Joseph Schumpeter, hace casi un siglo, dijo que el capitalismo avanza destruyendo. No es una frase bonita, es literal: las empresas, los oficios y las herramientas que funcionan hoy son las que mañana van a sobrar. Lo llamó destrucción creativa. La parte de «creativa» suele subrayarse en los keynotes; la parte de «destrucción» se la suelen comer los que están dentro cuando pasa.
Llevo años en analítica digital y he visto unas cuantas olas. La muerte anunciada de las cookies. El paso de Universal Analytics a GA4, que todavía colea. La medición server-side. Cada una vino con su propio discurso de «esto lo cambia todo» y, en honor a la verdad, casi nunca lo cambia todo. Por eso la primera vez que vi a alguien resolver con un prompt lo que a un analista junior le habría costado una mañana entera, no me sorprendió. Ya sabía que tocaba.
Lo que sí me sorprende es lo rápido que se está moviendo el suelo. Limpiar un dataset, escribir una query en SQL que no sale a la primera, hacer un primer pase de exploración sobre datos que no conoces, redactar el informe ejecutivo a partir de los hallazgos, traducir un brief de negocio en una pregunta medible. Todo eso, que es exactamente el día a día del oficio, hoy se hace mucho más rápido con un modelo al lado. Y hace dos años no.
Aquí es donde conviene no engañarse. La lectura amable es que la IA nos quita las tareas pesadas y nos deja hacer «análisis de verdad». Es una frase que suena bien en una mesa redonda. La lectura honesta es que el trabajo de varias personas lo va a hacer una sola, y que el escalón de entrada al oficio —ese que durante años fue limpiar datos, sacar tablas y montar dashboards— se está desfondando. Los junior de hoy no van a aprender lo que aprendimos nosotros de la misma manera, porque las tareas con las que aprendimos ya no necesitan hacerse a mano. Eso es un problema de cantera del que se habla poco.
Dicho esto, tampoco creo que esto sea el fin de nada. En el blog ya he escrito alguna vez que ser analista no consiste en dominar una herramienta, ni siquiera un lenguaje. Consiste en entender el negocio (tanto el propio de la analítica, como el sector que encaras), saber qué pregunta merece la pena hacer, y tener el criterio para distinguir un dato útil de un dato que solo sirve para sacar pecho a fin de mes. Esa parte —la de hacer la pregunta correcta y defenderla con argumentos— es la que la IA todavía no hace por ti. Y sospecho que va a tardar bastante. No porque técnicamente sea imposible, sino porque para hacer la pregunta correcta hay que conocer a la gente del negocio, las miserias internas de cada empresa, y por qué el director comercial pide siempre el mismo informe aunque no lo lea. Eso no está en ningún corpus. Se llama tener calle, haber vivido.
Y hay algo más, que llevo años repitiendo en este blog y que ahora se vuelve casi urgente: el criterio no sirve de nada si no sabes comunicarlo y defenderlo. Saber comunicar es saber decir sí y saber deci no. Siempre he dicho que con el 20% de los datos correctos puedes mover una empresa al 80% de donde tiene que ir, siempre que tengas criterio para elegirlos y cintura para defender por qué son esos y no otros. Esa habilidad y agallas —skill, para los chulos de los modelos— de sacar un tema, apoyarte en un dato, contarlo, sostenerlo delante de un comité que va a discutirlo, y hacer que se traduzca en una decisión, es cada vez más decisiva. Y no es una habilidad de analista digital; es una habilidad de cualquiera que trabaje con información, que a estas alturas somos casi todos. La IA te da el dato más rápido. Lo que no te da es la autoridad para que ese dato se convierta en algo que pase.
Schumpeter no prometía que el cambio fuera justo, ni cómodo, ni siquiera bueno para los que estaban en medio. Solo decía que iba a pasar. Lo que nos toca es decidir qué tipo de analistas queremos ser cuando la parte ejecutiva del trabajo deje de tener valor. Yo tengo una intuición: los que se queden van a ser los que sepan menos de herramientas y más de negocio. Los que sepan escribir, defender una tesis, y discutir con el cliente cuando el dato dice lo que el cliente no quiere oír. El resto del trabajo, el modelo lo hace.
Y ahora que la ejecución empieza a ser barata, quizá por fin podamos hablar de lo que importaba desde el principio.
Deja una respuesta