¿Sustituirá la IA a los científicos de datos? AutoML abarata construir modelos; plantear el problema y diseñar la evaluación marcan la diferencia.
A medida que la IA reduce las barreras para crear prototipos de modelos, a los científicos de datos les resultará más difícil destacar solo por saber construir modelos. Lo que sigue siendo valioso es la capacidad de elegir qué problema debe resolverse, definir qué nivel de precisión es utilizable y diseñar pensando en la responsabilidad después del despliegue.
Ser científico de datos va más allá de construir modelos de aprendizaje automático. En la práctica, el rol consiste en determinar qué tipos de predicción u optimización crean valor para el negocio, confirmar qué datos utilizables existen, elegir las métricas de evaluación y diseñar una solución que se sostenga en la operación real. Más allá de las matemáticas y la implementación, decidir qué debe resolverse es una parte central del trabajo.
La IA acelera la creación de modelos de referencia, las sugerencias de variables, el autocompletado de código y las propuestas de ajuste. Pero la validez del propio planteamiento del problema, la detección de fugas de información y de sesgos y una evaluación responsable después del despliegue siguen siendo áreas que deberían continuar en manos de las personas.
Calculado por ai-job-risk.net a partir de cuatro conjuntos de datos públicos, en una escala de 0–100 relativa a las 188 profesiones que analizamos. Una cifra más alta significa que una mayor parte de las tareas del empleo son del tipo que la IA generativa puede hacer o para el que ya se usa. No es la probabilidad de perder el empleo.
Análisis de tareas realizado por investigadores (Eloundou et al.; OIT). Se muestra como percentil entre todas las profesiones que evalúan.
Uso observado de Microsoft Copilot y Anthropic Claude en las tareas de esta profesión. Se muestra como percentil entre todas las profesiones que evalúan.
Cambio en la demanda: se prevé que la proporción de esta ocupación en el empleo de los sectores que la emplean aumente, ya que se recopilarán mayores cantidades de datos digitales y electrónicos durante la década de proyección. Las empresas de todos los sectores contratarán científicos de datos para analizar datos que ayuden a mejorar los procesos de negocio y a diseñar y desarrollar nuevos productos.
Demand change - share increases as larger amounts of digital and electronic data are collected over the projections decade. Businesses in all industries will hire data scientists to analyze data to help improve business processes and design and develop new products.
Cifras de EE. UU. para la profesión del BLS «Data scientists». Las proyecciones del BLS suponen que la tecnología sigue avanzando a su ritmo histórico; no son un pronóstico del efecto de la IA por sí sola.
Fuentes
Índice de exposición calculado por ai-job-risk.net a partir de los conjuntos de datos siguientes (datos a 15 de octubre de 2026). Las cifras laborales de EE. UU. proceden del BLS, sin cambios.
Los editores de los datos no han elaborado, revisado ni respaldado este sitio. Citas completas, licencias y método
Al pensar en el riesgo que supone la IA para los científicos de datos, el punto más importante es que construir un modelo y usar un modelo en el negocio no son lo mismo. AutoML y la IA generativa facilitan más que antes producir modelos prototipo con una precisión aceptable. Pero diseñar teniendo en cuenta los sesgos de los conjuntos de datos, las restricciones del terreno y el coste de las decisiones erróneas sigue siendo un listón alto.
De hecho, cuanto más se convierte en un bien común la construcción de modelos, mayor es la diferencia en el planteamiento del problema y en el diseño de la evaluación. Las personas capaces de decidir qué nivel de precisión es realmente utilizable, si conviene priorizar la exhaustividad o la precisión y cómo deben cambiar las predicciones la toma de decisiones humana son las que tienen más probabilidades de seguir siendo valiosas a medida que se extiende el uso de la IA.
Los pasos de construcción de modelos que siguen métodos conocidos de forma mecánica son especialmente vulnerables a la IA. La IA es útil para hacer avanzar prototipos con rapidez, pero sigue haciendo falta un criterio aparte para decidir si esos resultados pueden usarse sobre el terreno.
