¿Sustituirá la IA generativa a los analistas de datos?

Limitaciones de la IA generativa

La IA generativa no puede realizar el trabajo matizado de los analistas. El análisis de datos requiere la síntesis de conocimientos visuales, numéricos y tácitos, que los analistas no pueden transmitir únicamente a través del texto. Los datos de entrenamiento que utilizan los modelos de IA generativa limitan el texto que pueden generar. La IAGen no puede analizar datos brutos ni producir visualizaciones originales, y cualquier conocimiento que proporcione procede de patrones lingüísticos en los datos de entrenamiento.

Otro problema de los modelos de IA generativa es la precisión. Sin supervisión humana, los resultados textuales de la IA pueden contener lagunas lógicas, perspectivas sesgadas y errores factuales heredados de los datos de entrenamiento. La precisión depende de la calidad y la diversidad de los datos de entrenamiento; unos datos de entrenamiento sesgados o imprecisos provocan que los conjuntos de datos sean sesgados o imprecisos.

Los modelos de inteligencia artificial tienen dificultades para adaptarse al mundo real: entrenar o reentrenar un modelo requiere mucha potencia de cálculo, tiempo y dinero. A medida que el mundo cambia, el modelo de IA se queda atrás hasta que se vuelve a entrenar. Dependiendo de la última vez que se reentrenó un modelo, podría llevar varios meses de retraso con respecto a los datos, lo que daría lugar a una brecha de conocimiento potencialmente significativa.

Los modelos de IA generativa también carecen de las habilidades de pensamiento crítico y de la perspicacia para cuestionar la validez o relevancia de su material de origen, lo cual es una habilidad esencial para un analista de datos. Un componente esencial de la alfabetización informática es comprobar la calidad de los datos e identificar posibles sesgos.

Debido a sus limitaciones, la IAGen no sustituye a los analistas humanos. En cambio, los modelos son una herramienta para ayudar a los analistas a generar texto, identificar patrones y explorar datos. Con supervisión humana, los modelos de IA generativa pueden ser una ventaja. Sin la participación humana, la mayoría de las veces producen resúmenes repetitivos y formulistas de los conocimientos existentes.

Cómo los analistas de datos pueden utilizar la IA

Predecir acontecimientos futuros es casi imposible, pero es seguro decir que las limitaciones de la IA no se resolverán hasta dentro de algún tiempo. Aun así, los científicos y analistas de datos humanos pueden utilizar la IA como un valioso asistente en su trabajo ahora mismo.

La IA generativa puede sugerir código para extraer, limpiar y analizar datos, lo que ayuda a automatizar algunas tareas repetitivas. Carece de la comprensión profunda del contexto, los objetivos empresariales y las interdependencias que se requieren para diseñar arquitecturas de código complejas, escalables y mantenibles. Pero la IA puede ayudar a un analista que necesite trabajar en varios idiomas o con diversas arquitecturas a generar código útil para una revisión rápida.

Dada la información adecuada, la IA también puede proponer estructuras de datos, como tablas, especialmente para esquemas analíticos, como estrellas y copos de nieve. Aunque la IA puede identificar patrones en los datos y sugerir tablas, la tarea de definir estructuras de datos eficientes y eficaces sigue necesitando la intervención humana. La IA suele tener dificultades para “acertar” a la primera, porque no tiene la misma comprensión de los datos que un analista humano.

Los analistas humanos también se equivocan a menudo en la primera iteración, pero parten de una comprensión más rica del problema. Puede que sea demasiado trabajo describir los detalles necesarios al programa de IA, pero el analista humano puede utilizar lo que sabe y encontrar otros posibles casos de uso.

Un uso interesante de la IA es recomendar métodos analíticos. Los analistas aún deben validar la idoneidad de un método sugerido para el problema, tener en cuenta las necesidades de la empresa, las limitaciones de los datos y posiblemente incluso las limitaciones presupuestarias de computación y almacenamiento.

Por ejemplo, supongamos que un sistema de IA analiza los datos de compra de un cliente para aumentar las ventas. Analiza conjuntos de datos masivos e identifica un patrón: los clientes que compran una computadora portátil suelen comprar también un ratón inalámbrico. Por lo tanto, la IA recomienda agrupar los productos en una oferta promocional para aumentar las ventas.

El analista de datos humano, con su experiencia y conocimientos empresariales específicos, puede complementar la información generada por la IA. Sabe que la portátil tiene un margen de beneficio alto y el ratón, uno bajo. Un paquete podría aumentar las ventas, pero podría reducir el beneficio global. Podrían sugerir un ajuste de la estrategia de la IA: en lugar de un paquete, ofrecer el ratón con descuento, quizá con un cupón, sólo después de que el cliente haya comprado un portátil. La propuesta mantiene la rentabilidad de la portátil y las ventas totales podrían seguir aumentando debido a la percepción del trato.

El analista humano también puede aportar contexto sobre las limitaciones de la cadena de suministro, las tendencias estacionales o las próximas campañas de marketing que la IA podría desconocer. Con la nueva información, los analistas pueden volver a preguntar a la IA si tiene más recomendaciones o recomendaciones similares.

¿Sustituirá la IA a los analistas de datos?

La IA puede mejorar, más que sustituir, el papel de los analistas de datos. Utilizar la IA para automatizar tareas rutinarias permite a los analistas dedicar más tiempo al trabajo estratégico, por ejemplo. Pero la IA no es responsable de sus propios errores: la responsabilidad y la culpa siguen recayendo en los humanos.

El juicio humano, junto con una buena dosis de escepticismo y perspicacia empresarial, siguen siendo activos indispensables que la IA no puede sustituir. Los analistas inteligentes pueden utilizar la IA como una herramienta para aumentar sus capacidades, en lugar de percibirla como una amenaza para sus funciones.

En la actualidad, la IA puede automatizar tareas repetitivas, proporcionar información sobre grandes conjuntos de datos, ayudar a redactar informes iniciales, escribir fragmentos de código y proponer posibles rutas de análisis. A medida que la IA avanza, el sector puede esperar una asistencia más sofisticada en el análisis de datos. La IA puede sugerir posibles fuentes de datos, generar datos de prueba eficaces o impulsar decisiones operativas y tácticas.

Aunque la IA generativa reduzca el número de analistas necesarios en una organización determinada, el papel clave del analista humano sigue siendo el mismo. Su conocimiento del contexto específico, su capacidad para aplicar el pensamiento crítico y su profunda comprensión de las necesidades humanas permanecen, incluso con los nuevos avances. El papel del analista humano no está obsoleto; es más esencial para garantizar que su organización aprovecha el potencial de la IA generativa de forma eficaz y responsable.

Donald Farmer es un estratega de datos con más de 30 años de experiencia, entre otros como jefe de equipo de productos en Microsoft y Qlik. Asesora a clientes de todo el mundo sobre datos, análisis, IA y estrategia de innovación, con experiencia en gigantes tecnológicos y nuevas empresas. Vive en una casa experimental en un bosque cerca de Seattle.