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.
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.
