Garage Eight: cómo la IA cambia el trabajo de los analistas y por qué desaparecen los puestos junior

Vladimir Syropyatov, analista de Garage Eight, ha descrito seis tendencias de IA que ya están cambiando el trabajo diario con datos. Su tesis principal es contundente: las redes neuronales no eliminan la profesión, pero devalúan rápidamente la rutina y elevan el listón de entrada.

A quién reemplazará la IA

Según el autor, los analistas junior son quienes más sienten la presión de la IA. Lo que hasta hace poco se consideraba un trabajo inicial normal - consultas ad hoc, dashboards sencillos, borradores de informes, depuración básica de SQL y Python - ahora se resuelve cada vez más en minutos con un modelo. Por eso las empresas siguen contratando analistas, pero buscan cada vez menos ejecutores de tareas rutinarias y cada vez más especialistas capaces de dar al modelo el contexto adecuado, comprobar el resultado y vincularlo con una decisión de negocio. La fórmula del autor es simple: un mid-level con IA sustituye a varios junior a la vez.

• desaparecen los puestos junior típicos basados en la rutina;
• los gerentes resuelven por sí mismos parte de las preguntas analíticas mediante IA;
• las formulaciones vagas dejan paso a prompts y especificaciones claras;
• la formación pasa de la sintaxis a la lógica, la validación y el trabajo con LLM;
• crece la demanda de roles híbridos entre analítica, conocimiento del dominio e IA.

El autor ve un efecto aparte en la redistribución del valor. Las herramientas de IA baratas dan a las pymes acceso a capacidades que antes solo tenían los grandes equipos con recursos analíticos propios. En este esquema, el analista no hace falta como alguien que simplemente «saca las cifras», sino como arquitecto de soluciones: explica las limitaciones de los datos, reúne el contexto, verifica el resultado del modelo y se responsabiliza de que una respuesta rápida de la máquina no acabe convertida en un error de negocio costoso.

La práctica de Garage Eight

Para mostrar que no se trata de pura teoría, Garage Eight describe varios casos internos. Para trabajar con datos sensibles, el equipo prueba modelos locales, entre ellos DeepSeek-R1 14B, de modo que gerentes y analistas puedan obtener sugerencias de SQL y analizar las causas de la caída de la conversión sin riesgo de fuga. Según el autor, en este escenario la velocidad para obtener insights se multiplicó por 32, y los empleados entienden mejor el origen de las propias métricas, porque empezaron a trabajar con ellas directamente y no solo a través de una cola de solicitudes a los analistas.

Otros tres usos resultan igual de pragmáticos: la IA resume reuniones, revisa el código antes de publicarlo y ayuda a preparar borradores de informes y presentaciones. El artículo afirma que la validación con IA acelera la detección de errores de 3 a 5 veces y reduce un 70% los bugs en producción, y que la preparación de informes baja de unas tres horas a una. Dentro de la empresa esto ya se ha convertido en un conjunto de buenas prácticas: pasar el código por un LLM local y revisar las presentaciones con IA antes de mostrarlas a la audiencia.

«La IA no reemplazará a los analistas.

Pero los analistas que usan IA reemplazarán a los que no la usan».

Cómo prepararse ahora

De estas observaciones el autor extrae dos conclusiones prácticas. Para los directivos, el consejo es sencillo: no esperar al momento perfecto, sino dividir los procesos en partes e implantar la IA por etapas. En paralelo, hay que formar al equipo, ponerse de acuerdo con seguridad y compliance, y crear un entorno donde se pueda probar una hipótesis rápidamente en lugar de pasar semanas aprobando un piloto. En Garage Eight ya miran hacia la priorización automática de tareas, los asistentes personales de IA, los mentores de IA para novatos y la búsqueda periódica de hipótesis no evidentes en los datos.

Para los propios analistas el plan también está claro. Hay que dominar las herramientas ya, pero no al nivel de «pulsé un botón - obtuve una respuesta», sino al de la verificación crítica, el pensamiento de producto y la comunicación. Cuanta más rutina asume el modelo, más valiosas se vuelven las habilidades de explicar lo complejo con palabras sencillas, ver el proceso detrás de las cifras y saber dónde se puede confiar en la IA y dónde hay que volver a comprobar con rigor 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.

Qué significa

El artículo de Garage Eight refleja bien un cambio que ya se ve en muchos equipos de datos: la IA no anula la analítica, la desplaza hacia arriba en la cadena de valor. Ganarán los especialistas que sepan combinar la velocidad del modelo con su propio conocimiento del negocio, los datos y los riesgos. Perderán quienes sigan vendiendo al mercado solo rutina manual, que la red neuronal ya ha aprendido a hacer más rápido, más barato y casi sin cola de ejecución.