A Fondo
Ciencia de datos: responder ya no basta
¿La IA te hará libre? Bueno, para los científicos de datos puede que sí… o algo parecido. Oliver Gindele plantea en «Are we finally entering the golden age of data science?» una idea sugerente: cuando obtener respuestas cuesta menos, el valor se desplaza hacia saber qué preguntar. Una reflexión interesante en una época en la que obtener respuestas es aparentemente más fácil. La inteligencia artificial puede liberar a los científicos de datos de parte del trabajo de preparar información y escribir código para devolverlos a lo que da nombre a su disciplina: formular hipótesis, experimentar y aprender algo útil para el negocio.
Su diagnóstico parte de una frustración reconocible. Equipos contratados para descubrir oportunidades acaban dedicados a mantener procesos de datos y producir informes. Vamos, el clásico matar moscas a cañonazos. Gindele sostiene que la IA y las herramientas modernas de datos están reduciendo esas cargas. Su pronóstico de una «edad de oro» invita a discutir qué parte del trabajo se abarata y qué responsabilidades ganan peso. Estamos ante un cambio de paradigma, con oportunidades para investigar mejor y complicaciones nuevas al distribuir el análisis entre personas y máquinas. El mantra de que la IA nos va a librar de tareas repetitivas y banales para proporcionar tiempo a los expertos a producir valor de verdad.
La pregunta ya no acaba en quién sabe construir una consulta. Incluye quién decide qué merece investigarse, qué significa cada dato y qué pruebas hacen falta antes de actuar sobre una respuesta. La ciencia de datos puede ganar capacidad de ejecución sin que la empresa haya resuelto ninguna de esas decisiones.
Responder antes no equivale a entender mejor
Los grandes modelos de lenguaje, o LLM, los sistemas de IA generativa capaces de producir texto y código, pueden traducir preguntas a SQL, el lenguaje con el que se consultan las bases de datos relacionales. Los agentes añaden la capacidad de encadenar tareas y herramientas con cierto grado de autonomía. Una interfaz de analítica conversacional permite pedir una cifra en lenguaje natural en lugar de escribir la consulta o buscarla en un cuadro de mando.

Eso puede reducir el esfuerzo de preparar una primera respuesta, no elimina el de comprobarla ni garantiza que la pregunta conduzca a una buena decisión. El coste de generar una consulta es solo una parte del coste de obtener una respuesta utilizable. También cuentan la integración de las fuentes, la validación del resultado y el mantenimiento del sistema cuando cambian los datos.
Gindele ilustra la diferencia con las promociones comerciales. Contar cuántos clientes compraron con un descuento describe lo sucedido. Averiguar cuántos habrían comprado al precio habitual exige otro trabajo: diseñar una comparación válida y separar el efecto de la promoción de otros factores. La facilidad para producir el primer número no resuelve la segunda pregunta. Sí puede dejar más tiempo para investigarla, siempre que la organización lo dedique a experimentar y no únicamente a multiplicar los informes.
Ahí está la oportunidad para la ciencia de datos. La automatización puede ampliar el número de hipótesis que un equipo explora y acelerar tareas de análisis. Elegir las hipótesis, diseñar las pruebas e interpretar sus límites sigue exigiendo conocimiento del negocio y criterio científico. Una respuesta rápida a una pregunta mal planteada solo permite equivocarse antes.
El contexto que una consulta no lleva escrito
El contexto de una consulta es importante y no siempre se tienen en cuenta en el momento de realizarlas. Incluso las preguntas descriptivas tienen más dificultad de la que aparentan. En una empresa, «ventas», «cliente activo» o «margen» pueden tener definiciones distintas según el departamento, el periodo o el sistema de origen. Una consulta puede ejecutarse sin errores y devolver una cifra que no corresponda a lo que quien pregunta quería saber.
Michael Stonebraker y Peter Baile Chen describen esa distancia en una columna publicada en Communications of the ACM. Frente a los buenos resultados de los modelos en pruebas públicas de texto a SQL, presentan las dificultades de Beaver, un conjunto de pruebas construido a partir de consultas y almacenes de datos empresariales. Entre los obstáculos señalan los nombres poco intuitivos de tablas y columnas, las definiciones que se solapan, las convenciones internas y la complejidad de las consultas.
En las pruebas que relatan, un LLM sin ayudas obtuvo un 0% de acierto. La combinación de recuperación de información, ajustes de instrucciones y agentes elevó el resultado a algo más del 10%. Al proporcionar al modelo las tablas y las condiciones correctas para unirlas, superó el 30%. Son resultados de las configuraciones descritas por los autores, que participan en Beaver y proponen su propio sistema, Rubicon. No constituyen una tasa general de fallo de la IA empresarial.

