probar una solución y corregir errores.
Estas capacidades hacen más importante la supervisión. Cuanto más puede hacer una herramienta por su cuenta, más necesario es saber con qué información trabajó, qué instrucciones siguió y cómo comprobar el resultado.
¿Y los humanos?
Una base de datos registra una parte de la realidad. No explica por sí sola cómo funciona una organización ni por qué cambió un indicador.
Supongamos que un reporte muestra una caída del 12 % en las ventas de una provincia. La IA puede calcular la variación, identificar los productos con mayores caídas y proponer explicaciones. La analista debe determinar cuáles son plausibles, si tienen sentido dado el contexto del mercado o si son producto de datos incompletos o mal definidos.
La caída puede reflejar menor demanda, pero también falta de inventario, una interrupción en la distribución, un cambio de precios, el cierre temporal de una sucursal o una modificación contable. Esa información probablemente no aparece en la base.
Por eso, el analista cumple tres funciones centrales:
- Formular la pregunta y definir las variables.
- Validar los datos, el método y los resultados.
- Traducir la evidencia en una decisión, considerando costos y riesgos.
La IA puede apoyar las tres funciones. No elimina la necesidad de ejercerlas. Un resultado técnicamente correcto puede ser irrelevante si responde la pregunta equivocada o ignora cómo funciona el sector analizado.
Dónde falla la IA
La IA puede inventar una fuente, interpretar mal una instrucción, escribir código con errores o presentar una explicación convincente que no está respaldada por los datos. Ningún resultado debería aceptarse sin revisión.
Otras fallas provienen de la forma en que se recopila o define la información. Si una empresa registra como venta todo producto enviado, aunque luego sea devuelto, el problema no se corrige con una mejor fórmula. Si una encuesta incluye únicamente a quienes decidieron responder, sus resultados pueden representar mal al conjunto de clientes.
También existen errores específicos de cada campo. Una unión entre tablas puede duplicar operaciones en una base financiera. Una variable categórica puede tratarse incorrectamente como numérica. Un análisis de política pública puede comparar grupos que ya eran distintos antes de una intervención.
Volvamos a los archivos de ventas. Si una sucursal cambia la definición de venta neta, el flujo automatizado puede combinar los archivos sin errores y actualizar el tablero. Sin embargo, la serie ya no será comparable. El reporte puede verse correcto; el problema estará en la definición del campo.
La IA ayuda a encontrar anomalías. El analista determina cuáles importan y qué implican.
Más análisis, no solo más velocidad
La IA también vuelve posibles tareas que antes se quedaban pendientes. Documentar un proyecto, preparar otra versión de un reporte, crear controles automáticos o explorar una hipótesis secundaria podía tomar demasiado tiempo.
Ahora es más barato generar una primera versión de un diccionario de datos, producir reportes para distintos equipos o crear alertas cuando cambien las columnas de un archivo. Una empresa también puede prototipar una herramienta interna y decidir, con evidencia, si vale la pena convertirla en una solución más robusta.
Cuando cae el costo de producir análisis, aumenta la cantidad de preguntas que vale la pena responder. Se necesita menos tiempo para algunas tareas de ejecución y más capacidad para seleccionar problemas, supervisar procesos y convertir prototipos en soluciones útiles.
Entonces, ¿qué conviene estudiar?
Estudiar análisis de datos sigue teniendo sentido porque las herramientas necesitan dirección y control. El perfil del analista está cambiando: escribir cada fórmula o cada línea de código pierde parte de su peso relativo, mientras ganan importancia el contexto, el criterio y la capacidad de verificar.
Una formación útil debería combinar:
- fundamentos para organizar, limpiar y entender datos;
- Excel, Power Query, SQL y Power BI;
- automatización de procesos repetitivos;
- definición de indicadores y elección de métodos;
- validación, documentación y comunicación de resultados;
- uso de inteligencia artificial sin delegar el juicio profesional.
La meta no es competir con la IA haciendo manualmente lo que ella puede acelerar. Es aprender a dirigirla hacia problemas importantes, reconocer cuándo se equivoca y convertir sus resultados en decisiones comprensibles.
De la idea a la práctica
Este es el enfoque del curso Automatización e integraciones de IA de New Dimensions. Durante cuatro sesiones se trabaja con Power Query, flujos reproducibles y herramientas de IA para Excel, SQL, R y Python, además de documentación, reportes y validación.
Si quieres conocer el resto del programa, revisa la página de precios, descuentos y becas o visita el Bootcamp New Dimensions.
Imágenes: Luke Chesser y Vitaly Gariev / Unsplash.