D'acord, cartes sobre la taula: aquesta pregunta sorgeix a tot arreu. A les reunions tecnològiques, als pauses per prendre cafè a la feina i, sí, fins i tot en aquells fils llargs de LinkedIn, ningú admet haver-los llegit. La preocupació és força directa: si la IA pot gestionar tanta automatització, això fa que la ciència de dades sigui... d'un sol ús? Resposta ràpida: no. Una resposta més llarga? És complicat, desordenat i molt més interessant que un "sí" o un "no" rotunds.
Articles que potser t'agradaria llegir després d'aquest:
🔗 Ciència de dades i intel·ligència artificial: el futur de la innovació
Explorant com la IA i la ciència de dades configuren el panorama de la innovació del futur.
🔗 La IA substituirà els analistes de dades: Parla de veritat
Comprendre l'impacte de la IA en els rols dels analistes de dades i les necessitats de la indústria.
🔗 Gestió de dades per a eines d'IA que hauries de tenir en compte
Pràctiques clau de gestió de dades per maximitzar el potencial de les eines d'IA.
Què fa que la ciència de dades sigui realment valuosa 🎯
La qüestió és que la ciència de dades no és només matemàtiques més models. El que la fa poderosa és aquest estrany còctel de precisió estadística, context empresarial i un toc de resolució creativa de problemes . La IA pot calcular deu mil probabilitats en un obrir i tancar d'ulls, és clar. Però, pot decidir quin problema és important per als resultats d'una empresa? O explicar com aquest problema es relaciona amb l'estratègia i el comportament del client? Aquí és on intervenen els humans.
En essència, la ciència de dades és una mena de traductor. Agafa informació bruta (fulls de càlcul, registres, enquestes lletjos que no tenen sentit) i la converteix en decisions sobre les quals la gent normal pot actuar. Si eliminem aquesta capa de traducció, la IA sovint escopirà ximpleries segures. HBR fa anys que ho diu: la fórmula secreta no són les mètriques de precisió, sinó la persuasió i el context [2].
Verificació de la realitat: els estudis suggereixen que la IA pot automatitzar moltes tasques dins d'una feina, de vegades més de la meitat . Però, establir l'abast de la feina, prendre decisions i alinear-se amb la cosa desordenada anomenada "organització"? Encara és territori molt humà [1].
Comparació ràpida: ciència de dades vs. IA
Aquesta taula no és perfecta, però sí que destaca les diferents funcions que juguen:
| Característica / Angle | Ciència de dades 👩🔬 | Intel·ligència artificial 🤖 | Per què és important |
|---|---|---|---|
| Focus principal | Perspectiva i presa de decisions | Automatització i predicció | La ciència de dades emmarca el "què" i el "perquè" |
| Usuaris típics | Analistes, estrategues, equips empresarials | Enginyers, equips d'operacions, aplicacions de programari | Públics diferents, necessitats superposades |
| Factor de cost 💸 | Salaris i eines (previsibles) | Càlcul al núvol (variable a escala) | La IA pot semblar més barata fins que l'ús augmenti |
| Força | Context + narrativa | Velocitat + escalabilitat | Junts, són simbiòtics |
| Debilitat | Lent per a tasques repetitives | Lluites amb l'ambigüitat | Exactament per què un no matarà l'altre |
El mite de la "substitució total" 🚫
Sembla interessant imaginar-se que la IA engoleixi totes les tasques de dades, però això es basa en la suposició errònia: que tot el valor de la ciència de dades és tècnic. La major part és en realitat interpretativa, política i comunicativa .
-
Cap executiu diu: "Si us plau, doneu-me un model amb un 94% de precisió".
-
Diuen: "Hauríem d'expandir-nos a aquest nou mercat, sí o no?"
La IA pot generar una previsió. El que no tindrà en compte: maldecaps normatius, matisos culturals o la tolerància al risc del CEO. Que l'anàlisi es converteixi en acció continua sent un joc humà , ple de compromisos i persuasió [2].
On la IA ja està revolucionant les coses 💥
Siguem sincers: la IA ja està devorant parts de la ciència de dades:
-
Neteja i preparació de dades → Les comprovacions automatitzades detecten valors que falten, anomalies i desviacions més ràpidament que els humans treballant amb l'Excel.
-
Selecció i ajustament del model → AutoML redueix les opcions d'algoritme i gestiona els hiperparàmetres, cosa que estalvia setmanes de treball [5].
-
Visualització i informes → Les eines ara permeten crear quadres de comandament o resums de text des d'una sola indicació.