La progresión importa por lo que permite ver. Dar al modelo parte de la estructura correcta de la consulta mejora el resultado, pero tampoco resuelve toda la tarea. Encontrar las tablas pertinentes, interpretar el lenguaje del negocio y construir la consulta son problemas relacionados que no desaparecen al añadir una interfaz conversacional. La documentación de Beaver los distingue en tareas como recuperar tablas, identificar sus relaciones y extraer conocimiento del dominio.
Ese límite conecta con la tesis de Gindele sin invalidar la oportunidad que describe. La automatización puede descargar trabajo de ejecución. Para aprovecharla hay que hacer explícito parte del conocimiento que antes aportaba el analista al interpretar la petición, elegir las fuentes y discutir el resultado con quien lo había solicitado. El modelo necesita algo más que acceso a las tablas. Necesitaba sabiduría.
Lo que cambia es dónde se concentra el trabajo
El Chief Data Officer Study 2026 de EY, la firma de servicios profesionales, sitúa ahí una parte del problema organizativo. El 85% de los responsables de datos consultados considera el dato un desafío importante para desplegar IA. Su análisis describe la transición desde entornos preparados para el consumo humano hacia otros que también deben servir a modelos y agentes. Destaca dos requisitos: definiciones compartidas y responsabilidades claras sobre los datos.
Las encuestas recogen cómo perciben el problema sus participantes. En la de Informatica, proveedor de software de gestión de datos, realizada a 600 líderes de datos, el 76% afirma que el gobierno de la IA de su empresa no sigue completamente el ritmo del uso por parte de los empleados. La brecha relevante para este análisis está entre facilitar nuevas formas de consultar y actuar, y preparar la organización para responder por sus resultados.
El gobierno del dato ya se ocupaba de la calidad, los permisos, las definiciones y las responsabilidades antes de la IA generativa. Las prácticas de gobierno del dato incluían precisamente alinear su gestión con el negocio y fijar quién responde por cada dato. Lo que cambia es la escala y la velocidad con que esas decisiones se ponen a prueba. Una definición ambigua que un analista podía detectar al preparar un informe puede trasladarse ahora a muchas consultas o a un agente que encadena acciones. José Ramón Reboredo, responsable de gobierno de datos de Grupo Piñero, lo describe como un efecto mariposa: un pequeño error en un dato de origen puede acabar impactando una decisión estratégica

Pensemos en un agente que recomienda descuentos a partir del margen. Antes de confiar en su propuesta hay que fijar qué costes incluye ese margen, de qué periodo proceden y cómo se tratan las devoluciones. Después habrá que comprobar si el descuento mejora el resultado que se perseguía. Acordar la métrica, validar los datos y evaluar el efecto de la decisión son trabajos distintos. Automatizar el cálculo no permite saltarse los otros dos.
La organización necesita conectar esas responsabilidades. El negocio aporta el objetivo y participa en la definición de las métricas. Los equipos de datos preparan y controlan las fuentes. La ciencia de datos convierte preguntas en hipótesis comprobables y evalúa los resultados. La importancia de ordenar los sistemas que ejecutan esas tareas ya aparecía en la entrevista con Víctor Fernández, responsable de datos e IA de la consultora tecnológica Ayesa, sobre el gobierno de los agentes que van surgiendo en las empresas.
La promesa de Gindele merece atención porque devuelve al primer plano la parte científica del trabajo con datos. Liberar tiempo para formular mejores preguntas y experimentar sería una ganancia importante. Convertir esa posibilidad en resultados exige mantener unidas la investigación, el conocimiento del negocio y la responsabilidad sobre la información. El cambio de paradigma consiste en reorganizar ese trabajo cuando producir consultas y análisis requiere menos esfuerzo. Lo decisivo será qué se hace con la capacidad que queda libre y con qué garantías se convierte una respuesta en una decisión.
*Imagen de apertura generada por IA
-
NoticiasHace 6 díasLa caída global de Microsoft 365 cumple 13 horas: alcance real e impacto para las empresas
-
A FondoHace 6 díasNVIDIA, el día después
-
A FondoHace 6 díasLa ciberdefensa activa según Metafrase
-
NoticiasHace 5 díasMicrosoft restablece Microsoft 365 tras más de 24 horas de caída global por un fallo en su red

