El punto de partida no es una hoja en blanco
Buena parte de lo que se escribe sobre este tema da por hecho que un Data Scientist debe reinventarse por completo. No es exacto ni útil. La profesión existe, sigue existiendo, y nadie está obligado a dejarla. Este artículo es para quienes quieren acercarse a los roles de IA aplicada o GenAI y saber qué se traslada, qué falta y hacia qué trayectoria orientarse.
Lo importante es que no hay una única transición. «Ir hacia la IA» abarca al menos tres direcciones muy distintas, que no exigen los mismos aprendizajes ni llevan a las mismas entrevistas. Elegir la dirección antes que los aprendizajes ahorra varios meses.
Lo que se traslada, y suele infravalorarse
Las competencias siguientes no son secundarias: los perfiles que vienen del desarrollo de software suelen carecer de ellas y son difíciles de adquirir sobre la marcha.
- Razonamiento estadístico: saber que una diferencia observada puede ser solo un efecto de muestra, y estimar qué merece concluirse.
- Cultura de experimentación: formular una hipótesis, definir la medida antes de mirar el resultado, distinguir un efecto de una coincidencia.
- Comprensión de los datos: de dónde vienen, cómo se producen, qué falta, qué está sesgado y por qué una columna no significa lo que sugiere su nombre.
- Diseño de métricas: elegir qué se mide, ver qué no dice una métrica y detectar los casos en que optimizarla degrada el servicio.
- Validación: conjuntos de prueba limpios, ausencia de fugas de datos, comparación con una referencia simple, desconfianza ante un resultado demasiado bueno.
- Comunicación de resultados: explicar la incertidumbre a quien debe decidir, sin ocultarla y sin convertirla en negativa a concluir.
- Python, según el perfil: base real en unos, más limitada en otros — los notebooks y el código de producción no piden las mismas prácticas.
En los sistemas GenAI esta base rinde de inmediato. La pregunta central de esos proyectos — ¿cómo sabemos que este sistema funciona y con qué evidencia lo afirmamos? — es una pregunta de evaluación. Muchos equipos construyen sistemas convincentes en demostración sin nadie capaz de plantearla correctamente.
No todos los Data Scientists reúnen todo lo anterior: los perfiles varían mucho entre análisis, modelización, ingeniería de datos y trabajo cercano al producto. El primer paso es un inventario honesto, sin adoptar el perfil medio de una descripción de puesto.
Las diferencias según la trayectoria elegida
Lo que falta no es lo mismo en cada caso. Estas son tres trayectorias habituales, descritas por lo que exigen de más, no por su supuesto prestigio.
Hacia ML Engineer
El acento pasa del resultado analítico al sistema que funciona. Lo central: escribir código pensado para que otros lo lean, prueben y mantengan; exponer un modelo tras una interfaz estable; gestionar versiones y dependencias; sostener restricciones de rendimiento y coste; saber qué pasa cuando el servicio cae. La dificultad casi nunca es matemática, es de software y de operación.
Hacia AI / GenAI Engineer
El modelo suele ser externo y casi todo el trabajo está alrededor: construir una cadena de recuperación, decidir qué recibe el modelo, acotar las salidas, medir la calidad con series de casos, instrumentar, arbitrar coste y latencia. El reflejo de evaluación se traslada directamente; lo que falta es sobre todo ingeniería de software y explotación, más una comprensión fina de los comportamientos propios de los modelos generativos.
Hacia un rol AI Product o transversal
Aquí el acento se desplaza al encuadre: qué problema merece resolverse, qué puede y qué no puede garantizar una solución basada en un modelo, cómo definir un nivel de calidad aceptable con los usuarios, cómo arbitrar entre valor, riesgo y coste, y cómo explicar un límite a personas no técnicas. La competencia de comunicación y métricas es una ventaja notable; lo que falta pertenece a la conducción de producto, la relación con las partes implicadas y la decisión bajo incertidumbre.
Las tres no están jerarquizadas. Responden a gustos distintos: construir sistemas duraderos, resolver problemas abiertos con modelos, o decidir qué hay que construir.
Transición difusa
«Soy Data Scientist y quiero pasarme a la IA.» La persona hace una formación general sobre LLM, repite un proyecto de demostración visto cientos de veces, añade una lista de herramientas al CV y se presenta a títulos variados. Las entrevistas evalúan expectativas distintas según el puesto, sin que sepa cuáles le aplican. La experiencia en estadística y validación que sí tiene, y que se busca, no aparece por ninguna parte en su candidatura.
