Signature: KRmPvYbiXTqXP4u7uAFY6FQou757+U0iIdsDC97SnW0l0FQmAusbkPkmbj7Ciencia de datos en la era de la IA – científico de datos trabajando con herramientas de inteligencia artificial
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.
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.
En la actualidad, escribir el código desde cero es una tarea de poco valor intrínseco. Las tareas que más valor suman son:
En otras palabras, la IA es como un gran amplificador incapaz de discernir lo bueno y lo malo: amplifica ambas cosas por igual. Si no se entienden bien los fundamentos, uno termina entregando análisis incorrectos con mucha más velocidad, mejor presentados y con un peligroso exceso de confianza.
Hasta antes de la IA, tener sólidas habilidades de programación en SQL, Python y R era una condición excluyente para trabajar en ciencias de datos. Veamos cómo es la situación en la actualidad.
Más de lo que muchos esperaban. Los datos siguen viviendo en bases relacionales, warehouses y data lakes. Las consultas complejas (window functions, CTEs recursivas, optimización, modelado de datos) no se “promptean” bien de forma consistente cuando el negocio tiene reglas específicas. Además, saber SQL es necesario para revisar, validar y corregir lo que generan los modelos de lenguaje. Quien no lo entiende termina confiando ciegamente en consultas muy elegantes, que pueden parecer correctas aunque no lo sean.
No porque sea el más elegante, sino porque es el ecosistema donde viven casi todas las librerías de machine learning, procesamiento de datos y ahora también de agentes y RAG. Pandas sigue presente (sobre todo por compatibilidad), pero en 2026 el stack moderno combina cada vez más Polars (velocidad y bajo consumo de memoria) + DuckDB (SQL analítico embebido extremadamente rápido) + Python como orquestador. Saber Python es clave para entender, modificar, depurar y llevar a producción el código que se genera con ayuda de la IA.
El lenguaje R sigue siendo excelente en estadística avanzada, visualización y en ciertos dominios, como ámbitos académicos, bioestadística, etc. Pero para la mayoría de los roles de ciencia de datos “generalistas” u orientados a producto/IA, Python es la apuesta más segura.
El prompt engineering es una habilidad real y valiosa. Saber diseñar instrucciones claras, descomponer problemas, definir formatos de salida, agregar constraints y evaluar resultados es parte del trabajo moderno. Pero no reemplaza el conocimiento de base. Quien solo sabe “hablarle a la IA” sin entender datos, estadística ni código, termina siendo un intermediario que no puede detectar cuando el sistema se equivoca. Y se equivoca; es de ingenuos suponer lo contrario.
Un stack de conocimientos realista en 2026 se ve más o menos así:
El lado bueno es que ya no debemos preocuparnos tanto como antes por tener una computadora con la mejor CPU y con enormes cantidades de memoria. El ambiente actual es híbrido y más liviano que antes.
Un flujo de trabajo típico actual de ciencia de datos se ve así:
La IA no convirtió a los científicos de datos en “prompt engineers”. Los convirtió en profesionales que necesitan dominar mejor que nunca los fundamentos, porque ahora tienen que supervisar y corregir sistemas que generan resultados imperfectos a una velocidad absurda.
Saber SQL y Python en 2026 no es nostálgico. Es lo que nos permite usar la IA como un verdadero copiloto en lugar de como un oráculo al que le creemos todo lo que dice. Y eso, a la larga, es lo que separa a quienes entregan valor real de quienes solo generan ruido elegante.
Para quien está iniciando o retomando su camino en las ciencias de datos, la prioridad es lograr profundidad en los fundamentos, sumando práctica real de validar y mejorar lo que genera la IA. El resto se construye encima.
Sí. SQL y Python siguen siendo habilidades fundamentales. Aunque la IA genera código y consultas, el científico de datos necesita entender, validar, corregir y optimizar lo que produce la IA. Sin estos conocimientos es muy fácil enviar análisis incorrectos o ineficientes.
No. El prompt engineering es una habilidad muy útil y amplifica el trabajo, pero no reemplaza los fundamentos de datos, estadística y programación. Quien solo sabe “hablarle a la IA” sin entender lo que genera termina dependiendo de resultados que puede no saber evaluar ni corregir.
Python es el lenguaje central por su ecosistema de librerías de machine learning y datos. SQL sigue siendo imprescindible para trabajar con bases de datos y warehouses. R mantiene su valor en ámbitos estadísticos y académicos, pero perdió centralidad frente a Python en la mayoría de los roles.
Las habilidades clave combinan fundamentos (SQL, Python, estadística y pensamiento experimental) con capacidades nuevas: evaluación de outputs de LLMs, nociones de RAG y agentes, MLOps básico, comunicación de resultados y conocimiento del negocio. La IA automatiza la ejecución, pero no reemplaza el criterio y la validación humana.
Un stack moderno suele incluir VS Code o Cursor, gestión de entornos con uv, Polars y DuckDB para procesamiento de datos, Jupyter o Marimo para notebooks, y Git para control de versiones. En la nube se suman herramientas como Google Colab, Databricks, BigQuery o Snowflake según el volumen y el equipo.
No. La IA automatiza tareas repetitivas (limpieza básica, generación de código, reportes simples), pero el valor del científico de datos se desplazó hacia la formulación de problemas, la validación de resultados, el diseño de experimentos, la puesta en producción y la comunicación de insights accionables.
El analista de datos se centra más en explorar, limpiar, visualizar y responder preguntas de negocio con datos existentes. El científico de datos va un paso más allá: construye modelos predictivos o generativos, valida su desempeño, los lleva a producción y trabaja con mayor profundidad en estadística, machine learning y sistemas de IA.
El fabricante de tecnología informó la presentación de su marca de almacenamiento y procesamiento de…
La empresa fabricante de soluciones de energía confiable analizó el fenómeno climático que amenaza con…
El fabricante anunció su nuevo disco de estado sólido empresarial, disponible en versiones de 4…
Los nuevos audífonos TWS de Klip Xtreme combinan cancelación activa de ruido híbrida (ANC) y…
La marca de conectividad anunció la disponibilidad de su sistema Wi-Fi Mesh M3000, con tecnología…
La empresa de tecnología e anunció la nueva disponibilidad de soluciones de la marca, entre las…