Garage Eight: cómo AI está cambiando el trabajo de los analistas y por qué están desapareciendo los puestos junior

El analista de Garage Eight Vladimir Syropiatov describió seis tendencias de IA que ya están cambiando el trabajo diario con datos. Su tesis principal suena dura: las redes neuronales no eliminan la profesión, pero rápidamente desvalorizan la rutina y elevan la barrera de entrada.

A quién reemplazará la IA

Según el autor, los analistas junior sienten la mayor presión de la IA. Lo que hace poco se consideraba trabajo normal de entrada—solicitudes ad hoc, dashboards simples, informes en borrador, depuración básica de SQL y Python—ahora frecuentemente se realiza en minutos con ayuda de un modelo. Las empresas siguen contratando analistas, pero cada vez menos buscan ejecutores de tareas rutinarias y cada vez más especialistas que sepan dar al modelo el contexto correcto, verificar el resultado y conectarlo a la decisión de negocio. La fórmula que propone el autor es simple: un analista mid-level con IA reemplaza varios juniors.

• desaparecen posiciones típicas junior atadas a la rutina;
• los gerentes cierran ellos mismos parte de las cuestiones analíticas a través de IA;
• las formulaciones vagas ceden lugar a prompts claros y especificaciones;
• la capacitación se desplaza de la sintaxis a la lógica, validación y trabajo con LLM;
• crece la demanda de roles híbridos en la intersección de análisis, dominio e IA.

El autor ve un efecto separado en la redistribución de valor. Las herramientas de IA baratas dan a las pequeñas y medianas empresas acceso a capacidades que antes eran solo de grandes equipos con recursos analíticos dedicados. En este escenario, el analista es necesario no como alguien que simplemente "extrae números", sino como arquitecto de soluciones: explicando limitaciones de datos, reuniendo contexto, verificando el resultado del modelo y asegurando que una respuesta rápida de la máquina no se convierta en un costoso error de negocio.

Garage Eight en la práctica

Para demostrar que no es solo teoría, Garage Eight describe varios casos internos. Para trabajar con datos sensibles, el equipo prueba modelos locales, incluido DeepSeek-R1 14B, para que gerentes y analistas puedan obtener sugerencias SQL y analizar causas de caída de conversión sin riesgo de fuga. Según el autor, en este escenario, la velocidad de obtención de insights aumentó 32 veces, y los empleados entendieron mejor el origen de las propias métricas porque comenzaron a trabajar con ellas directamente, en lugar de solo a través de colas de solicitudes a analistas.

Tres aplicaciones más lucen igualmente pragmáticas: la IA extrae resúmenes de reuniones, valida código antes del despliegue y ayuda a compilar borradores de informes y presentaciones. El artículo afirma que la validación por IA acelera la búsqueda de errores 3–5 veces y reduce bugs en producción en 70%, mientras que la preparación de informes cae de aproximadamente tres horas a una. Dentro de la empresa, esto ya se ha formalizado en un conjunto de buenas prácticas: ejecutar código a través de un LLM local y revisar presentaciones junto con IA antes de mostrarlas a la audiencia.

"La IA no reemplazará a los analistas.

Pero los analistas que usan IA reemplazarán a quienes no la usan."

Cómo prepararse ahora

De estas observaciones, el autor extrae dos conclusiones prácticas. Para gerentes, el consejo es simple: no esperar el momento perfecto, sino descomponer procesos en partes e implementar IA gradualmente. En paralelo, hay que capacitar al equipo, negociar con seguridad y compliance y crear un entorno donde se pueda probar rápidamente una hipótesis, en lugar de pasar semanas alineando un piloto. En Garage Eight ya miran hacia la priorización automática de tareas, asistentes de IA personales, mentores de IA para principiantes y búsquedas regulares de hipótesis no obvias en los datos.

Para los propios analistas, el plan también es claro. Aprender herramientas debe comenzar ya, pero no al nivel de "pulsa botón—obtén respuesta", sino al nivel de verificación crítica, pensamiento de producto y comunicación. Cuanta más rutina asume un modelo, más valiosas se vuelven las habilidades de explicar cosas complejas con palabras simples, ver el proceso detrás de los números y entender dónde confiar en IA y dónde hay que revalidar duramente su resultado. De lo contrario, el especialista corre el riesgo de competir no con un colega, sino con una capa automatizada barata y muy rápida.

Lo que esto significa

El artículo de Garage Eight captura bien el desplazamiento ya visible en muchos data teams: la IA no cancela el análisis, sino que lo mueve hacia arriba en la cadena de valor. Ganará quien sepa combinar la velocidad del modelo con su propio entendimiento de negocio, datos y riesgos. Perderá quien siga vendiendo al mercado solo rutina manual que las redes neuronales ya han aprendido a hacer más rápido, más barato y sin casi cola de ejecución.