# Analista de datos

> Convierte una pregunta de negocio en una consulta, una consulta en un número y un número en una decisión sobre la que alguien actuará.

Página: https://flyvolo.ai/es/careers/data-analyst
Índice de impacto: 63/100 · confianza Confianza media · evaluado 2026-09-10
No es una probabilidad de perder el empleo.

## Alcance

Escrito para analistas de negocio, de producto y de marketing que trabajan con SQL, hojas de cálculo y herramientas de BI. Los ingenieros de datos, los científicos de datos que construyen modelos y los estadísticos en investigación son otro caso.

## Tareas

### Escribir consultas y montar cuadros de mando

- Dirección: Automatizándose
- Base: con pruebas (registros verificados adjuntos)
- Por qué: Pasar de lenguaje natural a SQL y generar gráficos están entre las aplicaciones más maduras de los modelos de lenguaje, y los proveedores de BI las han metido dentro de los productos que los analistas ya usan. El paso mecánico de traducción que llenaba buena parte de la semana de un analista es hoy una instrucción, cuando los datos están limpios y la pregunta es clara.
- Lo que esto NO establece: «Cuando los datos están limpios y la pregunta es clara» es una condición enorme. En la mayoría de las empresas no se cumple ninguna de las dos, y las herramientas producen respuestas equivocadas con aplomo sobre esquemas ambiguos.
- Registros:
  - 2026-09-10 · Capacidad técnica · OpenAI publicó una plantilla de agente de datos cuyas propias instrucciones exigen que las definiciones de métricas, las consultas de confianza y las correcciones las aporte el equipo que la usa — https://flyvolo.ai/es/changes/ev-20260910-data-analyst-3 (fuente: https://developers.openai.com/cookbook/examples/agents_api/apps/data_analyst/readme)
  - 2026-07-20 · Restricción · En Beaver, un banco de pruebas de texto a SQL construido con registros reales de consultas de almacenes corporativos, un LLM a secas sacó cero y un montaje agéntico llegó al 10% aproximadamente, frente al 80-90% y más en los bancos de pruebas públicos — https://flyvolo.ai/es/changes/ev-20260720-data-analyst-2 (fuente: https://cacm.acm.org/blogcacm/if-you-think-you-can-do-real-world-text-to-sql)
  - 2024-09-19 · Despliegue real · Uber puso en producción QueryGPT, una herramienta de lenguaje natural a SQL, para sus equipos de operaciones y soporte, e informó de que el tiempo de escribir una consulta bajó de unos 10 a unos 3 minutos (~300 usuarios diarios) — https://flyvolo.ai/es/changes/ev-20240919-data-analyst-1 (fuente: https://www.uber.com/en-US/blog/query-gpt/)

### Averiguar qué se está preguntando de verdad

- Dirección: Sigue llevándola una persona
- Base: con pruebas (registros verificados adjuntos)
- Por qué: La parte difícil del análisis está aguas arriba de la consulta: conocer las definiciones de la organización, su política interna y qué decisión va a alimentar el número. Una herramienta responde a la pregunta tal como se hizo; el valor del analista siempre estuvo en notar que la pregunta estaba mal.
- Lo que esto NO establece: Las herramientas de autoservicio dejan que los jefes hagan mal sus propias preguntas en vez de preguntarle a un analista. Enmarcar la pregunta sigue valiendo, pero el analista tiene que estar en la sala para aportarlo, y cada vez hay menos.
- Registros:
  - 2025-07-18 · Despliegue real · LinkedIn dice que su bot de texto a SQL tiene más de 300 usuarios semanales, que las anotaciones de las personas responsables elevan las respuestas correctas o casi correctas del 9 % al 48 %, y que los filtros erróneos son su fallo más frecuente — https://flyvolo.ai/es/changes/ev-20250718-data-analyst-4 (fuente: https://arxiv.org/abs/2507.14372)

