Cualquiera que esté mirando con algo de atención la revolución de la inteligencia artificial se ha hecho —o debería hacerse— esta pregunta.
Con el nivel de precisión, velocidad y complejidad que están alcanzando las herramientas actuales, la pregunta es cada día más válida. Más aún para quienes trabajamos en roles analíticos, donde hasta hace poco gran parte de nuestro valor venía de tener cierta habilidad técnica: saber dónde estaban los datos y cómo cruzarlos, armar una visualización, resumir una tendencia o transformar una pregunta de negocio en un análisis decente.
Esa barrera está cayendo, y rápido.
Además, esta revolución no distingue demasiado por industria. Todo lo que toca la digitalización está siendo alcanzado por IA. Y como vivimos en un mundo altamente dependiente de sistemas, datos, plataformas, reportes y procesos digitales, la sensación es que nadie se salva del todo.
Entonces se repiten las preguntas: ¿va a haber una reducción masiva de trabajos? ¿Qué tareas van a desaparecer primero? ¿Qué roles van a cambiar? ¿Qué debería aprender alguien que trabaja en analytics, finanzas, estrategia, producto o cualquier área donde se toman decisiones con datos?
Estas son las preguntas que quiero tratar de responder.
Durante el último año he tenido la suerte de trabajar en Microsoft, una de las empresas que está en la cresta de esta ola. En poco tiempo me ha tocado moverme por temas de enterprise analytics, planificación financiera y herramientas de IA aplicadas al trabajo diario. La velocidad con que una empresa de ese tamaño se adapta internamente es impresionante. Ese tema, de hecho, da para otro post completo en Fintualist.
Lo interesante es que esto me ha permitido ver de cerca cómo distintos equipos y roles empiezan a incorporar a la inteligencia artificial en su día a día. No desde la teoría, ni desde el video viral de LinkedIn, sino desde la operación real de una empresa grande: reuniones, reportes, decisiones, modelos de datos, presupuestos, prioridades y gente tratando de hacer mejor su trabajo.
Y mi respuesta corta es esta: sí, la IA va a automatizar una parte muy importante del trabajo analítico.
Pero la parte interesante es que probablemente va a automatizar varias de las tareas que nadie va a echar demasiado de menos.
Eso no significa que todos los cargos vayan a desaparecer. Significa que el centro de gravedad de muchos roles se va a mover drásticamente.
Directo al grano: lo que sí está en riesgo
Si tu trabajo consiste principalmente en generar documentos, reportes o análisis que toman información disponible y la estructuran de manera ordenada, la IA es una amenaza real.
Algunos ejemplos obvios: extraer datos, resumir tendencias, explicar variaciones simples, generar visualizaciones iniciales, crear borradores, responder preguntas frecuentes sobre métricas, armar minutas, comparar escenarios, ordenar información dispersa o preparar un primer corte de análisis.
Durante años, muchas horas de trabajo analítico fueron, en el fondo, horas de traducción técnica. Alguien de negocio tenía una pregunta, pero no sabía cómo llegar a la respuesta. Entonces aparecía el analista: buscaba la fuente correcta, cruzaba datos, armaba el gráfico y lo dejaba presentable.
Si tu valor estaba principalmente en saber dónde estaba el dato y cómo hacer el gráfico, estás más expuesto. Ese trabajo sigue siendo muy útil, el problema es que el analista que solo toma pedidos para “mejorar el dashboard” o “sacar este corte” va a ser cada vez más fácil de automatizar.
¿Dónde seguimos siendo indispensables?
Si tuviera que resumirlo en una sola palabra: juicio.
La IA es, en términos simples, una máquina extraordinaria de generación de contenido. Puede escribir, resumir, programar, graficar, comparar y proponer. Pero la guía de preguntas que le hacemos y la evaluación de lo que nos entrega siguen siendo nuestras.
No digo que esto vaya a ser eterno. Quizás llegue un punto en que los modelos nos superen incluso en eso. De hecho, alguien podría argumentar que ya tienen suficiente contexto para considerar más variables que una persona y hacer mejores juicios en muchas situaciones.
¿Pero confiamos 100% en ellos? No todavía.Y creo que la explicación tiene dos partes.
La primera es que muchos problemas analíticos no son técnicos, sino de definición.
¿Qué significa “cliente activo”? ¿Qué fecha usamos para medir una venta? ¿Qué excluimos del análisis? ¿Qué métrica importa realmente? ¿Esta variación es relevante o es solo ruido? ¿Estamos comparando períodos equivalentes? ¿La pregunta está bien formulada?
Un modelo puede acelerar drásticamente el análisis, pero eso no significa que el análisis sea suficiente para tomar una decisión. A veces la pregunta está mal hecha. A veces falta contexto. A veces la métrica no captura lo que realmente importa.
La segunda parte es que la dimensión no digital sigue existiendo.
La IA trabaja principalmente con información digitalizada: documentos, datos, mensajes, tablas, reportes, código, transcripciones. Pero en las empresas pasan muchas cosas que no están capturadas en ningún sistema.
La cara de tu jefe cuando le explicaste algo. La tensión rara en una reunión. El comentario informal que alguien hizo después de la presentación. La intuición de que un número puede estar correcto, pero no cuenta toda la historia. El conocimiento de que cierta área siempre carga tarde los datos. La sensibilidad política de tocar cierto tema en cierto momento.
El día que tengamos los lentes de contacto de Black Mirror quizás todo eso también se capture. Espero que falte bastante para llegar ahí.
Mientras tanto, seguimos teniendo algo que aportar.