Qui ho nota més? Les persones que treballen per crear gràfics repetitius o per fer models bàsics. La sortida? Pujar en la cadena de valor: fer preguntes més perspicaces, explicar històries més clares i formular millors recomanacions.
Breu resum d'un cas: un minorista prova AutoML per a la rotació de clients. Obté un model de referència sòlid. Però la gran victòria arriba quan el científic de dades reformula la tasca: en lloc de "Qui rotarà?", esdevé "Quines intervencions augmenten realment el marge net per segment?". Aquest canvi, a més de la col·laboració amb finances per establir restriccions, és el que impulsa el valor. L'automatització accelera les coses, però l' elaboració desbloqueja el resultat.
El paper dels científics de dades està evolucionant 🔄
En lloc d'esvair-se, la feina s'està transformant en noves formes:
-
Traductors d'IA : fan que els resultats tècnics siguin digeribles per als líders que es preocupen pels diners i el risc de la marca.
-
Responsables de governança i ètica : establiment de proves de biaix, monitorització i controls alineats amb estàndards com l'IA RMF del NIST [3].
-
Estrategues de producte : integrant dades i IA en experiències de clients i fulls de ruta de productes.
Irònicament, a mesura que la IA assumeix més feina tècnica, les habilitats humanes (narrativa, judici de domini, pensament crític) es converteixen en les parts que no es poden substituir fàcilment.
Què diuen els experts i les dades 🗣️
-
L'automatització és real, però parcial : la IA actual pot automatitzar moltes tasques dins de moltes feines, però això normalment allibera els humans per canviar a treballs de més valor [1].
-
Les decisions necessiten humans : HBR assenyala que les organitzacions no es mouen a causa de les xifres en brut, sinó perquè les històries i les narratives fan que els líders actuïn [2].
-
Impacte laboral ≠ acomiadaments massius : les dades del WEF mostren que les empreses esperen que la IA canviï de rol i retalli personal on les tasques són altament automatitzables, però també estan redoblant la requalificació [4]. El patró sembla més un redisseny que un substitució.
Per què la por persisteix 😟
Els titulars dels mitjans de comunicació prosperen amb la fatalitat. "La IA substitueix els llocs de treball!" ven. Però els estudis seriosos mostren constantment el matís: automatització de tasques, redisseny del flux de treball i creació de nous rols [1][4]. Una analogia amb la calculadora funciona: ja ningú fa la divisió llarga a mà, però encara cal entendre àlgebra per saber quan utilitzar la calculadora.
Mantenir-se rellevant: un manual pràctic 🧰
-
Comença amb la decisió. Vincula la teva feina a la qüestió empresarial i al cost d'equivocar-te.
-
Deixa que la IA esbossi, tu refineixi. Tracta els seus resultats com a punts de partida: tu hi aportes criteri i context.
-
Incorpora la governança al teu flux. Comprovació lleugera del biaix, monitorització i documentació vinculades a marcs de treball com el NIST [3].
-
Canvia cap a l'estratègia i la comunicació. Com menys lligat estiguis a "prémer botons", més difícil serà automatitzar-te i allunyar-te'n.
-
Coneix el teu AutoML. Pensa-hi com un becari brillant però imprudent: ràpid, incansable, de vegades molt equivocat. Tu et proporciones les barreres de seguretat [5].
Aleshores... la IA substituirà la ciència de dades? ✅❌
La resposta directa: No, però ho remodelarà . La IA està reescrivint el conjunt d'eines : eliminant la feina feixuga, augmentant l'escala i canviant quines habilitats importen més. El que no elimina és la necessitat d' interpretació, creativitat i criteri humans . En tot cas, els bons científics de dades són més valuosos com a intèrprets de resultats cada cop més complexos.
En resum: la IA substitueix les tasques, no la professió [1][2][4].
Referències
[1] McKinsey & Company - El potencial econòmic de la IA generativa: la propera frontera de la productivitat (juny de 2023).
https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier
[2] Harvard Business Review - Ciència de dades i l'art de la persuasió (Scott Berinato, gener-febrer de 2019).
https://hbr.org/2019/01/data-science-and-the-art-of-persuasion
[3] NIST - Marc de gestió de riscos d'intel·ligència artificial (AI RMF 1.0) (2023).
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf
[4] Fòrum Econòmic Mundial - Està la IA tancant la porta a les oportunitats laborals de nivell inicial? (30 d'abril de 2025) - perspectives de Future of Jobs 2025.
https://www.weforum.org/stories/2025/04/ai-jobs-international-workers-day/
[5] He, X. et al. - AutoML: Un estudi de l'estat de la tècnica (arXiv, 2019).
https://arxiv.org/abs/1908.00709