¿Para qué aprender ciencia de datos si la IA ya lo hace?
Hace unos años, cuando las calculadoras se volvieron de uso masivo, algunos se preguntaron: “¿para qué aprender a multiplicar?”. Más tarde, con la llegada de traductores en tiempo real como Google Translate, la pregunta fue: “¿para qué aprender inglés?”. Hoy, con la eclosión de los modelos de lenguaje y herramientas de autocompletado de código, la pregunta del millón en nuestra disciplina es inevitable: ¿para qué aprender ciencia de datos cuando puedo programar por “vibras” (vibe coding)?
¿Tiene sentido seguir estudiando estadística y algoritmos si una máquina puede escupir líneas de código funcional en segundos?
La respuesta corta es sí. Y la respuesta de fondo reside en la diferencia fundamental entre ejecutar una tarea y asumir la responsabilidad de su resultado.
Trabajar con Inteligencia Artificial hoy en día es notablemente similar a supervisar a un practicante extremadamente inteligente, rápido y motivado, pero que carece por completo de criterio sobre el negocio. El practicante puede programar un modelo predictivo en minutos, pero si sus datos de entrenamiento están sesgados, el resultado será desastroso.
Uno de los problemas más invisibles de la IA es que hereda las malas prácticas del material con el que fue entrenada. Como gran parte de su conocimiento proviene de repositorios públicos como GitHub, la IA no discrimina el código excelente del mediocre. Es muy común, por ejemplo, que al pedirle una visualización de datos, la IA te sugiera un gráfico de sectores (pie chart). Cualquier científico de datos con formación básica sabe que los gráficos de sectores son, salvo contadas excepciones, una mala práctica de visualización porque el ojo humano es pésimo comparando ángulos. Sin embargo, para un usuario no técnico, el gráfico se ve “bonito”.
Si dejas que la IA tome las decisiones por ti, terminarás haciendo vibe coding: código que se siente bien, que compila, pero cuya lógica interna es una caja negra que no controlas.
Aquí es donde entra la fórmula del riesgo y la toma de decisiones. Supongamos que la probabilidad de que la IA cometa un error crítico en una visualización o modelo es $P(E)$. Si no posees el conocimiento para auditar ese resultado, la probabilidad de que el error llegue al cliente o al directorio es exactamente la misma. En cambio, con supervisión experta, la probabilidad de error conjunto se reduce drásticamente:
$$P(\text{Error final}) = P(E) \times P(\text{Fallo de supervisión})$$Al final del día, si presentas un reporte errado al directorio o a un cliente importante, no puedes excusarte diciendo “es que la IA se equivocó”. A los ojos del regulador, de tus clientes y de la ley, solo las personas naturales y jurídicas son sujetos de derechos y obligaciones. La responsabilidad legal y profesional no se delega.
¿Qué tiene un científico de datos humano que la IA nunca tendrá? Responsabilidad. La IA te da velocidad y volumen; el humano aporta el criterio, la ética y la responsabilidad del impacto de las decisiones basadas en esos datos.
Conclusión: ¿Criterio Profesional o Ejecución Automatizada?
La IA generativa y el vibe coding representan un salto sin precedentes en la productividad. Sin embargo, no debemos confundir la velocidad de compilación con la solidez analítica. Para los líderes de tecnología y analítica de datos, el verdadero desafío no reside en escribir el código, sino en diseñar la arquitectura del modelo, auditar sus sesgos y, sobre todo, asumir la responsabilidad por el impacto de sus predicciones.
Al final, programar es solo una parte de la ecuación. La ciencia de datos sigue siendo una disciplina guiada por el criterio humano, la comprensión del negocio y la ética. La IA es una excelente herramienta para acelerar el viaje, pero el piloto —y quien responde ante cualquier turbulencia— sigue siendo el profesional.
¿Quieres profundizar en cómo la inteligencia artificial está redefiniendo el análisis de datos y la gestión de riesgos?
Periódicamente analizo el impacto de los modelos cuantitativos, la ciencia de datos y la tecnología en la toma de decisiones estratégicas. Te invito a seguirme en LinkedIn así como revisar mi página web para que puedas seguir leyendo posts similares a este.