Para los problemas habituales de clasificación y regresión, AutoML y la IA generativa ya pueden producir modelos de referencia con gran rapidez. La validación inicial se acelera de forma espectacular. Pero eso todavía no garantiza que la definición del objetivo o la métrica de evaluación sean las correctas.
La IA puede acortar el trabajo de crear variables de series temporales, codificaciones de variables categóricas y código para tratar valores faltantes. Pero también puede introducir fugas de información o variables que no existirán en producción, por lo que resulta peligrosa sin comprensión del contexto.
Explorar amplios rangos de parámetros para algoritmos conocidos es fácil de automatizar. Pero aunque se encuentre una combinación ligeramente mejor, alguien todavía tiene que juzgar si la mejora compensa en valor de negocio y en coste de reentrenamiento.
La IA puede ayudar a montar informes sobre exactitud, exhaustividad, AUC y métricas similares. Pero decidir qué fallos son inaceptables y qué métricas deben tener más peso sigue requiriendo que una persona defina los supuestos.
El valor de los científicos de datos sigue estando en el planteamiento de problemas y en la responsabilidad operativa. Elegir qué debe predecirse, qué errores son peligrosos y dónde deben seguir interviniendo las personas sigue siendo un trabajo de diseño marcadamente humano.
Que algo pueda predecirse no significa que merezca la pena predecirlo. Si la mejora es pequeña, la carga operativa es alta o el resultado no orienta decisiones, modelarlo puede carecer de sentido. Elegir el problema adecuado sigue siendo un juicio humano central.
Que la exhaustividad importe más que los falsos positivos depende de la estructura de costes del terreno. Los científicos de datos siguen teniendo que definir qué significa el éxito e integrar esa definición en un flujo de trabajo operativo.
Un modelo puede parecer muy preciso mientras depende de información futura o perjudica a un grupo concreto. Esos modelos no se sostienen en el uso real. Mirar más allá del rendimiento aparente para detectar propiedades peligrosas en los datos sigue siendo un trabajo humano esencial.
La estructura de responsabilidades cambia según si un modelo actúa de forma automática, ofrece sugerencias o deja el juicio final a las personas. Diseñar algo que funcione de verdad sobre el terreno va más allá de la pura implementación técnica.
Para los científicos de datos importa tanto la rapidez para construir modelos como la capacidad de diseñar pensando en el negocio y en la operación. El camino más sólido es usar la IA para acelerar los prototipos y diferenciarse mediante una evaluación responsable y un buen diseño de la implementación.
Una correlación fuerte no significa necesariamente que algo sea útil para intervenir. Los científicos de datos necesitan pensar con cuidado qué variables son realmente controlables y hasta dónde pueden extenderse las afirmaciones causales. Ese criterio importa tanto como la pura destreza con los modelos.
Los modelos solo crean valor si pueden reentrenarse, monitorearse y mantenerse frente a la deriva de los datos después del despliegue. Las personas que saben ver más allá del entrenamiento, hacia la operación a largo plazo, tienen más probabilidades de seguir siendo valiosas en la práctica a medida que se extiende el uso de la IA.
Los equipos de ventas, atención al cliente, fabricación y salud no hablan necesariamente el lenguaje de la ciencia de datos. Los profesionales más sólidos saben traducir peticiones vagas en requisitos de modelo y explicar a su vez a esos equipos los límites del modelo.
Hacer que la IA produzca código o ideas de variables es cada vez más fácil. La verdadera diferencia está en detectar dónde está el peligro, qué supuestos faltan y cómo convertir la velocidad en calidad.
El valor de la experiencia en ciencia de datos no está solo en la construcción de modelos, sino en el planteamiento de problemas, el diseño de la evaluación y el apoyo a la toma de decisiones. Eso significa que la trayectoria puede extenderse no solo hacia una mayor profundidad en la investigación, sino también hacia el análisis de negocio y la planificación.
Las personas fuertes no solo en modelado, sino también en interpretar cifras y ordenar conclusiones, pueden crear valor en roles más orientados al análisis. Tiene sentido para quienes quieren acercarse más al apoyo a la toma de decisiones que a la predicción en sí.
