¿El científico de datos sigue siendo el trabajo más sexy del siglo XXI?
H
ace diez años publicamos el artículo “Data Scientist: The Sexiest Job of the 21st Century”. La mayoría de los lectores ocasionales probablemente solo recuerden el modificador “más sexy”, un comentario sobre la demanda de la posición en el mercado.
Hoy en día, el trabajo tiene más demanda que nunca. El U.S. Bureau of Labor Statistics predice que la ciencia de datos experimentará más crecimiento que casi cualquier otro campo entre ahora y 2029.
Sin embargo, el trabajo ha cambiado durante la última década, en formas grandes y pequeñas:
Mejor institucionalizados
En 2012, la ciencia de datos era una función incipiente. Hoy en día está bien establecido, al menos en firmas con una gran apuesta por los datos y la inteligencia artificial. Los bancos, las compañías de seguros, los minoristas, los proveedores de atención médica y las agencias gubernamentales tienen importantes grupos de ciencia de datos. La ciencia de datos también ha sido eficaz para abordar crisis sociales, contar y predecir casos y muertes por COVID-19, abordar desastres meteorológicos e incluso combatir la desinformación y los ataques cibernéticos relacionados con la invasión de Ucrania.
Los científicos de datos en relación con otros roles
La suposición en 2012 era que los científicos de datos podrían realizar todas las tareas requeridas en una aplicación de ciencia de datos: conceptualizar el caso de uso, interactuar con las partes interesadas del negocio y la tecnología, desarrollar el algoritmo e implementarlo en producción. Ahora, sin embargo, ha habido una proliferación de trabajos relacionados con el manejo de muchas de esas tareas, incluido el ingeniero de aprendizaje automático, el ingeniero de datos, el especialista en inteligencia artificial, los traductores de análisis e inteligencia artificial y los gerentes de productos orientados a datos. LinkedIn informó que algunos de estos trabajos son más populares que los científicos de datos, de acuerdo con sus informes “Jobs on the Rise” del 2021 y 2022, para los Estados Unidos.
Cambios en la tecnología
Algunos aspectos de la ciencia de datos están cada vez más automatizados, lo que puede mejorar la productividad de los profesionales de la ciencia de datos y abrir la posibilidad de “científicos de datos ciudadanos” con solo alguna capacitación cuantitativa.
También hay un nuevo énfasis en monitorear la precisión de los modelos después del despliegue. Las herramientas de operaciones de aprendizaje automático (o “MLOps”) brindan un monitoreo continuo de los modelos; el reentrenamiento automatizado de modelos desviados apenas comienza a emplearse. Algunas herramientas de AutoML y MLOps incluso hacen pruebas de sesgo algorítmico.
Estos desarrollos significan que la codificación, que quizás era el requisito laboral más común hace una década, es menos esencial en la ciencia de datos.
La ética de la ciencia de datos
La necesidad de una dimensión ética en el campo es ahora ampliamente reconocida, aunque el tema rara vez se mencionó en 2012. Se ha prestado una atención considerable a las cuestiones del sesgo algorítmico, la transparencia y el uso responsable de la analítica y la IA.
Parece poco probable que disminuya la cantidad de datos, análisis e inteligencia artificial en los negocios y la sociedad, por lo que el trabajo del científico de datos seguirá creciendo en importancia. También seguirá cambiando.
Esperamos ver una diferenciación continua de responsabilidades y roles que alguna vez cayeron en la categoría de científico de datos. Las empresas necesitarán procesos detallados de clasificación y certificación de habilidades para estos diversos trabajos, y deben asegurarse de que todos los roles necesarios estén presentes en proyectos de ciencia de datos a gran escala. Los científicos de datos profesionales se centrarán en la innovación algorítmica, pero también deberán ser responsables de garantizar que los aficionados no se desborden. Lo más importante es que los científicos de datos deben contribuir a la recopilación adecuada de datos, el análisis responsable, los modelos completamente implementados y los resultados comerciales exitosos.
© 2025 Harvard Business School Publishing Corp. | De: hbr.org | Distribuido por: The New York Times Syndicate.
Artículo en inglés
Ten years ago we published the article “Data Scientist: The Sexiest Job of the 21st Century.” Most casual readers probably remember only the “sexiest” modifier — a comment on the position’s demand in the marketplace.
Today, the job is more in demand than ever. The U.S. Bureau of Labor Statistics predicts data science will see more growth than almost any other field between now and 2029.
But the job has changed over the past decade — in both large and small ways:
BETTER INSTITUTIONALIZED
In 2012, data science was a nascent function. Today it is quite well established, at least in firms with a major commitment to data and artificial intelligence. Banks, insurance companies, retailers, health care providers and government agencies have substantial data science groups. Data science has also been effective in addressing societal crises, counting and predicting COVID-19 cases and deaths, helping to address weather disasters, and even fighting misinformation and cyber hacks related to the Ukraine invasion.
DATA SCIENTISTS IN RELATION TO OTHER ROLES
The assumption in 2012 was that data scientists could do all required tasks in a data science application — conceptualizing the use case, interfacing with business and technology stakeholders, developing the algorithm and deploying it into production. Now, however, there has been a proliferation of related jobs to handle many of those tasks, including machine learning engineer, data engineer, AI specialist, analytics and AI translators, and data-oriented product managers. LinkedIn reported some of these jobs as being more popular than data scientists in its “Jobs on the Rise” reports for 2021 and 2022 for the U.S.
CHANGES IN TECHNOLOGY
Some aspects of data science are increasingly automated, which can both improve the productivity of data science professionals and open up the possibility of “citizen data scientists” with only some quantitative training.
There is also a new emphasis on monitoring the accuracy of models after deployment. Machine learning operations (or “MLOps”) tools provide ongoing monitoring of models; automated retraining of drifted models is just beginning to be employed. Some AutoML and MLOps tools even test for algorithmic bias.
These developments mean that coding, which was perhaps the single most common job requirement a decade ago, is somewhat less essential in data science.
THE ETHICS OF DATA SCIENCE
The need for an ethical dimension to the field is now widely acknowledged, though the topic was rarely mentioned in 2012. Considerable attention has been devoted to issues of algorithmic bias, transparency and responsible use of analytics and AI.
The amount of data, analytics and AI in business and society seem unlikely to decline, so the job of data scientist will only continue to grow in importance. It will also continue to change.
We expect to see continued differentiation of responsibilities and roles that all once fell under the data scientist category. Companies will need detailed skill classification and certification processes for these diverse jobs, and must ensure that all of the needed roles are present on large-scale data science projects. Professional data scientists themselves will focus on algorithmic innovation, but will also need to be responsible for ensuring that amateurs don’t get in over their heads. Most importantly, data scientists must contribute toward appropriate collection of data, responsible analysis, fully deployed models and successful business outcomes.
La IA generativa podría solucionar las evaluaciones de desempeño (o empeorarlas aún más)
La IA puede alejar las evaluaciones de desempeño de las narrativas laborales y acercarlas a evidencia directa del trabajo en la práctica.
Es difícil utilizar la IA en equipo. Estas 3 prácticas pueden ayudar
He aquí tres prácticas que pueden ayudar a desarrollar la «química humano-IA en los equipos» a medida que evoluciona el lugar de trabajo.
¿Cuáles son los problemas de su empresa en materia de IA?
El “Ethical Nightmare Challenge” (ENC) es un marco de trabajo que puede integrarse con programas existentes de gestión de riesgos de IA.
