El ritmo de adopción de la Inteligencia Artificial se ha incrementado de manera constante durante la última década, convirtiéndose en una de las tendencias de transformación tecnológicas prioritarias para cualquier tipo de organización.
Estudios recientes[1] calculan un crecimiento del 50% durante los últimos años, donde un 75% de las empresas están en proceso de implantar algún tipo de solución basada en IA. Analizando los estudios de tendencias tecnológicas nos encontramos repetidamente con iniciativas y tecnologías orientadas a la industrialización de la Inteligencia Artificial, tomando la forma de soluciones verticalizadas y adaptadas a los casos de todo tipo de industrias.
Este fenómeno ha fomentado la creación de una gran cantidad de empresas especializadas en servicios en torno a la IA, pero al mismo tiempo ha evidenciado la necesidad de que todas las organizaciones integren dentro de sus equipos talento especializado para gestionar y desarrollar este tipo de proyectos, generando una brecha de talento y nuevas necesidades formativas.
Según otros estudios[2], más del 80% de los proyectos que involucran a la Inteligencia Artificial están abocados a fracasar, identificando los retos en la gestión y cohesión de equipos y roles como el cuarto problema más acuciante, por detrás de los principales desafíos tecnológicos.
Identificar y gestionar correctamente los perfiles necesarios es fundamental para alcanzar el éxito en proyectos de IA es un reto para el que la industria todavía no tiene una respuesta definitiva y para el que recibimos nuevas propuestas ambiciosas cada poco tiempo.
¿Qué roles están involucrados en proyectos de IA?
Cuando hablamos de perfiles expertos en Inteligencia Artificial es inevitable pensar en los roles mejor definidos que han creado una necesidad en el mercado de talento durante las últimas décadas.
Perfiles especializados en analítica, especialmente los enfocados en Ciencia de Datos, han supuesto la primera línea de la estrategia de demanda y generación de talento en empresas y universidades. Sin embargo, si analizamos el mercado laboral encontraremos una gran variabilidad de roles y habilidades que se identifican con este perfil, incluso llegando al extremo de definir una extensión casi inabordable para un único profesional, más parecida a un departamento entero.
Si nos remontamos a los orígenes de la conversación podemos encontrar referencias como las de Hal Varian en 2008, Chief Economist de Google, en las que vaticinaba que los expertos en estadística serían los profesionales más demandados en las próximas décadas. No fue hasta unos años después cuando D.J. Patil refundara el título de experto en estadística y matemáticas dentro de un concepto más glamuroso “Data Scientist”, probablemente con el objeto de diferenciar y justificar la valía de un grupo selecto de profesionales capaces de ejecutar los proyectos de analítica más complejos.
En los orígenes de la implantación de la IA, los profesionales tenían su origen en la investigación, probablemente con estudios de PhD, y los problemas a resolver ofrecían un espectro de soluciones totalmente abierto, tanto desde el punto de vista técnico como de negocio. Sin embargo, los requisitos de los proyectos actuales están mucho mejor alineados y disponemos de metodologías que nos permiten derivar una necesidad de negocio a una solución tecnológica basada en IA.
Una metodología nos permite seleccionar a los mejores profesionales para cada tarea, acotando la amplitud del conocimiento necesaria, aportando mayor foco y riqueza en la creación de equipos multidisciplina. Tomemos como referencia el desarrollo de software, donde hemos conseguido evolucionar a un contexto rico en metodologías y profesionales en un amplio espectro de habilidades, entre las que no solo destaca la capacidad para programar: Gestión de proyectos, experiencia de usuario, diseño, arquitectos, programadores o devops entre otros.
Al tiempo de escribir este artículo, los roles mejor definidos son probablemente los de Data Scientist y Data Engineer, que han conseguido separar aquellos perfiles con habilidades más centradas en el espectro técnico y funcional, permitiendo incidir por una parte en la complejidad de los datos y las tecnologías Big Data o Cloud Computing, o especializarse en la aplicación de técnicas de analítica avanzada como son Machine y Deep Learning.