Índice de exposición 95/100 · Empleo en EE. UU. 2025–35 +34,6%
La experiencia en construir hipótesis, validarlas y señalar con claridad los límites de una conclusión también se traslada bien a la investigación de mercados. Encaja con quienes quieren mantener una mentalidad analítica mientras se acercan a las decisiones de negocio.
Índice de exposición 94/100 · Empleo en EE. UU. 2025–35 +7,0%
La experiencia en pensar en la relación entre la precisión del modelo y el valor para el negocio también ayuda a priorizar el producto. Encaja con quienes quieren pasar de la implementación técnica a decidir qué debe construirse realmente.
Índice de exposición 82/100 · Empleo en EE. UU. 2025–35 +6,9%
La capacidad de leer modelos cuantitativos complejos y entender el impacto de los supuestos también tiene valor en las finanzas. Encaja con quienes quieren pasar del modelado predictivo al análisis orientado a la inversión o a la gestión.
Índice de exposición 91/100 · Empleo en EE. UU. 2025–35 +7,2%
Las personas fuertes en diseño experimental y validación rigurosa también pueden crear valor en entornos de apoyo a la investigación. Encaja con quienes quieren alejarse un paso de los problemas de negocio y centrarse más directamente en la calidad de la propia verificación.
Índice de exposición 71/100 · Empleo en EE. UU. 2025–35 +4,4%
La experiencia en estructurar problemas complejos y presentar conclusiones con limitaciones explícitas también es una gran ventaja en el análisis de negocio. Encaja con quienes quieren acercarse más a la definición de problemas y al diseño de mejoras que a la construcción de modelos en sí.
Índice de exposición 88/100 · Empleo en EE. UU. 2025–35 +10,1%
A medida que la IA reduce las barreras para crear prototipos de modelos, a los científicos de datos les resultará más difícil destacar solo por saber construir modelos. Lo que sigue siendo valioso es la capacidad de elegir qué problema debe resolverse, definir qué nivel de precisión es utilizable y diseñar pensando en la responsabilidad después del despliegue. Las personas con más probabilidades de perdurar son las que destacan no solo en el modelado, sino también en el planteamiento de problemas y en el diseño de la implementación.
Estas profesiones pertenecen al mismo sector que Científico de datos. No son el mismo trabajo, pero ayudan a comparar mejor la exposición a la IA y la cercanía entre trayectorias.
Científico de datos obtiene 95 sobre 100 en nuestro índice de exposición a la IA generativa (puesto 11 de 188). Eso mide qué parte del trabajo puede hacer la IA o para qué parte se usa, no si el empleo va a desaparecer. La BLS prevé que el empleo de Científico de datos en EE. UU. cambie un +34,6% entre 2025 y 2035.
Los pasos de construcción de modelos que siguen métodos conocidos de forma mecánica son especialmente vulnerables a la IA. La IA es útil para hacer avanzar prototipos con rapidez, pero sigue haciendo falta un criterio aparte para decidir si esos resultados pueden usarse sobre el terreno. Por ejemplo: Creación automática de modelos de referencia; Borradores de variables candidatas y código de preprocesamiento; Búsqueda genérica de hiperparámetros; Resúmenes rutinarios de resultados de evaluación.
El valor de los científicos de datos sigue estando en el planteamiento de problemas y en la responsabilidad operativa. Elegir qué debe predecirse, qué errores son peligrosos y dónde deben seguir interviniendo las personas sigue siendo un trabajo de diseño marcadamente humano. Por ejemplo: Elegir problemas que de verdad merezca la pena resolver; Diseñar métricas de evaluación y condiciones de operación; Detectar fugas de información y sesgos; Diseñar el reparto de tareas entre modelos y personas.
Para los científicos de datos importa tanto la rapidez para construir modelos como la capacidad de diseñar pensando en el negocio y en la operación. El camino más sólido es usar la IA para acelerar los prototipos y diferenciarse mediante una evaluación responsable y un buen diseño de la implementación. Por ejemplo: Un razonamiento que distinga correlación de causalidad; Comprensión de MLOps y de la operación continua; Capacidad de coordinarse con los departamentos operativos; Capacidad de verificar los prototipos generados por la IA.
