Cada vez que un modelo genera una consulta, un gráfico o un dashboard en segundos, dicen que muere un unicornio en algún departamento de Business Intelligence.
La conclusión parece razonable. Si una IA puede cruzar tablas, escribir SQL, detectar anomalías y redactar un resumen ejecutivo, ¿qué queda para el humano?
Una parte del trabajo analítico sí será automatizada. Preparar datos, repetir consultas y producir informes recurrentes será cada vez más rápido y barato.
Pero eso no elimina la necesidad de análisis. Cambia el lugar donde reside su valor.
Durante años, obtener una respuesta exigía días de limpieza, consultas y visualización. Hoy los LLMs escriben código, generan gráficos y son capaces de resumir grandes volúmenes de información en segundos.
Sin embargo, las decisiones mal planteadas no han desaparecido.
Podemos producir más análisis que nunca y seguir sin saber qué hacer con ellos. Podemos llenar una pantalla de indicadores sin entender cuál anticipa un problema. Podemos obtener una respuesta impecable a una pregunta irrelevante.
La escasez ya no está solo en producir información, sino en determinar cuál merece atención.
Cassie Kozyrkov antes de la llegada de los famosos LLMs, en su artículo de 2018 en HBR, ya distinguía tres oficios que suelen agruparse bajo la etiqueta de ciencia de datos.
El especialista en machine learning busca rendimiento. El estadístico aporta rigor para comprobar hipótesis. El analista explora, detecta patrones y ayuda a descubrir qué preguntas merecen una investigación más profunda.
El buen analista no es una versión menor de los otros dos. Su valor está en encontrar hipótesis y, a medida que conoce el negocio, distinguir lo interesante de lo importante.
La IA generativa no invalida esa distinción. La hace más visible.
Cuando obtener una respuesta era difícil, confundíamos el esfuerzo técnico necesario para producirla con el valor del análisis. Ahora descubrimos que una respuesta puede ser técnicamente brillante y estratégicamente inútil.
Los LLM también pueden hacer preguntas
Sería tranquilizador afirmar que la máquina ofrece respuestas mientras el ser humano conserva el monopolio de las preguntas. Pero ya no es verdad.
Un LLM puede proponer hipótesis, segmentaciones y nuevas líneas de análisis. La diferencia no está en producir una pregunta, sino en saber por qué importa.
El modelo conoce los datos y el contexto que le proporcionamos. No necesariamente conoce la conversación con el cliente que amenaza con marcharse, el incentivo que distorsionó una métrica o la definición discutible escondida detrás de un KPI.
Podemos darle más contexto, pero alguien debe decidir qué objetivos perseguir, qué restricciones respetar y qué consecuencias estamos dispuestos a aceptar.
Un LLM puede sugerir una decisión. No responde por ella.
De productor de informes a arquitecto de decisiones
El verdadero riesgo es utilizar la IA para multiplicar el mismo trabajo de poco valor que ya hacíamos antes.
Cien dashboards automáticos no son necesariamente mejores que diez elaborados a mano. Pueden ser cien formas distintas de evitar la conversación importante.
El analista que gana relevancia utiliza la IA para reducir el trabajo mecánico y se concentra en cuatro tareas:
Definir qué decisión debe mejorar el análisis.
Cuestionar si la métrica solicitada representa el problema.
Separar hechos, hipótesis e interpretaciones.
Traducir los resultados en alternativas, riesgos y próximos pasos.
Su trabajo no termina al publicar un gráfico, sino cuando alguien puede decidir mejor gracias a él.
La IA eleva el listón
Los LLM harán menos valioso al analista cuya aportación se limita a recuperar cifras, mantener informes y ejecutar encargos sin discutirlos. Muchas de esas tareas se automatizarán o pasarán directamente a los usuarios de negocio.
Al mismo tiempo, aumentará el valor de quien combina conocimiento del dominio, curiosidad, pensamiento crítico y capacidad de comunicación.
La IA no protege automáticamente la profesión. Eleva el listón.
Por eso también deberíamos cambiar la forma de medir el trabajo analítico. En lugar de contar informes y dashboards, convendría preguntar:
¿Qué decisiones mejoraron?
¿Qué supuestos fueron cuestionados?
¿Qué errores se evitaron?
¿Qué incertidumbre relevante se redujo?
El futuro del analista no consiste en competir con una máquina para fabricar gráficos más rápido. Consiste en evitar que la organización confunda la abundancia de respuestas con la claridad.
Cuando cualquiera puede generar un dashboard, el recurso escaso ya no es la información. Es el criterio para decidir qué significa y qué hacer después.
La pregunta no es si tu organización seguirá necesitando analistas.
Es si seguirá necesitándolos para lo mismo.
🌍 El Eco del Mercado
🤗 Nvidia acuerda comprar Hugging Face por cerca de 13.000 millones de dólares. La operación ya es oficial y situaría una de las principales plataformas de distribución de modelos abiertos bajo el control del fabricante de chips. El acuerdo todavía no supone el cierre de la compra y abre interrogantes sobre la futura neutralidad tecnológica de la plataforma.