Sin embargo, esta dualidad todavía queda lejos de la complejidad de una metodología moderna de industrialización de la IA, donde es necesario especializar todavía más los perfiles, profundizando por un lado en tecnología y por el contrario en negocio. Podemos sumar roles emergentes en la gestión tecnológica de los proyectos como AI Architects y ML Engineers, más ligados a la gestión y gobierno como el perfil de Model Owner o especializados en los aspectos funcionales o de negocio como son los Citizen Data Scientists y los (Business) Data Translators.
Taxonomía de un equipo especialista en Inteligencia Artificial
La mayoría de las metodologías definidas para ejecutar proyectos de IA se basan en un ciclo virtuoso que comienza con una serie de requisitos de negocio que incentivan procesos de analítica e innovación centrados en datos cuyo resultado acaba integrándose como parte de una solución técnica. A su vez esta solución redunda en una mejora en negocio, bien en forma de automatización o como soporte a la toma de decisiones, generando nuevos datos que permiten realimentar el sistema y generar una mejora continua.
En el contexto actual podemos encontrar distintas tendencias a identificar roles especializados en cada etapa del ciclo de un proyecto de IA:
(Business) Data / Analytics Translator
- Conocimiento profundo del negocio
- Iniciativa para realizar preguntas clave y buscar las respuestas en los datos
- Capacidad analítica enfocada a la toma de decisiones
- Pasión por la tecnología y el futuro y capacidad para transmitirla
Citizen Data Scientist
- Conocimiento funcional del negocio y especialmente de los datos y modelos disponibles en su entorno
- Autonomía para aplicar técnicas de analítica como parte de su actividad
- Capacidad para comunicar los resultados obtenidos a profesionales más técnicos e incentivar la innovación
AI/ML Architect
- Conocimiento profundo de las tecnologías específicas orientadas a desarrollar algoritmos y modelos y las metodologías propias del sector como MLOps y AIOps.
- Experiencia definiendo e integrando infraestructura Cloud y recursos avanzados de computación.
- Capacidad para gestionar equipos híbridos de profesionales de analítica y especialistas en tecnologías.
ML Engineer
- Experiencia en técnicas de desarrollo y DevOps adaptadas al contexto de la IA
- Conocimientos de analítica y de los fundamentos de Machine y Deep Learning para entender las peculiaridades de los modelos a integrar
Model Owner
- Conocimiento funcional del negocio y los requisitos de las soluciones de analítica.
- Capacidad para analizar de manera autónoma los resultados de experimentación de las soluciones de IA e interpretar los resultados con las restricciones existentes.
Insights y previsiones de futuro
Muchos de los roles presentados son especializaciones de los ya establecidos en los equipos de analítica y plantean un recorrido claro de upskilling para los actuales científicos e ingenieros de datos. Sin embargo, los perfiles más cercanos al negocio suponen una oportunidad sin precedente para el reskilling de perfiles funcionales que actualmente no están involucrados directamente en proyectos analítica.
Existe una brecha de talento que el mercado laboral no puede cubrir por si solo, lo que ha llevado a que en 2024 se aspire a que el 40% de las organizaciones proporcionen sus propias iniciativas de formación en analítica, una recomendación generalizada es fomentar la creación de talento interno especialmente para perfiles funcionales.
La previsión para 2023 es que los roles con mayor demanda serán los que presentan una mayor carga técnica (arquitectos e ingenieros), casi en un 50% más que en el caso de los profesionales enfocados a analítica pura. Mientras que estudios prevén que la tendencia de perfiles de negocio enfocados a analítica desbanque las necesidades técnicas, con una estimación de 4 millones de puestos de Data Translator en 2026 solo en USA.
Como tendencia futura es muy probable que el sector demande especialistas enfocados a los aspectos regulatorios de la IA. Donde veremos una especialización de los roles de gobierno y Q&A para garantizar los nuevos requisitos de compliance y explicabilidad que vendrán de la mano de normativas como el AI Act.
