El perfil del científico de datos está cambiando de forma silenciosa pero contundente. Ya no se trata tanto de programar algoritmos desde cero como de supervisar sistemas de inteligencia artificial que funcionan de manera semiautónoma dentro de las empresas. Los datos de contratación y salarios de 2025 y 2026 apuntan en la misma dirección: quien sabe integrar modelos en flujos de trabajo reales, mantenerlos bajo control y responder por sus resultados, cobra más que quien simplemente sabe entrenar una red neuronal. Este artículo repasa por qué está ocurriendo este giro, qué tareas concretas ocupan ahora el día a día de estos profesionales y qué implicaciones tiene para quien se plantea especializarse en este campo. El mensaje de fondo es sencillo: la IA generativa ha automatizado buena parte del trabajo técnico rutinario, y lo que queda por hacer es justamente lo que no se puede delegar en una máquina.

De programador de modelos a gestor de sistemas

Durante años, la etiqueta «científico de datos» evocaba a alguien encerrado en un cuaderno de Jupyter, ajustando hiperparámetros y limpiando conjuntos de datos. Esa imagen ya no encaja con lo que piden las ofertas de empleo actuales. Según LinkedIn, la alfabetización en IA y el dominio de los grandes modelos de lenguaje (LLM) figuran entre las competencias que más rápido crecen a nivel mundial, y la consultora Lightcast ha detectado que algo más de la mitad de las vacantes relacionadas con IA ya no pertenecen a departamentos de informática tradicionales, sino que se reparten por áreas de negocio, marketing, finanzas o producto.

El componente económico refuerza la tendencia: los trabajadores con habilidades de IA obtienen una prima salarial cercana al 56%, y las ofertas que exigen estas competencias pagan de media unos 18.000 dólares anuales más en Estados Unidos. Lo llamativo es qué habilidades concretas explican esa prima: ingeniería de prompts, integración de sistemas de recuperación aumentada por generación (RAG), prácticas de MLOps y flujos de gobernanza. Mientras tanto, tareas que antes ocupaban buena parte de la jornada —generar paneles de control, escribir consultas SQL básicas, limpiar tablas o montar visualizaciones sencillas— han quedado prácticamente automatizadas por herramientas generativas. El patrón que dibujan estos informes coincide en un punto: no se paga por saber construir un modelo desde cero, sino por saber conectarlo a un flujo de trabajo real, vigilarlo y hacerse responsable de lo que produce.

Orquestar sistemas multiagente, el nuevo pan de cada día

La señal más clara de este cambio es el crecimiento de la infraestructura multiagente en entornos corporativos. Frameworks como LangGraph, CrewAI o AutoGen ya se encargan de tareas como la ingesta de datos, la ingeniería de variables, la evaluación de modelos o la generación de informes con una intervención humana mínima. Gartner ha registrado un aumento del 1.445% en las consultas relacionadas con sistemas multiagente entre el primer trimestre de 2024 y el segundo de 2025, y estima que para finales de 2026 un 40% de las aplicaciones empresariales incorporarán agentes de IA, frente a menos del 5% en 2025.

Gestionar esta infraestructura implica descomponer tareas complejas en subtareas ejecutables por agentes, diseñar bucles de retroalimentación fiables y levantar barreras de seguridad que detecten fallos antes de que se propaguen por el sistema. Es, en la práctica, un trabajo de diseño de sistemas distribuidos aplicado al software de IA: los agentes se pasan estado entre sí, los reintentos tienen que estar acotados y un solo campo alucinado en una etapa temprana puede contaminar todo lo que viene después. Como explica un análisis reciente sobre las tendencias de IA agéntica, la disciplina se está moviendo hacia flujos de trabajo estructurados con puntos de control humanos, tal y como recoge Machine Learning Mastery en su repaso de las tendencias agénticas para 2026.

