El futuro del análisis de datos: por qué la AI está reescribiendo la descripción del puesto de analista

El rol de analista de datos se ha declarado muerto más veces de las que podemos contar. La AI escribirá consultas, creará paneles y generará insights. Entonces, ¿por qué molestarse en contratar analistas?

Porque ese argumento confunde la tarea con el trabajo.

Lo que realmente se está automatizando es el trabajo que consumía el tiempo de los analistas pero que nunca aportaba valor de negocio: la preparación de datos, la reconstrucción de paneles para cada nuevo interesado y la escritura de SQL ad hoc para solicitudes puntuales. El analista que solo hace esas cosas se está automatizando. El analista que define los problemas de negocio y toma decisiones es cada vez más valioso.

Esto no es una predicción. Ya está ocurriendo. Y en este artículo, explicaremos por qué la AI no está acabando con el rol del analista, sino que lo está devolviendo a lo que debería haber sido desde el principio.

Entre nosotros, hemos contratado a más de 50 analistas, liderado equipos de entrega multidisciplinarios y diseñado marcos de decisión basados en AI en diversos sectores. Hace poco comparamos notas y el mismo patrón siguió apareciendo: los analistas que prosperan no son los que escriben el mejor SQL, sino los que hacen las mejores preguntas.

Las plataformas como Databricks AI/BI están convergiendo hacia una analítica impulsada por el lenguaje natural. Puedes describir lo que quieres en un lenguaje sencillo y obtener un panel, una métrica o un insight. Las herramientas de texto a SQL están resolviendo un problema con el que la industria ha lidiado durante décadas: el tiempo y los conocimientos técnicos necesarios para pasar de una pregunta a un resultado. Eso es una verdadera victoria. Pero cerrar esta brecha solo resalta la dimensión que siempre fue más importante: la calidad del propio insight. Siempre ha existido, y siempre existirá, una brecha diferente: saber qué pregunta hacer en primer lugar. El paso más importante para ser un gran analista de datos no es solo responder a lo que se pregunta, sino refinar y dar forma para llegar a comprender lo que realmente se necesita responder. ¿Cuántas veces te han pedido que obtengas los datos para un punto de datos, solo para descubrir después que no era realmente lo que el negocio intentaba evaluar?

Cómo llegamos aquí: la trampa de las herramientas de BI

Este ha sido un proceso lento y gradual. Al principio, los analistas servían de enlace entre el negocio y los equipos de IT propietarios de los data warehouses, actuando a veces más como analistas de negocio. Pero luego, con la llegada de herramientas como QlikView, Power BI y Tableau, estos equipos de analistas orientados al negocio ya no estaban atados a los data warehouses heredados para producir sus paneles. Esto permitió una iteración rápida, pero dio lugar a un conjunto diferente de problemas.

Los analistas se convirtieron en creadores de paneles y correctores de datos, actuando a veces como una IT en la sombra (shadow-IT). De repente, el rol ya no les exigía ser simplemente grandes comunicadores que entendieran el valor de los datos del negocio. Su tiempo se consumía en:

• Preparación manual de datos y resolución urgente de problemas en los pipelines
• Reconstrucción de paneles para cada nuevo interesado
• Escritura de SQL ad hoc para solicitudes puntuales
• Cerrar las brechas entre las herramientas de BI y los datos de origen (upstream)

La habilidad que las organizaciones realmente necesitaban, la definición de problemas de negocio, no se desarrolló lo suficiente. Los analistas estaban ocupados y sobrecargados, pero a menudo les costaba demostrar su valor. Todos hemos visto innumerables rondas de reestructuración en los equipos de datos, ya que la gente lucha por entender su valor.

Existe una tensión persistente en el corazón del rol: los expertos técnicos a menudo no entienden bien el negocio, mientras que las personas con visión de negocio suelen tener menos solidez técnica. Las organizaciones intentaron solucionar esto contratando a personas que pudieran hacer ambas cosas, pero ese perfil es escaso. Lo hemos visto a lo largo de nuestras experiencias. Por lo general, los líderes se conforman con una combinación de habilidades en todo el equipo en lugar de habilidades individuales, es decir, tener algunas personas muy técnicas que no dominan el contexto de negocio y personas menos técnicas que son mejores en la comunicación. Pero, por lo general, en los equipos más pequeños esto hace que estas personas se sientan descontentas en sus roles, ya que ambos grupos tienen que asumir ambos tipos de trabajo. Los más orientados al negocio se frustran con los desafíos técnicos y los empleados técnicos se frustran al tener que hablar con el negocio. Gran parte de esto ha llevado a que los equipos analíticos se centren en mostrar datos en lugar de responder preguntas. La propuesta de valor central del análisis, transformar la información en decisiones, se diluyó por la mecánica de llevar los datos del punto A al B.