Cómo se ve el nuevo rol del analista
Un analista, product manager, líder de equipo o gerente del futuro no se gana la camiseta de titular por saber hacer las mejores planillas o los gráficos más bonitos.
Eso va a importar cada vez menos como habilidad aislada.
Lo que va a importar más es la capacidad de hacerse buenas preguntas, entender el negocio, reconocer ambigüedades, validar que los datos estén bien, transmitir mensajes con claridad y anticipar qué decisiones podrían tomarse a partir de un análisis.
Antes, gran parte del valor estaba en producir la respuesta. Ahora, cada vez más, el valor está en saber si la respuesta merece confianza.
Cuando las respuestas son baratas y fáciles de acceder, el criterio se vuelve indispensable.
Y aquí aparece el principal riesgo que veo en este nuevo escenario: la IA está diseñada para “cazar bobos”.
Lo digo medio en broma, pero no tanto.
Los modelos actuales son extremadamente buenos para responder de una manera atractiva, ordenada y convincente. Pídele a cualquier herramienta buena de IA que te escriba una poesía estilo Pablo Neruda sobre el arroz con huevo y probablemente vas a sentir que tienes un Nobel a la vuelta de la esquina.
El problema es que cuando le pidas algo serio para tu trabajo, va a intentar hacer lo mismo: sonar bien.
Y en medio de la sorpresa, la velocidad y el deleite de ver una respuesta tan bien armada, es muy fácil creerse todo. Incluso si está mal.
La AI es muy convincente cuando se equivoca.
Ese es el riesgo.
Imagínate que te piden un análisis a 15 minutos de tu partido de liga de las 20:00. Le preguntas a la IA, te devuelve algo impecable, lo miras rápido, nada parece extremadamente raro, lo mandas. Tu jefe lo interpreta como validado. La información escala. Y al día siguiente ese número está en manos del CEO.
El flujo peligroso es más o menos así:
IA genera el análisis → el analista lo revisa superficialmente → “se ve bien” → el jefe lo interpreta como válido → se toma una decisión equivocada.
El problema no es usar IA. El problema es confundir una respuesta rápida con una respuesta validada.
Lo exploratorio y lo validado no son lo mismo
Creo que esta va a ser una de las distinciones más importantes para las empresas que quieran usar bien estas herramientas.
No todo output de IA debería tener el mismo nivel de confianza.
Hay respuestas que sirven para explorar: abrir una conversación, detectar patrones, generar hipótesis, preparar una reunión, ordenar ideas.
Y hay respuestas que sirven para decidir: mover presupuesto, cambiar una estrategia comercial, priorizar proyectos, contratar gente, cerrar un producto, presentar algo a un directorio.
No son lo mismo.
La AI es espectacular para acelerar lo primero. Para lo segundo, todavía necesitamos procesos más seguros: validación, trazabilidad, supuestos explícitos, métricas confiables y responsables claros.
Después de un par de chascarros, creo que las mejores organizaciones van a aprender esto rápido. No van a ser las que simplemente usen más IA, sino las que diseñen mejores formas de separar lo exploratorio de lo validado.
Pensar más rápido no sirve de mucho si terminamos pensando peor.
¿Qué debería aprender alguien que trabaja en analytics?
Hagan el ejercicio de buscar en Google “curso de IA”. Van a aparecer infinitos.
Y como esto avanza tan rápido, la fórmula mágica no existe. Muchos de esos cursos ya están obsoletos. Quizás en unos meses este artículo también lo esté.
Pero si tuviera que elegir, diría que hay ciertas habilidades que se vuelven más importantes:
Data literacy. Pensamiento de negocio. Diseño de métricas. Storytelling. Validación de resultados. Conocimiento de procesos. Capacidad de hacer buenas preguntas. Y entendimiento básico de las limitaciones de los modelos.
De todas esas, creo que storytelling está especialmente subvalorada en Chile. Saber explicar bien un análisis, adaptar el mensaje a la audiencia y mostrar por qué algo importa puede ser más determinante que saber hacer un gráfico complejo.
También creo que la mejor forma de aprender de inteligencia artificial no es hacer diez cursos seguidos, sino usarla para resolver problemas reales.
Si quiero comprar una bicicleta, ¿puedo armar una herramienta que me avise cuándo aparece una buena oferta? Si en mi trabajo diseñé algo que le sirve a mi equipo, ¿puedo empaquetarlo para que otros lo usen? Si hago una tarea repetitiva todas las semanas, ¿puedo automatizar aunque sea el primer 50%?
Esa es, en mi opinión, la forma más entretenida y más real de aprender. No partir desde la teoría, sino desde una fricción concreta.
Entonces, ¿me va a quitar la pega?
Depende.
Si tu trabajo consiste en mover información de un lado a otro, hacer reportes repetitivos y producir gráficos sin interpretación, probablemente sí: una parte importante de tu pega está en riesgo.
Pero si tu trabajo consiste en entender problemas, hacer mejores preguntas, conectar datos con decisiones, validar supuestos y comunicar con criterio, la IA puede hacerte mucho más valioso.
Porque no elimina la necesidad de análisis. Elimina la excusa de quedarse solo en la producción.
Soy del bando optimista. Creo que para quienes tengan el switch de adaptarse, estas tecnologías van a jugar a favor. Van a estrechar radicalmente la brecha entre una idea y su ejecución. Van a permitir que personas con buen criterio puedan construir, probar y comunicar cosas que antes requerían equipos completos.
Pero también van a dejar expuestos a quienes confundieron saber usar una herramienta con saber pensar.
La IA no mató al analista.
Le subió el estándar.
