LO
Avísame cuando llegue un registro verificado a esta ocupación → · Marca cuáles de estas tareas son tuyas (VOLO Pro, gratis durante el lanzamiento) →
Científico de datos
Convierte una pregunta de negocio o de investigación en algo que los datos puedan responder: la plantea, limpia y explora los datos, construye y valida modelos estadísticos o predictivos, diseña y lee experimentos, y explica a quienes deciden lo que el resultado muestra y lo que no. Los agentes de IA ya pueden escribir buena parte del código de análisis, pero en bancos de pruebas públicos los mejores siguen resolviendo alrededor de un tercio de las tareas realistas de análisis de datos, y donde más les cuesta es en las preguntas causales. Los supervisores bancarios siguen esperando que los modelos los cuestionen personas independientes, y las proyecciones de EE. UU. prevén que el empleo en ciencia de datos crezca.
Toma un análisis reciente tuyo y apunta si mostró causa o solo asociación, y qué experimento lo habría zanjado.
Esto no es una probabilidad de perder el empleo. Combina qué parte de la carga de tareas del puesto está expuesta a la automatización con hasta dónde ha llegado realmente la adopción: sirve para comparar ocupaciones sobre una base constante, y para nada más.
Escrito para científicos de datos que construyen modelos y llevan experimentos para orientar decisiones — en empresas tecnológicas, bancos y aseguradoras, investigación y sector público. Los analistas que trabajan sobre todo con SQL y cuadros de mando tienen su propia página, igual que los ingenieros que construyen y operan sistemas de aprendizaje automático en producción. La evidencia son bancos de pruebas de agentes de IA sobre tareas de ciencia de datos, la guía de los supervisores bancarios sobre riesgo de modelo, normas sobre la auditoría de decisiones automatizadas y proyecciones laborales de EE. UU.; establece lo que los agentes pueden hacer en tareas de prueba y lo que las normas esperan de las personas, no cómo ha cambiado el tiempo de los científicos de datos.
Qué está cambiando de verdad#
La unidad de análisis es la tarea, no el nombre del puesto. Un puesto no se sustituye: se le mueve la mezcla de tareas.
Cada casilla es una tarea. Su tamaño es cuánto pesa en el trabajo; su color, hacia dónde va la tarea. Haz clic en una casilla para ver qué no establece ese juicio.
Esto se apoya en la naturaleza del trabajo y en la lista de tareas candidatas de O*NET; ningún registro de aquí mide cómo se plantea la pregunta ni quién lo hace.
Las tareas de un banco de pruebas no son los datos de una empresa, y los deberes de la UE para sistemas de alto riesgo se aplican más adelante; nada de esto mide el tiempo dedicado a la limpieza.
Los bancos de pruebas envejecen rápido y evalúan tareas cortas; no muestran cómo se construyen los modelos en proyectos reales ni qué parte del trabajo hacen ya los agentes.
El banco de pruebas evaluó modelos de la época de 2024 con preguntas de manual; los modelos más nuevos pueden hacerlo mejor, y no mide experimentos con productos reales.
Una proyección no es un resultado, y cuenta empleos, no qué tareas implican esos empleos.
La guía bancaria no es exigible y abarca a los grandes bancos; la norma de Nueva York abarca herramientas de contratación en una sola ciudad. Ninguna mide cuántas personas hacen este trabajo.
¿Es este tu trabajo? Dilo y esta página se estrecha a tu parte de él.
El nombre de un puesto es un paquete de tareas compradas juntas, y no hay dos personas con el mismo paquete. No se envía nada a ninguna parte: se queda en este navegador.
Cambios recientes#
Estados Unidos. Las perspectivas ocupacionales de la oficina de estadística proyectan que el empleo de científicos de datos crecerá un 35 por ciento entre 2025 y 2035, mucho más rápido que la media de todas las ocupaciones, con unas 24.800 vacantes al año de media a lo largo de la década. Es una proyección para un solo país, hecha mientras las empresas integran sistemas de IA en su trabajo; cuenta empleos, no qué tareas implican esos empleos.
Una persona con nombre y con posición reconocida predijo algo públicamente, en una fecha, en una declaración atribuible. Se registra para que quede comprobable quién dijo qué y cuándo, y nunca mueve la evaluación de una tarea, porque una predicción no es una observación. Su valor llega después: el registro queda en la misma página que la evidencia sobre esa ocupación, así que quien lee el pronóstico lee al lado el registro de lo que pasó luego. Esa es la rendición de cuentas; este sitio no publica ningún veredicto sobre si un pronóstico se cumplió.
