El big data y la inteligencia artificial: nuevos roles e impacto en los trabajos

Según el World Economic Forum, las diez capacidades profesionales más importantes para 2025 se agrupan en cuatro tipologías: la resolución de problemas (cinco capacidades), la tecnología (dos), la autogestión (dos) y el trabajo en equipo (una). Entre las diez capacidades esenciales para trabajar en 2025, por tanto, parece que la resolución de problemas será (es) esencial en los trabajos y no únicamente para expertos o técnicos como científicos de datos o especialistas en inteligencia artificial.

 

Podemos resumir el proceso de resolución de problemas de forma muy sencilla en entender el problema (obtener información), asegurarse de que se tienen todos los datos, analizarlos y tomar una decisión o iniciar el proceso de resolución. Este proceso es análogo al usado en los proyectos de big data e IA en las empresas, donde el proceso habitual para convertir los datos en valor se puede dividir en cuatro fases: captación, enriquecimiento, procesado y activación.

 

• La captación de datos consiste en registrar y almacenar todos los datos posibles de sensores, páginas web, llamadas telefónicas o cualquiera de las fuentes de información donde la empresa esté presente. Aunque esta parece una fase eminentemente tecnológica, en el departamento de marketing hay que preguntarse qué datos podrían captarse y para qué servirían.

 

• El enriquecimiento consiste en cruzar datos de diferentes fuentes con el fin de obtener una visión global. Son necesarios datos de calidad y criterios para poder unir datos. Esa fase vuelve a ser tecnológica y de proceso, pues se necesita un correcto gobierno del dato.

 

• La fase de procesado corresponde al análisis o la creación de un modelo. Para esta fase se necesitan también recursos tecnológicos y talento en forma de científicos de datos, por ejemplo.

 

• La fase de activación consiste en dar valor a los datos tomando una decisión o automatizando un proceso.

 

El potencial del big data y la IA en las empresas

Podemos entender el big data como la disciplina que aúna tecnologías para las fases de captación y enriquecimiento; son disciplinas muy técnicas que solucionan los pasos de recogida de información, almacenamiento y primer procesado. Aquí aparecen roles como ingeniero de datos o arquitecto de datos, entre otros perfiles relacionados con la tecnología.

 

Centrándonos en las fases de procesado y activación, donde buscamos extraer conocimiento y conclusiones de los datos, encontramos algunas aplicaciones de la inteligencia artificial. De manera simplificada, la IA nos permite ejecutar diversas acciones a través del machine learning o aprendizaje automático como predecir un número (¿cuánto voy a vender?), clasificar un elemento en diversas categorías (¿este email irá a spam o no?, ¿esta imagen es de un tipo o de otro?), segmentar o clusterizar (¿cómo identifico grupos de clientes, productos…?), identificar patrones (¿cómo se comportan mis mejores clientes?) y optimizar (¿cómo consigo mejores resultados con el mismo presupuesto?, ¿cómo ahorro costes logísticos…?). En estas fases aparecen los especialistas en IA y los científicos de datos como responsables de la creación de modelos para explotar los datos. Los científicos de datos, una de las profesiones más demandadas en la actualidad, aúnan capacidades técnicas para programar, capacidades estadístico-matemáticas para entender los modelos estadísticos que se van a emplear, capacidades empresariales para saber el caso de uso que hay que resolver y capacidades comunicativas para hacer inteligibles los procesos utilizados y los resultados a quienes toman las decisiones.

 

Retos del big data y la inteligencia artificial en las empresas

Identificamos el big data y la inteligencia artificial como claves para la competitividad; por tanto, las empresas deben contar con los recursos necesarios para lanzar iniciativas de big data e IA. Sin embargo, los proyectos de big data y de IA fracasan en un alto porcentaje (el 65% en España) y como razones de ese fracaso se alegan la falta de los datos correctos y del talento necesario, no generar valor con el proyecto, no responder a la pregunta de negocio correcta, aplicar un proceso erróneo o tener en la empresa una cultura reacia al uso de big data.

