Del copiloto al colega
En febrero de 2023, la primera edición de este libro describía a las herramientas de IA con una analogía de vuelo: siendo nosotros los pilotos, el asistente oficiaba de copiloto. Sugería la próxima línea de código, respondía preguntas, proponía correcciones. El capítulo cerraba con una advertencia: la responsabilidad de definir, pensar y anticipar errores aún recae en la habilidad humana (al menos por ahora). Ese texto se conserva intacto en el anexo Copilotos y bots conversacionales.
Desde entonces, el copiloto dejó de limitarse a sugerir. Las herramientas actuales pueden recibir un objetivo, dividirlo en pasos, escribir y ejecutar código, leer los resultados y volver a intentar cuando algo falla, hasta entregar un análisis completo con tablas, gráficos y conclusiones redactadas. En la jerga se las suele llamar agentes. La analogía del vuelo, entonces, se queda corta: más que un copiloto que asiste en la cabina, se parece a un colega al que se le puede encargar una tarea entera.
Este capítulo abre la parte nueva del libro con una pregunta sencilla: si una herramienta puede recorrer buena parte del proceso de análisis por su cuenta, ¿qué cambia en el trabajo de quien analiza datos? La respuesta corta es que cambia mucho la forma, pero no el fondo.
Qué puede hacer hoy una herramienta de IA en un análisis
Conviene repasar las etapas del proceso de analítica de datos mencionado en Conceptos y definiciones e identificar dónde intervienen estas herramientas:
- Planteo de la pregunta. Pueden ayudar a reformular una inquietud vaga en preguntas concretas, sugerir variables a considerar o señalar información que falta.
- Obtención y manipulación de los datos. Escriben consultas en SQL, código para unir, limpiar y transformar tablas, y explican lo que hace cada paso. Es decir, gran parte de lo visto en Manipulación de datos.
- Análisis exploratorio. Calculan medidas de posición y dispersión, arman tablas de frecuencias y proponen visualizaciones, como en Descripción de variables y Visualización de datos.
- Análisis inferencial y modelos. Sugieren qué prueba estadística o qué modelo aplicar, lo implementan y reportan los resultados.
- Comunicación. Redactan informes, resúmenes ejecutivos y presentaciones adaptadas a distintos públicos.
Lo notable no es que cada tarea por separado sea posible (muchas ya lo eran con librerías y plantillas), sino que una misma herramienta puede encadenarlas a partir de una instrucción en lenguaje natural.
Lo que sigue siendo del analista
Sin embargo, varias de las cuestiones que la primera edición señalaba como base de todo análisis no se resuelven con mayor capacidad de cómputo.
La definición de la unidad de análisis y de las variables, por ejemplo, depende del problema que se quiere resolver y del conocimiento del dominio. Una herramienta puede proponer una definición, pero no sabe, salvo que se le diga, qué entiende esa organización por "cliente activo" o qué período tiene sentido comparar. Lo mismo ocurre con los supuestos: saber si una muestra es representativa, si una variable puede considerarse aleatoria o si los grupos que se comparan son realmente comparables exige conocer cómo se generaron los datos, algo que rara vez está escrito en la tabla.
También sigue siendo propia del analista la lectura crítica de los resultados. Una conclusión puede estar correctamente calculada y, aun así, ser irrelevante o engañosa para la decisión que se quiere tomar. Y, sobre todo, sigue siendo propia la responsabilidad: quien firma el informe o recomienda una acción responde por ella, independientemente de qué herramienta haya hecho los cálculos. En ese sentido, el "al menos por ahora" del capítulo de 2023 puede leerse hoy de otra manera: no es una cuestión de capacidad técnica, sino de quién rinde cuentas.
Un desempeño desparejo
Una característica de estas herramientas que conviene tener muy presente es que su desempeño es desparejo. Pueden resolver con soltura una tarea que a una persona le llevaría horas y, en la misma conversación, equivocarse en algo aparentemente trivial, como un conteo, una fecha o el nombre de una columna. Además, se equivocan con el mismo tono de seguridad con el que aciertan.
De ahí se desprende una consecuencia práctica: no alcanza con saber qué puede hacer una herramienta en general, hay que saber cuánto confiar en ella para una tarea en particular. Esa confianza no se presupone, se mide; el capítulo Verificar lo que dice la máquina retoma esta cuestión con las herramientas de la estadística inferencial.
Cómo trabajar con un colega artificial
Algunas prácticas, más cercanas al sentido común que a una técnica, ayudan a aprovechar estas herramientas sin perder el control del análisis:
- Dar contexto. Cuanto más clara sea la descripción del problema, de los datos y de las definiciones, mejores serán los resultados. Un encargo vago produce un análisis genérico.
- Pedir el camino, no solo la respuesta. Solicitar el código, la consulta o el razonamiento que llevó a cada resultado permite revisarlo y, llegado el caso, corregirlo.
- Revisar por partes. Es más fácil detectar un error en un paso intermedio (un filtro, una unión entre tablas) que en el informe final.
- Conservar el rastro. Las instrucciones, el código generado y las versiones de los datos forman parte del análisis. Las propiedades deseables mencionadas en Entorno de trabajo (transparencia, replicabilidad, interoperabilidad y escalabilidad) aplican igual o más cuando parte del trabajo lo hizo una herramienta.
- Desconfiar de lo conveniente. Un resultado que confirma exactamente lo que se esperaba merece una segunda mirada, haya sido calculado por una persona o por una máquina.
Recapitulando
La llegada de herramientas capaces de recorrer un análisis completo no vuelve obsoletos los fundamentos: los vuelve más necesarios. Para encargar bien una tarea hay que saber en qué consiste; para revisar un resultado hay que entender cómo se obtuvo; para decidir cuánto confiar en él hay que saber medir la incertidumbre. Los capítulos que siguen recorren, uno por uno, los puntos donde la práctica del análisis de datos cambia con estas herramientas, siempre conectados con los temas de la primera edición.
Para profundizar
- Building effective agents. Anthropic. Una descripción clara de qué se entiende por agente y de los patrones más comunes para construirlos.
- AI Index. Stanford Institute for Human-Centered Artificial Intelligence. Informe anual sobre el estado de la inteligencia artificial.
- People + AI Guidebook. Google PAIR. Guía para diseñar productos en los que personas y sistemas de IA trabajan juntos.
- Attention Is All You Need. Vaswani et al., 2017. El paper que introdujo la arquitectura Transformer, ya citado en la primera edición.