Estados Unidos. La guía revisada de las agencias bancarias sobre riesgo de modelo sustituye a la SR 11-7 de 2011. Dice que el cuestionamiento efectivo lo realizan personas con la pericia adecuada para llevar a cabo un cuestionamiento crítico y objetivo, la independencia suficiente para mantener la objetividad, y la posición y la influencia en la organización para provocar cambios; declara que los modelos de IA generativa y de IA agéntica no entran en su alcance; y dice que la guía no fija normas exigibles, de modo que su incumplimiento no dará lugar a críticas supervisoras. Es sobre todo relevante para organizaciones bancarias con más de 30.000 millones de dólares en activos totales.
Un fallo, una marcha atrás, una regulación o un coste están frenando la adopción. Puede bajar una evaluación o ensanchar su incertidumbre.
Un banco de pruebas académico de tareas de programación de ciencia de datos que exigen a un agente trabajar con datos reales y escribir código, incluida la preparación y el análisis. Informa de que, con su agente de referencia, los mejores modelos de lenguaje actuales alcanzan solo un 30,5% de acierto, lo que deja amplio margen de mejora. Evalúa modelos de la época de 2024 en tareas diseñadas.
Una demostración, una prueba de referencia o un artículo muestran que la tarea se puede hacer. Actualiza lo que la tecnología puede hacer, no lo que harán las empresas.
Un banco de pruebas de 466 tareas de análisis de datos y 74 tareas de modelado de datos tomadas de competiciones de Eloquence y Kaggle, usado para evaluar agentes de IA construidos sobre modelos como GPT-4o, Claude y Gemini. Informa de que el mejor agente resolvió solo el 34,12% de las tareas de análisis de datos y alcanzó una brecha de rendimiento relativo del 34,74% en las tareas de modelado. Evalúa modelos disponibles en 2024–2025 en tareas de competición, no trabajo con los datos de una empresa; el empleador de uno de los autores desarrolla modelos de IA.
Una demostración, una prueba de referencia o un artículo muestran que la tarea se puede hacer. Actualiza lo que la tecnología puede hacer, no lo que harán las empresas.
Unión Europea. El artículo 10 del Reglamento de IA dice que los conjuntos de datos de entrenamiento, validación y prueba de los sistemas de IA de alto riesgo estarán sujetos a prácticas de gobernanza y gestión de datos, incluida la preparación de datos como la anotación, el etiquetado y la limpieza, y el examen atendiendo a posibles sesgos; el artículo 14 dice que los sistemas de alto riesgo se diseñarán de manera que puedan ser supervisados eficazmente por personas físicas. Las obligaciones vinculan a los proveedores de sistemas de alto riesgo; con el reglamento modificativo de 2026, las obligaciones de alto riesgo para los sistemas enumerados en el anexo III se aplican desde el 2 de diciembre de 2027.
Un fallo, una marcha atrás, una regulación o un coste están frenando la adopción. Puede bajar una evaluación o ensanchar su incertidumbre.
Un banco de pruebas académico de 411 preguntas con hojas de datos tomadas de manuales, materiales de aprendizaje en línea y artículos académicos, que evalúa el razonamiento estadístico y causal. Informa de que el modelo más fuerte, GPT-4, alcanza un 58% de acierto, y de que los modelos tienen dificultades con el análisis de datos y el razonamiento causal y les cuesta usar simultáneamente el conocimiento causal y los datos proporcionados. Evalúa modelos de la época de 2024 con preguntas de estilo manual, no experimentos con productos reales.
Una demostración, una prueba de referencia o un artículo muestran que la tarea se puede hacer. Actualiza lo que la tecnología puede hacer, no lo que harán las empresas.
Ciudad de Nueva York. La norma definitiva que desarrolla la ley municipal sobre herramientas automatizadas de decisión de empleo dice que un empleador o una agencia de empleo no puede usar ni seguir usando una de esas herramientas si ha pasado más de un año desde su auditoría de sesgo más reciente; que una auditoría de sesgo debe calcular como mínimo la tasa de selección y la ratio de impacto de cada categoría; y que un auditor no es independiente si participa o participó en el uso, el desarrollo o la distribución de la herramienta. Las herramientas que abarca incluyen el aprendizaje automático, el modelado estadístico y la analítica de datos. Se aplica a la contratación y la promoción en una sola ciudad.
Una regulación, una subvención o una compra pública están exigiendo o financiando la adopción: el espejo de una restricción. Muestra que la adopción se está exigiendo, no que haya ocurrido, así que un mandato nunca basta por sí solo; dos independientes sí.
Qué significa esto para ti#
Si estás empezando, las partes del trabajo que un agente de IA hace mejor — escribir código rutinario de análisis y modelado — son las partes sobre las que antes se construían los puestos júnior. Construye tu valor donde la evidencia dice que los agentes son más débiles: plantear la pregunta, diseñar experimentos y razonar sobre causas, y explicar los resultados a personas que tienen que decidir.
Cuenta con revisar y dirigir código generado más que escribirlo, y con que más de tu tiempo se vaya a validación, documentación y auditorías a medida que se extienden las normas sobre decisiones automatizadas. Tu posición para cuestionar un modelo — y para que te crean cuando dices dónde deja de valer — es la parte en torno a la cual están escritas las normas.