Transición encuadrada
La misma persona elige una dirección — por ejemplo AI Engineer en sistemas de búsqueda documental — porque encaja con lo que le gusta hacer. Inventaría lo que ya domina: evaluación, diseño de conjuntos de prueba, análisis de errores. Identifica dos carencias precisas: código apto para producción y explotación de un servicio. Construye una sola prueba sobre un caso real que sabe defender en detalle, y su candidatura destaca algo que pocos candidatos saben hacer: decir si un sistema funciona y con qué fundamento.
La diferencia no está en el volumen de aprendizaje, sino en haber elegido una dirección antes de formarse y en haber capitalizado lo existente en vez de empezar de cero.
Un método en cuatro tiempos
El objetivo es pasar del «debería aprender muchas cosas» a una trayectoria y una primera prueba.
- 1
Inventariar lo que ya sabes hacer
paso 1Escribe lo que has entregado de verdad: qué problemas, qué datos, qué decisiones, qué resultados, cuánto código, cuánta exposición a producción. Distingue lo que hiciste en solitario de lo que hiciste en equipo. Este inventario es también la materia prima de tu CV y de tu presentación en entrevista.
- 2
Identificar las carencias frente a una dirección, no en abstracto
paso 2Toma varias ofertas de la dirección elegida y anota lo que se repite. Separa lo realmente exigido de la lista decorativa de herramientas. Normalmente quedan dos o tres carencias estructurales, no quince.
- 3
Elegir una trayectoria coherente con lo que te gusta
paso 3Sistema, problema abierto o decisión de producto. Un criterio útil: en tus proyectos pasados, ¿qué parte te interesó más y cuál soportaste? Una transición sostenible se elige con ese criterio, no por el título más visible del momento.
- 4
Construir una sola prueba, defendible en profundidad
paso 4Un caso real, preferiblemente dentro de tu trabajo actual: un asistente de búsqueda interna, la evaluación de una herramienta existente, la industrialización de un modelo que vivía en un notebook. Un caso que puedas describir en detalle — problema, restricciones, decisiones, qué falló — vale más que tres proyectos de demostración estándar.
El camino más corto suele pasar por tu empresa actual
La transición más sólida ocurre a menudo sin cambiar de empresa. Ya conoces los datos, los usuarios y las restricciones, que es justo lo que le falta a un candidato externo. Hacerte cargo de la parte de evaluación de un proyecto GenAI existente, o industrializar un modelo detenido en prototipo, produce experiencia real y no un proyecto personal.
Ese paso intermedio tiene otra ventaja: te dice si la dirección te conviene antes de comprometer una búsqueda de empleo. Algunas personas descubren entonces que prefieren seguir en problemas de análisis y modelización, y esa conclusión es un resultado, no un fracaso.
Presentar la transición sin infravalorarse
Dos errores simétricos. El primero es presentarse como principiante, borrando una experiencia que tiene valor. El segundo es reclamar una experiencia de producción que no se tiene, algo que aflora en la segunda pregunta técnica.
La formulación que funciona conecta lo existente con el objetivo: lo que sabes hacer desde hace años, lo que has construido recientemente en la dirección elegida y lo que estás adquiriendo. Nombrar lo que aún te falta, junto con la forma en que lo estás cubriendo, se lee como lucidez mucho más que como debilidad.
Preparar la transición, punto por punto
Para hacer antes de apuntarse a una formación o de presentar candidaturas.
- He escrito el inventario de lo que entregué de verdad, no de lo que tuve cerca.
- He elegido una dirección: sistema, problema abierto o decisión de producto.
- He anotado los requisitos recurrentes en varias ofertas de esa dirección.
- He separado dos o tres carencias estructurales del resto, que es decorativo.
- He identificado una ocasión en mi puesto actual para trabajar en esa dirección.
- Estoy construyendo una sola prueba que sabré defender en detalle.
- Mi CV destaca la evaluación y la validación, no solo una lista de herramientas.
- Sé decir qué me falta todavía y cómo lo estoy cubriendo.
Para recordar
- La profesión de Data Scientist no desaparece y nadie está obligado a dejarla.
- «Ir hacia la IA» abarca al menos tres trayectorias muy distintas: confundirlas cuesta meses.
- Estadística, experimentación, métricas y validación se trasladan directamente, y suelen faltar en los equipos GenAI.
- Hacia ML Engineer la brecha es de software y operación; hacia GenAI, software más comportamiento de los modelos; hacia producto, encuadre y decisión.
- Una sola prueba defendible en profundidad vale más que varios proyectos de demostración.
- La transición más sólida suele empezar en la empresa actual.
- Trayectoria
- Evaluación
- AI Engineering