Una startup chilena de inteligencia artificial para abogados acaba de anunciar una ronda de inversión de US$ 8 millones. El comunicado habla de expansión a Brasil y México, de casi 30.000 abogados como clientes y de la participación estratégica del estudio argentino Beccar Varela.
La compañía Magnar anunció recientemente haber captado US$ 8 millones en inversiones, aportadas principalmente por 6 Degrees Capital, junto con fondos como Hi Ventures, Nascent Ventures, Fen Ventures y Platanus Ventures. Anteriormente, había recibido aportes de capital por parte de estudios jurídicos, como Carey (Chile), a lo que ahora se suma el tradicional estudio jurídico argentino Beccar Varela.
La empresa Magnar nació en Chile en 2025 y afirma tener operaciones en Chile, Perú, Ecuador, Costa Rica, Colombia, Uruguay y Argentina. Con esta ronda apunta a afianzarse en Brasil y México, los dos mercados legales más grandes de la región.
La inteligencia artificial ya dejó de ser el «juguete nuevo» para convertirse en una herramienta de uso cotidiano para quienes trabajamos con datos. Ya sea que necesitemos una consulta en SQL medio complicada, una transformación en Python o un análisis exploratorio, la IA nos lo entrega en cuestión de segundos. El problema es que la calidad de ese entregable depende en gran medida de cómo formulamos el pedido.
La IA rara vez admite que no puede responder adecuadamente a un prompt. Tampoco cuestiona la calidad o la facilidad de comprensión de los prompts que le enviamos. En vez de eso, siempre nos da alguna respuesta, aunque la pregunta sea confusa o esté mal formulada. Esa respuesta será código y análisis elegantes, código que funciona, pero que posiblemente no haga las cosas bien.
En prompt engineering para ciencia de datos no hay palabras o frases mágicas; la clave está en dar contexto y en aplicar restricciones y criterios claros para que la IA nos dé resultados robustos, explícitos y fácilmente validables.
Puede ocurrir que arrastre supuestos incorrectos, que incluya joins dudosos o que haga interpretaciones débiles, todo lo cual incrementará la necesidad de validación de los resultados. Con un prompt adecuado y bien pensado, no eliminaremos la fase de validación, pero reduciremos mucho el esfuerzo requerido para asegurar la fiabilidad de los resultados.
La inteligencia artificial se volvió una compañera cotidiana en el trabajo de todo analista de datos. Ya sea que necesitemos una consulta en SQL, un análisis exploratorio o un modelo sencillo, la IA nos lo puede generar en segundos. Y el resultado es código hermoso, prolijo, con comentarios, y conclusiones que, a simple vista, parecen correctas y completas. El problema es que con la IA se cumple más que con cualquier otra cosa el dicho de que no todo lo que brilla es oro.
En la era de la IA, una de las habilidades más valiosas de un analista o científico de datos no es generar resultados más rápido o mejor presentados, sino saber cómo evaluar y cómo validar el trabajo de la IA. Porque los errores más peligrosos no son los que rompen el código, sino los que lo dejan que funcione sin arrojar mensajes de error, pero llevándonos a conclusiones equivocadas.
Este artículo forma parte de la serie sobre ciencia de datos en la era de la IA. Nos enfocaremos en lo práctico: cómo detectar problemas, qué revisar y cómo armar un proceso de validación repetible y confiable.
Hace unos años, cuando escribí en este blog sobre “Cómo es el trabajo de un científico de datos” y “Las 7 mejores notebooks para ciencia de datos”, el panorama era muy distinto al actual. Python y R dominaban, Jupyter era el centro del universo, y las conversaciones entre la gente de sistemas giraban en torno a modelos predictivos, feature engineering y a cómo no morir en el intento de hacer una buena limpieza de datos. La ciencia de datos con IA ya existía, pero su uso era marginal en la mayoría de los ámbitos.
Hoy, en 2026, entre las preguntas que más se escuchan (y que yo mismo me hago) está la siguiente: ¿sigue teniendo sentido aprender SQL, Python o R, o alcanza con perfeccionarse en prompts?
La respuesta corta es clara: no alcanza con prompts. La respuesta larga es más interesante y más esperanzadora para quienes vivimos de los datos.
En plena era de la IA, las habilidades fundamentales para ciencia de datos (la base de la pirámide) siguen siendo los lenguajes preferidos para manejo de datos (como SQL y Python) y los conocimientos de estadística.
El rol no desapareció, sólo se transformó
La IA generativa automatizó muchas tareas que antes consumían horas: generar código boilerplate, limpiar datasets medianos, escribir consultas SQL básicas, proponer visualizaciones e incluso entrenar modelos sencillos. Eso no eliminó al científico de datos. Cambió el centro de gravedad del trabajo.
Para transportar grupos reducidos de personas a través de distancias cortas y sin mucho apuro podrías arreglártelas conduciendo un autobús. Pero si necesitas transportar a muchas personas, a través de grandes distancias y en tiempos mínimos, deberás aprender a pilotear un avión. De seguro te será más difícil, tendrás más responsabilidades, pero te dará más satisfacciones y ganarás mucho más dinero. Esa misma diferencia es la que existe entre el trabajo de un ingeniero de datos convencional y el de un ingeniero de Big Data.
Big Data se refiere, como podrás imaginarlo, a conjuntos de datos muy grandes. La definición exacta de “muy grandes” puede variar según a quién le preguntes, pero es común que los repositorios de Big Data superen holgadamente los 10 terabytes de datos. Y es cada vez más habitual escuchar hablar de volúmenes que alcanzan el orden de los petabytes (1 petabyte = 1,024 terabytes).
Pero no se trata sólo de alto volumen. Otros atributos de Big Data incluyen amplia variedad de datos (estructurados, semiestructurados y desestructurados) y altas velocidades de procesamiento y acceso. Comúnmente se hace referencia a estas cualidades como “las tres V”: Volumen, Velocidad y Variedad.
Big Data no se trata sólo de gigantescos volúmenes de información. Otros de sus atributos incluyen amplia variedad de datos (estructurados, semiestructurados y desestructurados) y altas velocidades de procesamiento y acceso. Imagen: NightCafe.
A las tres «V» mencionadas arriba se les suelen agregar otras dos, para abarcar otros importantes aspectos que debe tener toda solución de Big Data: Veracidad, o confiabilidad de los datos (para evitar información incompleta, sucia o imprecisa) y Valor, refiriéndose a la importancia de extraer descubrimientos valiosos que posibiliten decisiones informadas y generen valor de negocio.
Esas particularidades hacen que un ingeniero de Big Data deba utilizar frameworks especiales, además de las herramientas que usa un ingeniero de datos convencional. Más adelante en este artículo veremos en detalle las tecnologías que debe dominar todo ingeniero de Big Data.