El resultado de esto es una generación de analistas que pueden decirte qué pasó, pero no por qué es importante o qué hacer al respecto.

La AI vuelve a simplificar las cosas

Cada ola de herramientas prometía liberar a los analistas de la mecánica de la entrega. En la práctica, los enterró aún más. La AI cambia esto. No reemplazando a los analistas, sino automatizando el trabajo que los sepultaba.

Las plataformas como los AI/BI Dashboards con Genie Code permiten a los usuarios describir lo que quieren en un lenguaje sencillo y obtener un panel funcional y con un estilo uniforme en cuestión de minutos. Las interfaces de lenguaje natural como Genie One permiten a los interesados hacer preguntas ad hoc directamente, sin presentar una solicitud ni esperar en una cola. Las definiciones de métricas se pueden generar y refinar automáticamente, con la AI actuando como un asesor para adaptarlas a la necesidad real del negocio. Estas no son mejoras incrementales. Eliminan clases enteras de fricción que, con el tiempo, distorsionaron el rol del analista hasta volverlo irreconocible. Las tareas técnicas se han convertido en commodities.

Un analista de una organización del sector público necesitaba crear un modelo de segmentación de clientes, un esfuerzo que antes requería dos meses e implicaba desarrollo de SQL, preparación de datos y ciclos iterativos con ingeniería. Con Genie Code, lo crearon en medio día. La AI se encargó de la ejecución técnica; el analista se centró en definir los segmentos que realmente importaban al negocio. Ese es el cambio: no menos analistas, sino analistas que dedican su tiempo al trabajo que realmente marca la diferencia.

Pero la velocidad por sí sola no es el valor. Una AI que responde perfectamente a la pregunta equivocada sigue estando equivocada. Lo que esta nueva ola de herramientas deja claro es que el cuello de botella en la analítica nunca ha sido el SQL ni los paneles. Siempre ha sido el criterio. Alguien todavía tiene que:

• Definir qué debería medir realmente el negocio y por qué
• Definir la pregunta correcta antes de que alguien toque los datos
• Validar que el resultado tenga sentido en el contexto
• Interpretar los puntos de datos en un curso de acción recomendado

La AI no hace nada de eso. Ese es el trabajo del analista. Siempre lo fue, solo que nunca les dimos el tiempo para hacerlo.

La AI simplifica la ejecución. No es dueña de la intención, la responsabilidad ni las consecuencias. Esa responsabilidad sigue siendo firmemente humana.

“Con la AI aumentando los procesos y automatizando las tareas rutinarias, el criterio humano, la responsabilidad y la propiedad de las decisiones siguen siendo fundamentales” - Capgemini Research Institute, The multi-year AI advantage: Building the enterprise of tomorrow, pág. 6

Y aquí es donde el rol del analista no desaparece, sino que resurge.

El renacimiento del analista: menos SQL, más "¿y qué?"

Con las tareas técnicas automatizadas, el valor del analista se traslada al trabajo que solo los humanos pueden hacer:

Estructuración de problemas

Lo más valioso que puede hacer un analista es ayudar a un interesado a formular la pregunta correcta antes de que nadie toque los datos. Esto es más difícil de lo que parece: el Capgemini Research Institute descubrió que "solo el 33 % de los líderes pueden expresar sus necesidades a un sistema de Gen AI". Si necesitas medir una campaña de marketing, medir la tasa de clics (click-through rate) puede sonar muy bien, y podrías pedirle a la AI que mida esto por ti y creer que tienes una campaña exitosa. Si tú desarrollaste la campaña, puede que no necesites cuestionar esto más a fondo. Pero es posible que no hayas hecho la pregunta correcta. ¿Qué pasa si el correo electrónico ofrecía un 90 % de descuento? En ese caso, también tendrías que mirar el panorama de los ingresos totales. Se necesita al analista para ayudar a definir el problema y actuar como abogado del diablo, y sin necesidad de saber SQL, el analista puede centrarse en entender el negocio y actuar como traductor.

Contexto y criterio

Un número sin contexto es solo un número. Un analista que conoce el negocio puede decirte que una caída del 5% en la retención es alarmante, pero una caída del 5% en una métrica cuya definición acabas de cambiar no tiene sentido. La AI no tiene esa conciencia contextual. Un buen analista sí.

Esto es lo que significa el conocimiento del dominio en la práctica. No solo estar familiarizado con el sector, sino saber que el aumento de ingresos del trimestre pasado fue una promoción única. O que la migración de una cuenta clave está distorsionando los datos. O que un campo específico se ha corregido manualmente en el CRM durante años porque el sistema de origen nunca se solucionó. La AI no recuerda nada de esto.