🧭 Manus recupera su independencia tras fracasar su venta a Meta. La startup vuelve a operar en solitario después de que Pekín bloqueara la adquisición de unos 2.000 millones de dólares acordada con Meta. El equipo fundador seguirá al frente de la compañía, redefinida como un laboratorio independiente dedicado a desarrollar agentes capaces de integrarse en flujos de trabajo y ejecutar tareas complejas.
🔓 IFM publica seis modelos abiertos con sus datos y código de entrenamiento. El instituto de Abu Dabi presenta K2 Horizon, acompañado de métodos y puntos de control intermedios. La iniciativa permite examinar cómo se han construido los modelos y facilita que terceros intenten reproducir sus resultados.
🧾 Microsoft reorganiza sus segmentos financieros y desglosará los ingresos de Azure. La compañía anuncia dos nuevas divisiones para presentar sus cuentas: «Agents and Infra» y «Devices and Consumer». Los cambios comenzarán con los resultados de octubre e incluirán la publicación trimestral de los ingresos de Azure.
🏛️ Defensa mantiene a Anthropic como riesgo para su cadena de suministro. El subsecretario estadounidense Emil Michael reafirma esa consideración, en contraste con el mensaje conciliador del secretario de Comercio. La declaración evidencia discrepancias dentro de la Administración, aunque no constituye una nueva prohibición.
🇨🇳 China lanza un plan quinquenal para impulsar a sus pymes tecnológicas. Diez organismos presentan una hoja de ruta con financiación temprana y atención a sectores como robótica, tecnología cuántica e interfaces cerebro-ordenador. El objetivo incluye alcanzar 22.000 empresas especializadas de la categoría «pequeños gigantes» en 2030.
🤖 Nscale compromete 3.500 millones de dólares en capacidad de cálculo para Figure. El acuerdo plurianual proporcionará infraestructura para el desarrollo de los robots de Figure. El despliegue inicial de GPU está previsto para el segundo semestre de 2027: la cifra corresponde a recursos de computación comprometidos, no a una aportación de efectivo.
❄️ Snowflake eleva su previsión anual tras crecer un 37 % en ingresos de producto. La compañía aumenta su previsión de esta partida hasta los 6.070 millones de dólares, frente a los 5.840 millones anteriores. Los resultados reflejan una mayor demanda de su plataforma de datos, aunque no permiten atribuir todo el crecimiento a la inteligencia artificial.
🏠 DJI presenta Romo 2 con un futuro modo local para proteger las imágenes del hogar. La compañía anuncia una función que impedirá sincronizar imágenes con internet, prevista para el cuarto trimestre. La propuesta incorpora la privacidad como argumento de venta, aunque queda por comprobar qué prestaciones seguirán dependiendo de la nube.
💬 Meta cambia Google Chat por Slack pensando en sus agentes de IA. La compañía considera que la arquitectura conversacional, las integraciones y las herramientas para desarrolladores de Slack ofrecen un entorno más adecuado para desplegar agentes internamente. La decisión anticipa una nueva batalla por convertirse en el lugar donde trabajan las personas y también sus agentes.
⚖️ Los grandes bancos exigen que los bufetes compartan el ahorro generado por la IA. Goldman Sachs, Morgan Stanley y Citi presionan a sus despachos jurídicos para reducir tarifas o adoptar nuevos modelos de pago, argumentando que la IA acelera tareas rutinarias. El debate sobre productividad empieza a desplazarse hacia una cuestión más incómoda: quién se queda con el valor de producir el mismo trabajo a menor coste.
🇨🇳 El capital internacional vuelve a buscar oportunidades en la IA china. HSBC, UBS y Nomura han reunido esta semana en Shenzhen a miles de inversores y ejecutivos, con la inteligencia artificial, la robótica y la infraestructura tecnológica como protagonistas. Pese a la rivalidad entre China y Estados Unidos, el dinero continúa buscando dónde surgirá la próxima plataforma de crecimiento.
🔦 La valenciana iPronics capta 125 millones de dólares con Nvidia entre sus inversores. La startup desarrolla conmutadores ópticos destinados a conectar cientos de miles de chips dentro de los centros de datos de IA. La ronda sitúa al ecosistema español en una capa poco visible, pero estratégica, de la infraestructura que sostiene el crecimiento de la inteligencia artificial.
Déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto también puede ser una buena opción.
Si algo de lo que has leído te ha removido, dímelo.
Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.
Que nunca te falten ideas, ni ganas de probarlas.
A.
P. D. — Herramientas para fabricar significado. Si las respuestas son cada vez más baratas, quizá tenga sentido invertir en aquello que ayuda a formular mejores preguntas.
Tres libros para entrenar esa capacidad:
El Arte de las Estadística, de David Spiegelhalter, para comprender qué pueden decirnos los datos y dónde empiezan sus límites.
Thinking in Bets, de Annie Duke, para aprender a decidir cuando no tenemos toda la información.
Storytelling con Datos, de Cole Nussbaumer Knaflic, para convertir un análisis complejo en una historia que otros puedan entender y utilizar.
Y una herramienta menos solemne: el ULANZI TC001, un reloj de píxeles para el escritorio que muestra información y dispone de temporizador Pomodoro. No va a formular la pregunta correcta por ti, pero puede ayudarte a reservar tiempo para pensarla antes de abrir otro dashboard.
Porque el criterio también necesita método, referencias y unos minutos sin interrupciones.