El producto que lo está cambiando todo: los frameworks de orquestación multiagente

Si hay un producto que resume mejor este cambio de rol, son precisamente esos frameworks de orquestación multiagente. LangGraph, desarrollado por el equipo de LangChain, permite modelar flujos de trabajo como grafos de estados donde cada nodo representa un agente o una función determinista, lo que facilita introducir puntos de revisión humana en el momento exacto donde el riesgo es mayor. CrewAI apuesta por un enfoque más orientado a roles, en el que distintos agentes especializados colaboran como si fueran un equipo con jerarquía definida, mientras que AutoGen, impulsado por Microsoft, se centra en la conversación entre agentes como mecanismo para resolver tareas complejas de forma iterativa. Estas herramientas comparten un mismo objetivo de fondo: convertir la orquestación de modelos en una disciplina de ingeniería con sus propios patrones, en lugar de dejarla al criterio improvisado de cada equipo. El científico de datos que hoy despliega estos sistemas en producción no compite por escribir el mejor modelo, sino por diseñar la arquitectura de control que impide que un fallo puntual se convierta en un incidente visible para el cliente.

Cerrar la brecha entre el piloto y la producción

El entusiasmo inicial por los agentes totalmente autónomos chocó con la realidad a finales de 2025: resultaban impredecibles, poco eficientes y difíciles de auditar. El sector se decantó entonces por sistemas coordinados, con límites claros, lógica condicional y puntos de verificación humana. Un informe de McKinsey de abril de 2026 constató este desplazamiento de los roles humanos, que pasan de ejecutar tareas a supervisar y orquestar flujos impulsados por agentes.

El problema de escala se aprecia bien en las cifras: cerca de dos tercios de las empresas han probado agentes de IA, pero muy pocas han conseguido llevarlos a producción con un valor tangible, y ocho de cada diez señalan las limitaciones de sus propios datos como el principal obstáculo. Ahí es donde los científicos de datos invierten la mayor parte de su tiempo actualmente. El informe conjunto de MIT Sloan y Boston Consulting Group sobre la empresa agéntica emergente identificó el dilema central: una supervisión excesiva anula las ganancias de eficiencia que aporta la autonomía, mientras que una supervisión insuficiente genera riesgos de cumplimiento normativo y reputación, un equilibrio que exige conocimiento del dominio y contexto institucional, algo que difícilmente se automatiza.

Evaluar modelos, afinar prompts y responder por el sistema

Construir un modelo ha dejado de ser el alcance completo del trabajo. Las empresas necesitan personas que hagan seguimiento continuo del rendimiento, detecten fallos, gestionen ciclos de reentrenamiento y aseguren que el sistema se mantiene preciso a medida que cambian los datos y el comportamiento de los usuarios. MLOps se ha consolidado ya como una especialización a tiempo completo dentro de este ecosistema, con procesos de despliegue, monitorización y control de versiones que exigen un perfil técnico propio.

La ingeniería de prompts ha seguido un recorrido paralelo: gestión de la ventana de contexto, técnicas de anclaje o grounding, reducción de alucinaciones y pruebas sistemáticas de entradas frente a salidas. Los puestos de ingeniería de prompts crecieron un 135,8% en 2025, una cifra que refleja hasta qué punto esta tarea se ha profesionalizado. Quien somete a pruebas de estrés el sistema de prompts de una empresa hace, en la práctica, un trabajo estructuralmente parecido al de ingeniería de calidad: construye arneses de evaluación, suites de regresión y monitores de deriva que sirven para detectar el momento exacto en que un sistema que funcionaba deja de hacerlo, antes de que lo note un cliente.