A medida que la AI escala el volumen y la velocidad de generación de insights, esta brecha no se cierra, sino que se amplía. Cuantos más resultados produce la AI, más se necesita a alguien que pueda contrastar cada uno de ellos con la realidad institucional y preguntarse si realmente tiene sentido. La interpretación humana es la solución a los dos mayores defectos de la AI:

• Alucinaciones, a menudo envueltas en un optimismo y confianza excesivos en la forma en que responde la AI.
• Naturaleza probabilística, lo que puede afectar la confiabilidad de la AI.

El analista con un profundo conocimiento del dominio es quien mira un dashboard perfectamente formateado y dice: "Este número es incorrecto y sé exactamente por qué". Esa capacidad no es un prompt. Se basa en años de familiaridad con el negocio.

Storytelling e influencia

Los datos no impulsan las decisiones; las historias sí. El trabajo del analista no es presentar una tabla de números. Es entrar a una sala y decir: "Esto es lo que está pasando, por qué está pasando y esto es lo que creo que deberíamos hacer". Las investigaciones demuestran que combinar datos cualitativos y cuantitativos siempre es más persuasivo que los números por sí solos; las personas recuerdan las historias, no las estadísticas (Heath & Heath, Made to Stick). Tomar la decisión empresarial correcta requiere sólidas habilidades de persuasión y una comprensión de la audiencia (HBR: Data Science and the art of persuasion). Ningún LLM va a reemplazar eso en una sala de juntas.

Gobernanza y confianza

A medida que la AI genera más insights, alguien debe asegurarse de que estén fundamentados, sean auditables y correctos. Junto con una buena herramienta de catalogación como Unity Catalog, el analista se convierte en la capa de calidad, curando los resultados de la AI, validándolos con el conocimiento del dominio y señalando cuándo el modelo está alucinando o los datos son incorrectos. Esto último es un problema muy común. Muchos datos no son puros. Entrada manual de datos, nuevos valores de búsqueda, eventos fuera del sistema. Todo esto introduce un ruido del que la AI no es consciente. El analista experimentado sabe esto y trata los datos en consecuencia.

Orquestación

El analista moderno no escribe el SQL; dirige a los agentes de AI que lo hacen. Curan los espacios de Genie, definen las métricas adecuadas, estructuran las bases de conocimiento y diseñan los flujos de trabajo analíticos. Piénsalo como pasar de jugador a entrenador, que es lo que deberían haber sido desde el principio.

Qué significa esto para las organizaciones

Las implicaciones son prácticas e inmediatas:

• Contratación: Deja de evaluar a los analistas por su dominio de SQL. Empieza a evaluarlos por su curiosidad, visión de negocio y habilidades de comunicación. Las habilidades técnicas ya no lo son todo. Considera capacitar a tus analistas actuales en habilidades de pensamiento crítico.
• Time to Value: Con la llegada de la AI, las organizaciones deberían ver mejoras en el time to value. Sin embargo, deben ser conscientes de que esto conllevará un riesgo de mala interpretación debido a alucinaciones o falta de contexto. Las organizaciones deben asegurarse de no depender únicamente de la AI para tomar decisiones comerciales importantes; la participación humana (human-in-the-loop) es fundamental.
• Herramientas: Invierte en plataformas que automaticen la capa técnica para que tus analistas puedan concentrarse en el "¿y qué?". Si tu equipo aún pasa la mayor parte del tiempo preparando datos y creando dashboards, libera a tus analistas de la deuda técnica en la que se encuentran.
• Estructura: Integra a los analistas más cerca de quienes toman las decisiones, no en lo más profundo de los equipos de datos. El valor está en la interfaz entre los datos y el negocio, no en el pipeline.
• Medición: Deja de medir a los analistas por la cantidad de dashboards entregados o consultas escritas. Mídelos por las decisiones en las que influyen, las preguntas que reformulan y las acciones que se toman.

El ROI de la AI en la analítica no se traduce necesariamente en menos analistas; se trata de analistas que realmente impulsen las decisiones correctas.

¿Qué debería hacer ahora?

Si tus analistas pasan más tiempo creando dashboards que respondiendo preguntas de negocio, empodéralos con las herramientas adecuadas para automatizar estas tareas y capacítalos en el lenguaje del negocio.

El analista del futuro escribe menos SQL y hace mejores preguntas. Pasa menos tiempo en el editor de consultas y más tiempo en la sala de juntas. Deja de limitarse a mostrar datos y comienza a dar forma a las decisiones. Para muchos analistas, esto es lo que siempre quisieron hacer. Y para aquellos que prefieren el trabajo técnico, el creciente campo de la ingeniería de analítica (analytics engineering) es exactamente donde prosperarán.

¿Listo para liberar a tus analistas de la rutina de los dashboards? Prueba Databricks AI/BI y Genie hoy mismo.

(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original