 

Revisando estos factores, se pone de manifiesto que, además de los recursos técnicos (tecnología y especialistas), se necesita trabajar en otras capacidades (procesos, preguntas y cultura) y es aquí donde se debe explotar otra disciplina en las empresas que está relacionada con la estrategia, el gobierno y la monetización del dato. El CDO, chief data officer, es el encargado de este ámbito y define la estrategia de datos coordinando las necesidades empresariales con los recursos tecnológicos, encontrando casos de uso que aporten retorno y monetización de los datos, además de trabajar en los procesos de gobierno del dato y en la cultura de la empresa para hacerla data-driven.

 

Hasta aquí se han visto roles directamente relacionados con los procesos de datos (ingenieros, arquitectos, científicos de datos, especialistas en IA, CDO…) a los que se les pueden unir otros especialistas en ciberseguridad o protección de datos (CISO o chief information security officer, DPO o delegado de protección de datos, etc.), pero ¿qué sucede con otros roles? ¿cómo quedarán impactados?

 

Si nos planteamos por qué la cultura empresarial aparece cómo el principal factor de fracaso de las iniciativas de big data e inteligencia artificial, podríamos concluir que una vez que la empresa adquiere las capacidades técnicas (tecnología, análisis) y que el vínculo entre los datos y la empresa es correcto, las barreras las encontramos en las personas, que son la esencia de la cultura de la empresa. Salvo los especialistas, los perfiles de negocio no hemos sido educados en el uso de datos y por tanto tenemos carencias en saber y entender cómo sacarles provecho y activarlos. La inteligencia artificial nos ayuda a trabajar con datos, crear modelos predictivos o segmentar, pero si no entendemos cómo funciona o dónde aplicarla, será difícil explotarla. No se trata de que todos sepamos diseñar o usar técnicas de inteligencia artificial, pero sí debemos entender qué es un algoritmo, dónde podemos aplicarlo y cómo funciona a alto nivel.

 

De alguna forma, aparte de la formación que hay que impartir, se necesita hacer accesibles los procesos de big data e IA a los perfiles no técnicos. De igual forma que podemos redactar un informe sin saber cómo hacer una consulta de base datos o usamos fórmulas en soluciones ofimáticas sin saber cómo están programadas, sería ideal que en casi cualquier puesto de trabajo todos pudiéramos aprovechar modelos y técnicas de inteligencia artificial que nos ayuden en nuestra toma de decisiones sin ser técnicos. En este punto encontramos las soluciones de autoML, pensadas para simplificar las tareas repetitivas o monótonas de los científicos de datos: limpieza de datos, revisión de indicadores, entrenar un modelo de machine learning, publicar el resultado y pasarlo a producción. Sin embargo, el mayor potencial de las soluciones de autoML es poner al alcance de todos la tecnología IA: un empleado puede entrenar un modelo de machine learning, obtener resultados y ponerlos en producción sin ser técnico. El riesgo es hacerlo sin las bases necesarias de conocimiento.

 

En resumen, si queremos aprovechar todo el potencial del big data y la inteligencia artificial en una empresa, necesitamos capacidades técnicas (tecnología, talento analítico…), de procesos (gobierno del dato) y dotar a los empleados de la empresa de las capacidades que les permitan trabajar con los datos con confianza. Parte de estas capacidades podrán darse en el futuro con soluciones de autoML igual que hace décadas aparecieron las hojas de cálculo.

 

En la última edición del MWC23, en la colaboración de ESIC con la Mobile World Capital, hicimos un taller sobre big data e inteligencia artificial para personas interesadas en adentrarse profesionalmente en estos temas. Durante la sesión se explicaron los conceptos básicos de big data, inteligencia artificial, machine learning o ciencia de datos; se habló de las oportunidades laborales y de los frenos para adoptar el big data y la IA en las empresas, la relación con los conceptos de sostenibilidad, seguridad y ética, etc., y se hicieron prácticas con soluciones de autoML como BigML, DataRobot o Google Teachable Machine creando e implementando modelos de IA sin programar.

 

Queda mucho camino por recorrer, se necesita mucha formación y gestión del cambio, pero la presencia de aplicaciones de IA en los puestos de trabajo de forma similar a como se implantaron las soluciones ofimáticas en su momento parece una evolución casi inevitable.

 

Os recomendamos que no dejéis de actualizaros en las últimas tendencias y adquiráis los conocimientos adecuados sobre big data e inteligencia artificial. Os invito a que miréis detenidamente el Máster en Big Data y Business Analytics [MBDA].