Gobernanza: cuando la ley entra en el código

La gobernanza de la IA se ha convertido en un requisito técnico concreto, no solo en una cuestión de cumplimiento legal abstracto. El Reglamento europeo de IA, el marco de gestión de riesgos del NIST estadounidense y el listado OWASP Top 10 para aplicaciones basadas en LLM de 2025 han creado una superficie de cumplimiento que obliga a probar los prompts frente a ataques de inyección, validar las salidas, revisar dependencias y aplicar controles de acceso a los sistemas de IA. El puesto de «responsable de gobernanza de IA» apenas existía en 2023 y hoy aparece como título específico en las ofertas de empleo. Este trabajo recae sobre perfiles técnicos, y no exclusivamente sobre los departamentos legales o de seguridad, porque los controles que hay que aplicar son de naturaleza técnica: probar inyecciones de prompts, validar salidas y revisar dependencias exige a alguien capaz de leer el sistema, no solo la normativa.

El caso español y europeo

El mismo giro se aprecia en el mercado laboral español, aunque con matices propios. España creará más de 52.000 puestos directamente relacionados con inteligencia artificial en 2026, y el ritmo de contratación, aunque se ha moderado del 65% al 34% interanual, sigue siendo alto: la IA ya representa cerca de una de cada cinco ofertas del sector tecnológico. Según el informe sobre el sueldo del data scientist en España elaborado por OBS Business School, el salario medio de este perfil se sitúa en torno a los 40.000-41.500 euros brutos anuales a cierre del primer trimestre de 2026, con una dispersión notable que va desde los 28.000 euros de un perfil junior hasta más de 60.000 euros en posiciones con autonomía técnica y experiencia en despliegue de modelos en producción. El sector bancario paga entre un 15% y un 25% por encima de la media, y Madrid ofrece salarios en torno a un 10% superiores al resto del país. En el plano regulatorio, el Reglamento europeo de IA está teniendo un efecto directo sobre las retribuciones: el conocimiento de marcos normativos como este incrementa el valor de los perfiles sénior, precisamente porque son las organizaciones las que asumen la responsabilidad legal derivada del comportamiento de sus sistemas. La lectura de fondo coincide con la tendencia global descrita más arriba: el propio informe apunta a que antes de que acabe el año la automatización de tareas rutinarias mediante IA generativa terminará de desplazar al científico de datos español hacia un papel de supervisor de sistemas inteligentes, más que de constructor de modelos desde cero.

Traducir la precisión del modelo en riesgo de negocio

Una investigación de Monte Carlo de 2025 midió la precisión de los sistemas agénticos entre el 75% y el 90% por cada paso individual, lo que se traduce en una precisión acumulada de apenas un 50% aproximadamente tras una cadena de tres pasos. Con ese nivel de fiabilidad, la persona que entiende el dominio de negocio y los modos de fallo del sistema se convierte en la capa de fiabilidad real del producto: traduce una tasa de error compuesta en una evaluación de riesgo de negocio, decide qué es seguro lanzar y explica qué ha fallado cuando una recomendación automática provoca un problema visible para el cliente. Ningún agente puede asumir ese papel, porque requiere conocimiento institucional y responsabilidad que solo puede sostener una persona. Aquí el trabajo deja de parecerse a la ingeniería pura y empieza a parecerse al criterio de producto: una precisión del 50% de extremo a extremo es inaceptable para un reembolso automático, aceptable para un borrador de correo y algo intermedio para una recomendación interna, y saber distinguir esos matices es precisamente el trabajo que no se abarata a medida que mejoran los modelos.

Reflexiones finales

Lo que se dibuja en estos datos no es la desaparición del científico de datos, sino su reconversión hacia un perfil híbrido entre ingeniero de sistemas, auditor y estratega de producto. Los currículos universitarios tradicionales todavía no reflejan bien esta transición, centrados como están en el entrenamiento de modelos y la estadística clásica, mientras el mercado laboral ya está pidiendo experiencia en supervisión de agentes, arneses de evaluación y revisiones de gobernanza. Para quien construye ahora su portfolio profesional, un cuaderno más de Kaggle probablemente pese menos que un flujo multiagente con fallos documentados o una revisión de gobernanza de un sistema existente. La transformación no elimina la necesidad de conocimientos técnicos profundos, simplemente los redirige hacia el control, la fiabilidad y la rendición de cuentas de sistemas que, cada vez más, actúan por sí solos.