Una solicitud que antes le tomaba una tarde a un analista (extraer los datos, armar la gráfica, escribir unas líneas sobre lo que cambió) hoy la puede bosquejar la IA en el tiempo que toma describirla. Copilot en Power BI genera borradores de páginas de reporte y de cálculos, los asistentes escriben una primera versión de los comentarios sobre las variaciones, y la dirección cada vez más le hace sus preguntas a un asistente en lugar de enviarlas al equipo de analítica.
Es tentador concluir que los analistas importan menos. Es al revés, pero el trabajo cambia. Producir un primer borrador, la parte del trabajo que la IA hace bien, nunca fue donde estaba la mayor parte del valor. Las partes que no puede hacer, como saber qué significa una cifra, juzgar si una respuesta es correcta y conectarla con una decisión, se vuelven el trabajo. Los líderes que ven la IA solo como una forma de reducir el equipo suelen descubrir que los borradores salen más rápido y las decisiones no mejoran.
Lo que la IA le quita al analista de encima
Los primeros borradores son lo primero que sale: gráficas estándar, consultas rutinarias, comentarios que repiten lo que una gráfica ya muestra y la documentación que nadie tenía tiempo de escribir. También buena parte de la producción mensual de reportes, y las preguntas sencillas que antes llegaban por correo y esperaban en una fila.
Los borradores todavía hay que revisarlos, y ese es el punto. Un analista que pasaba la mayor parte de la semana construyendo ahora dedica más tiempo a revisar, corregir y decidir qué merece atención. Un borrador que parece terminado es fácil de aceptar; revisar una respuesta plausible exige más disciplina que producirla, y esa disciplina es hoy el centro del trabajo. El tiempo liberado solo vale si se reasigna de forma deliberada; de lo contrario, se llena con más solicitudes del mismo tipo, entregadas más rápido.
De construir reportes a cuidar las definiciones
Cuando la IA responde preguntas a partir del modelo semántico, la capa que contiene las medidas y reglas de negocio detrás de cada reporte, las definiciones de ese modelo se vuelven el producto. Alguien tiene que decidir qué cuenta como cliente activo, qué fecha sigue una reservación y por qué un margen está certificado y los demás no, y luego dejarlo escrito en nombres y descripciones que un asistente pueda usar.
Ese alguien es el analista. Cuidar las definiciones significa acordar el significado de cada medida con finanzas, ventas y operaciones, mantener al día las descripciones y los sinónimos, retirar duplicados y notar cuando el negocio cambia más rápido que el modelo. Es un trabajo más discreto que construir tableros, y de él depende que cada respuesta de la IA en la organización sea correcta. Suele empezar con un glosario: los términos que la dirección realmente usa, cada uno con un responsable, una definición y la medida que lo calcula.
De responder preguntas a probar respuestas
A medida que la dirección consulta directamente a los asistentes, el analista pasa de responder cada pregunta a asegurarse de que el asistente responda bien. Eso implica mantener un conjunto de preguntas reales con respuestas conocidas, ejecutarlo cada vez que cambie el modelo o el asistente e investigar cada falla.
Investigar es una habilidad en sí misma. Una respuesta equivocada puede venir de los datos, de una definición que falta o es ambigua, de una relación que permite dos caminos o de las instrucciones que se le dieron al asistente. Encontrar la causa y corregirla de raíz en lugar de parchar el síntoma es el nuevo control de calidad del analista. Con el tiempo, el patrón de fallas muestra dónde es más débil el modelo y qué preguntas sigue haciendo la dirección sin que nada las responda todavía.
De las gráficas a las decisiones
El trabajo más valioso se acerca a la decisión. Antes de cualquier análisis, el analista ayuda a la dirección a enmarcar la elección: qué se está decidiendo, qué opciones son realistas y qué evidencia cambiaría el resultado. Después, explica las disyuntivas, como precio contra volumen, servicio contra inventario o crecimiento contra margen, y dice con franqueza lo que los datos no pueden decir.
La IA es buena para describir lo que pasó. Es mucho menos confiable para juzgar qué importa, qué es ruido y qué debería hacer un directivo la próxima semana. Ese juicio, basado en el conocimiento del negocio, es lo que la dirección más valora y lo que el analista está en mejor posición de aportar. Una prueba sencilla del nuevo rol: después de una junta, ¿puede el analista decir qué decisión se tomó y qué evidencia la inclinó?
Las habilidades que hay que desarrollar
El perfil de un buen analista cambia en consecuencia. Estas son las habilidades en las que vale la pena invertir:
- Conocimiento del negocio y de finanzas: saber cómo gana dinero la organización y cómo se conecta cada medida con los estados financieros.
- Modelado y definiciones: diseñar modelos semánticos sencillos, bien descritos y seguros para que los lea la IA.
- Evaluación: escribir preguntas de prueba, contrastar las respuestas con las cifras certificadas y rastrear los errores hasta su causa.
- Redacción para máquinas y para personas: descripciones claras, instrucciones precisas para los asistentes y comentarios breves y sencillos para la dirección.
- Facilitación: conducir las conversaciones en las que las áreas se ponen de acuerdo sobre una definición o una decisión.
La profundidad técnica sigue importando, pero ya no basta por sí sola. Los analistas que prosperan la combinan con el juicio y la comunicación que la IA no puede aportar. Al contratar, busque curiosidad por el negocio tanto como habilidad técnica; las herramientas se enseñan más rápido que el instinto.
Cómo se reorganizan los equipos
Los equipos que se adaptan bien suelen hacer los mismos movimientos. Separan la operación del cambio: mantener los reportes disponibles, resolver incidentes y atender solicitudes rutinarias se convierte en un servicio con niveles de servicio claros, a cargo de un equipo de plataforma o de un socio de analítica administrada. Integran a los analistas en los dominios de negocio como socios de decisión y no como constructores de reportes. Y mantienen un grupo central responsable de los modelos semánticos, las definiciones y los estándares de los que depende cada asistente.
La operación gestionada como servicio tiende a volverse más confiable y más visible, y libera a los analistas para el trabajo de mayor valor. Mida a los analistas por las decisiones que respaldan y las respuestas confiables, no por los reportes entregados. Las trayectorias profesionales tienen que acompañar el cambio: si los ascensos siguen premiando la cantidad de tableros construidos, los mejores analistas seguirán construyendo tableros.
En conclusión
La IA no elimina la necesidad de analistas. Elimina la excusa para que dediquen su tiempo a los primeros borradores. Las organizaciones que orienten a sus analistas hacia las definiciones, las pruebas y las decisiones, y que reconstruyan sus equipos en torno a ese trabajo, obtendrán más de la IA y más de su gente. Las que simplemente pidan al mismo equipo producir más y más rápido obtendrán más reportes y no mejores decisiones. El cambio no ocurrirá solo: necesita líderes que pidan a sus analistas criterio, no solo volumen.