Tus opciones#
Cuatro direcciones, cada una con sus restricciones reales y con una cosa que puedes probar esta semana. Seguir como estás es una opción legítima; solo tiene que ser una opción elegida.
Seguir como científico de datos y acercarte a los experimentos y el trabajo causal
El razonamiento causal y el diseño de experimentos son donde los bancos de pruebas muestran que a los modelos más les cuesta, y de ellos dependen las decisiones.
Los puestos de experimentación están sobre todo en grandes empresas de producto y en investigación; las empresas más pequeñas quizá no hagan suficientes pruebas como para necesitar uno.
Toma un análisis reciente tuyo y apunta si mostró causa o solo asociación, y qué experimento lo habría zanjado.
Asumir la validación y la auditoría de modelos
Los supervisores bancarios esperan un cuestionamiento independiente de los modelos y la ciudad de Nueva York exige auditorías de sesgo independientes de las herramientas de contratación; el trabajo necesita personas que entiendan los modelos y que no sean quienes los construyeron.
La independencia supone no auditar los modelos de tu propio equipo, lo que puede implicar cambiar de equipo o de empleador; la guía bancaria no es vinculante.
Averigua si tu organización tiene una función de validación de modelos o de riesgo de modelo, y qué comprueba antes de que un modelo entre en producción.
Acercarte al apoyo a la decisión: analítica de producto o de políticas
Explicar lo que significa un resultado a quienes deciden es la parte del trabajo que menos toca la automatización en la evidencia de aquí.
Estos puestos premian el conocimiento del dominio y la comunicación por encima de la profundidad técnica, y el sueldo puede ser distinto.
Pregunta a una persona que decide y con la que trabajes cuál de tus resultados recientes cambió una decisión, y por qué.
Preguntas frecuentes#
No, según la evidencia actual. Los agentes de IA pueden escribir buena parte del código de análisis, pero en bancos de pruebas públicos los mejores siguen resolviendo alrededor de un tercio de las tareas realistas de análisis de datos, y son más débiles en el razonamiento causal. Las normas sobre modelos esperan que personas independientes los cuestionen y los auditen, y las proyecciones de EE. UU. prevén que el empleo de científicos de datos crezca. Lo que cambia es la mezcla: menos código escrito a mano, más planteamiento, comprobación y explicación.
No respondemos a eso con un número de años. Hay una señal que puedes vigilar en su lugar: si los agentes de IA empiezan a igualar a las personas en preguntas causales y experimentales en los bancos de pruebas, y si las normas sobre modelos dejan de exigir que una persona independiente los cuestione. Lo primero no es cierto hoy; lo segundo va en sentido contrario a la dirección actual.
En DSBench, un banco de pruebas de 466 tareas de análisis de datos y 74 de modelado de datos tomadas de competiciones reales, el mejor agente resolvió alrededor del 34% de las tareas de análisis; en DA-Code los mejores modelos alcanzaron en torno a un 30,5% de acierto; y en QRData, un banco de pruebas de preguntas estadísticas y causales, el modelo más fuerte llegó al 58%. Los bancos de pruebas envejecen rápido, pero muestran dónde son más fuertes los agentes y dónde les cuesta.
Las proyecciones de EE. UU. prevén que el empleo de científicos de datos crezca un 35 por ciento entre 2025 y 2035, mucho más rápido que la media. El trabajo se desplaza hacia plantear preguntas, diseñar experimentos, validar y auditar modelos y explicar resultados: las partes donde los agentes son más débiles y las normas esperan a una persona.
En qué se apoyan estos juicios#
De los 6 juicios de tarea de esta página, 2 se apoyan en un evento verificado y 4 son inferencia de la plataforma, cada uno etiquetado donde aparece. Detrás hay 2 dimensiones tecnológicas, una trayectoria reconstruida desde que los modelos de lenguaje llegaron al público y 7 eventos verificados.
Ver qué tecnologías, cómo llegó hasta aquí y el método →
Dónde se sitúa en la clasificación oficial: habilidades, conocimientos y trabajos afines →
Otros puestos de la misma función#
Una empresa divide su trabajo en funciones antes de dividirlo en puestos. Estos están en Tecnología y datos junto a este — un hecho sobre los organigramas, no un juicio de que se parezcan ni de que cambien en la misma dirección.
Desarrollador de software júnior · Ingeniero de software con experiencia · Desarrollador frontend · Desarrollador backend · Ingeniero de datos · Ingeniero de aprendizaje automático · Investigador de IA · Tester de software / ingeniero de QA · Analista de datos · Analista de negocio · Responsable de sistemas de negocio · Técnico de soporte informático / mesa de ayuda · Analista de seguridad (SOC) · Ingeniero de DevOps / plataforma / SRE · Ingeniero de redes · Redactor técnico / ingeniero de documentación