El rol del analista de datos cambió más en los últimos dos años que en la década anterior. La inteligencia artificial automatizó buena parte de las tareas mecánicas —limpieza, reportes repetitivos, primeras consultas— y elevó el listón de lo que se espera del rol. Este artículo explica qué se automatizó, qué habilidades nuevas se piden y qué permanece profundamente humano.

La confusión abunda porque la evolución del rol no está bien documentada en español. Muchas personas todavía imaginan al analista como alguien que arma tablas dinámicas en Excel, cuando el trabajo real hoy combina SQL sobre grandes volúmenes, Python, herramientas de IA y, sobre todo, criterio de negocio.

Qué tareas automatizó la IA

La IA no reemplazó al analista: reemplazó las partes tediosas de su trabajo. Lo que antes llevaba horas ahora se resuelve en minutos.

• Limpieza de datos: detectar valores nulos, duplicados e inconsistencias con asistentes que sugieren y ejecutan transformaciones.

• Generación de consultas: herramientas como el asistente de BigQuery o Copilot escriben SQL a partir de una descripción en lenguaje natural.

• Reportes recurrentes: dashboards que se actualizan solos y resúmenes ejecutivos generados automáticamente.

• Exploración inicial: primeras estadísticas descriptivas y detección de patrones evidentes.

Según el Future of Jobs Report del World Economic Forum, los roles vinculados a datos e IA están entre los de mayor crecimiento proyectado, justamente porque la automatización eleva el valor del análisis en lugar de eliminarlo.

Qué habilidades nuevas se requieren

Python más allá de lo básico

Ya no alcanza con saber pandas para armar un gráfico. Se valora poder escribir scripts reutilizables, conectar APIs y automatizar pipelines. Python sigue siendo el lenguaje central del análisis moderno.

SQL sobre la nube (BigQuery, Snowflake)

El volumen de datos superó a Excel hace rato. Consultar warehouses en la nube como BigQuery es hoy una habilidad de base, no un extra. Si querés ver cómo se trabaja en la práctica, esta guía completa de BigQuery para analistas de datos lo muestra en detalle.

Prompting para análisis

Saber pedirle a la IA lo correcto —una consulta, una explicación de un resultado, una hipótesis alternativa— se volvió una habilidad diferencial. El analista que domina el prompting produce más y mejor.

Qué sigue siendo humano

Acá está el corazón del rol y lo que ninguna herramienta reemplaza:

• Interpretación: entender qué significa un número en el contexto del negocio, no solo calcularlo.

• Hacer las preguntas correctas: la IA responde bien, pero no sabe qué vale la pena preguntar.

• Storytelling de datos: convertir un análisis en una decisión que otros entiendan y adopten.

• Criterio ético y de calidad: detectar sesgos, cuestionar fuentes y evitar conclusiones apuradas.

El analista que prospera no es el que compite con la IA, sino el que la usa para dedicar más tiempo a lo que la máquina no puede hacer. Si estás dando tus primeros pasos, te va a interesar saber qué se aprende en los primeros seis meses como analista de datos.

Curso recomendado de Coderhouse

Para desarrollar este perfil actualizado, en Coderhouse hay una ruta clara. El Curso de Data Analytics te da las bases del análisis moderno. El Curso de Python te aporta el lenguaje central para automatizar y analizar. Y si buscás una formación integral con salida laboral, la Carrera de Data Analytics combina SQL, visualización y las herramientas de IA que hoy pide el mercado.

Preguntas frecuentes

¿La IA va a reemplazar a los analistas de datos?

No. Automatiza las tareas mecánicas (limpieza, reportes, consultas básicas) pero eleva el valor de la interpretación, el criterio de negocio y el storytelling, que siguen siendo humanos.

¿Qué habilidades necesita hoy un analista de datos?

Python más allá de lo básico, SQL sobre warehouses en la nube como BigQuery, prompting para análisis y, sobre todo, capacidad de interpretar resultados y comunicarlos para la toma de decisiones.

¿Sigue sirviendo Excel para analizar datos?

Sí, para análisis puntuales y de bajo volumen. Pero para el trabajo profesional actual, el volumen de datos exige SQL y herramientas en la nube; Excel quedó como complemento, no como herramienta central.

¿Cómo empiezo a trabajar como analista de datos?

Aprendé los fundamentos del análisis, dominá SQL y Python, practicá con datasets reales y armá un portafolio de proyectos. Una formación estructurada acelera mucho el camino hasta el primer empleo.