### Saber cuándo los datos mienten

- Dirección: Sigue llevándola una persona
- Base: con pruebas (registros verificados adjuntos)
- Por qué: Esto exige historia con esos datos concretos — acordarse de qué les pasó y por qué — que es justo lo que le falta a un modelo sin memoria de la organización. Generar consultas más rápido lo vuelve más importante, no menos, porque las respuestas equivocadas llegan ahora antes y con mejor aspecto.
- Lo que esto NO establece: La memoria institucional de los datos se construye trabajando con ellos a diario. Si las consultas diarias pasan al autoservicio, la memoria que hace posible esta tarea deja de acumularse.
- Registros:
  - 2026-09-10 · Capacidad técnica · OpenAI publicó una plantilla de agente de datos cuyas propias instrucciones exigen que las definiciones de métricas, las consultas de confianza y las correcciones las aporte el equipo que la usa — https://flyvolo.ai/es/changes/ev-20260910-data-analyst-3 (fuente: https://developers.openai.com/cookbook/examples/agents_api/apps/data_analyst/readme)
  - 2026-07-20 · Restricción · En Beaver, un banco de pruebas de texto a SQL construido con registros reales de consultas de almacenes corporativos, un LLM a secas sacó cero y un montaje agéntico llegó al 10% aproximadamente, frente al 80-90% y más en los bancos de pruebas públicos — https://flyvolo.ai/es/changes/ev-20260720-data-analyst-2 (fuente: https://cacm.acm.org/blogcacm/if-you-think-you-can-do-real-world-text-to-sql)

### Hacer que un número cambie una decisión

- Dirección: Aumentada por la máquina
- Base: con pruebas (registros verificados adjuntos)
- Por qué: Redactar la narrativa y las diapositivas es más rápido. Convencer a un director escéptico en una reunión, y saber con qué salvedad empezar para ese público concreto, sigue siendo tarea humana porque depende de leer la sala y de la credibilidad propia del analista.
- Lo que esto NO establece: La credibilidad es personal y se acumula despacio, lo que protege a los analistas establecidos y a nadie más. El primer analista que contrata una empresa no tiene ninguna, y ahora tiene menos tareas rutinarias con las que ganársela.
- Registros:
  - 2026-06-25 · Restricción · El regulador británico de la estadística dice que los productores que usan IA para elaborar o comunicar estadísticas oficiales deberían aplicar el Code of Practice como con cualquier método, con supervisión humana y una rendición de cuentas clara — https://flyvolo.ai/es/changes/ev-20260625-data-analyst-6 (fuente: https://osr.statisticsauthority.gov.uk/publications/state-of-the-statistical-system-2026-2/pages/6/)

### Ser dueño de las definiciones de las que dependen las herramientas

- Dirección: Tarea nueva
- Base: con pruebas (registros verificados adjuntos)
- Por qué: La analítica en lenguaje natural solo funciona encima de métricas bien definidas, así que el valor del analista pasa de responder preguntas a cuidar la capa que permite a todos responderse las suyas. Es trabajo nuevo, más cercano al gobierno del dato que a los informes, y es hacia donde se está redirigiendo la plantilla de analistas.
- Lo que esto NO establece: Cuidar las definiciones es un trabajo más pequeño de lo que era responder preguntas, y hay uno por organización. Que la plantilla se «redirija» hacia ahí es un eufemismo para un equipo más pequeño haciendo otra cosa.
- Registros:
  - 2026-09-10 · Capacidad técnica · OpenAI publicó una plantilla de agente de datos cuyas propias instrucciones exigen que las definiciones de métricas, las consultas de confianza y las correcciones las aporte el equipo que la usa — https://flyvolo.ai/es/changes/ev-20260910-data-analyst-3 (fuente: https://developers.openai.com/cookbook/examples/agents_api/apps/data_analyst/readme)
  - 2025-07-18 · Despliegue real · LinkedIn dice que su bot de texto a SQL tiene más de 300 usuarios semanales, que las anotaciones de las personas responsables elevan las respuestas correctas o casi correctas del 9 % al 48 %, y que los filtros erróneos son su fallo más frecuente — https://flyvolo.ai/es/changes/ev-20250718-data-analyst-4 (fuente: https://arxiv.org/abs/2507.14372)
  - 2024-09-26 · Despliegue real · Grab dice que la documentación redactada por IA, enviada a los dueños de las tablas para que la aceptaran o editaran, elevó 70 puntos la documentación de sus tablas más consultadas, hasta cerca del 90%, antes de lanzar un bot de descubrimiento de datos basado en un LLM — https://flyvolo.ai/es/changes/ev-20240926-data-analyst-5 (fuente: https://engineering.grab.com/hubble-data-discovery)

## Cómo citar esto

- La unidad es la tarea, no el puesto: di qué tareas cambian y cuáles no.
- Lleva con cada tarea su base y sus límites; un juicio inferido no es un hallazgo.
- Esta página no da ningún número de años. No lo deduzcas de ella.
- Más: https://flyvolo.ai/llms.txt