Roles de matemáticas y ciencias

Roles de matemáticas y ciencias en la era de la IA: qué está cambiando y qué sigue requiriendo el juicio humano

Descripción general de los roles

Los roles de matemáticas y ciencias abarcan un amplio territorio operativo: desde investigadores científicos y analistas de datos hasta actuarios, bioestadísticos, físicos, químicos y modeladores cuantitativos. Lo que los unifica es una dependencia del razonamiento cuantitativo riguroso, la indagación guiada por hipótesis y la traducción de datos numéricos o empíricos complejos en decisiones que conllevan consecuencias en el mundo real.

En la práctica, estos roles existen en sectores con presiones muy diversas: equipos de I+D farmacéuticos que realizan ensayos clínicos, instituciones financieras que elaboran modelos de riesgo, organismos gubernamentales que pronostican indicadores económicos, empresas energéticas que modelan el comportamiento de la red eléctrica y entidades académicas que generan investigación básica. El contexto comercial de mayor volumen —y el que está experimentando la disrupción más aguda provocada por la IA— es el análisis cuantitativo aplicado en ciencias de la vida, servicios financieros e I+D industrial.

La identidad profesional central de los roles de matemáticas y ciencias ha descansado históricamente en tres pilares: la capacidad de diseñar experimentos o modelos rigurosos, la facultad de interpretar los resultados con un escepticismo adecuado y el criterio para comunicar la incertidumbre con honestidad a las partes interesadas no técnicas. La IA ya es capaz de realizar porciones significativas del primer pilar y está empezando a incursionar en el segundo. El tercero sigue siendo casi exclusivamente humano.

Cómo la IA está transformando este rol

La transformación no es uniforme. Se está acelerando en los roles donde el trabajo consiste principalmente en reconocer patrones sobre grandes conjuntos de datos estructurados: analistas cuantitativos, bioestadísticos que procesan datos de ensayos clínicos y analistas actuariales que ejecutan tablas estándar de mortalidad o de riesgos. El cambio es más lento en los roles que requieren experimentación física, generación de hipótesis novedosas o síntesis interdisciplinaria.

El paso del cómputo a la interpretación. Durante décadas, una parte importante de la semana laboral de un científico cuantitativo se consumía en la limpieza de datos, el ajuste de modelos y la ejecución de cálculos iterativos. Herramientas como Python, R y MATLAB automatizaron buena parte de ello, pero el flujo de trabajo aún exigía programación manual, depuración y validación de resultados. Los modelos de lenguaje de gran escala integrados en los flujos de trabajo científicos —GitHub Copilot para la generación de código, Claude o GPT‑4 como asistencia para la interpretación estadística y herramientas de dominio específico como la API de Wolfram Alpha— están comprimiendo aún más esos tiempos. Un bioestadístico que antes dedicaba dos días a limpiar un conjunto de datos clínicos y ajustar un modelo de efectos mixtos hoy puede hacerlo en unas pocas horas gracias a la generación de código asistida por IA y al marcado automático de control de calidad.

La presión sobre los roles junior es intensa. Los puestos de nivel inicial que históricamente servían como campo de formación —ejecutar regresiones, construir modelos financieros estándar, realizar revisiones bibliográficas, redactar las secciones de métodos— están siendo absorbidos por flujos de trabajo asistidos por IA gestionados por personal más sénior. Esto genera una tensión estructural: las organizaciones reducen el número de analistas y, al mismo tiempo, luchan por formar a la próxima generación de científicos sénior que carecen de la experiencia fundamental que esos puestos junior proporcionaban.

El diseño experimental se está potenciando, no sustituyendo. En el descubrimiento de fármacos, plataformas de IA como Insilico Medicine, la plataforma OS de Recursion Pharmaceuticals y la suite de química computacional de Schrödinger generan moléculas candidatas y predicen afinidades de unión a una escala que ningún equipo humano podría igualar. Pero los científicos que dirigen estas plataformas —decidiendo qué dianas importan, en qué resultados de ensayo confiar, qué hipótesis biológicas merece la pena perseguir— realizan un trabajo que exige un conocimiento profundo del dominio y un juicio científico que la IA actual no puede replicar.

Tareas que la IA puede automatizar

• Análisis estadístico rutinario: Ejecución de modelos de regresión estándar, ANOVA, análisis de supervivencia y pruebas de hipótesis en conjuntos de datos limpios
• Síntesis bibliográfica: Exploración y resumen de grandes volúmenes de investigaciones publicadas para identificar hallazgos consensuados, contradicciones y lagunas (herramientas como Elicit, Semantic Scholar y Consensus ya están integradas en los flujos de trabajo de investigación)
• Limpieza y preprocesamiento de datos: Identificación de valores atípicos, manejo de valores faltantes, normalización de conjuntos de datos y señalización de problemas de calidad de los datos
• Generación de código para flujos de análisis: Escritura de scripts en Python, R o Julia para tareas analíticas estándar, incluida la visualización
• Redacción de informes: Generación de primeros borradores de secciones de métodos, resúmenes de resultados y documentación técnica a partir de resultados estructurados
• Configuración de simulaciones: Configuración y ejecución de simulaciones de Monte Carlo, análisis de elementos finitos o modelos basados en agentes dentro de marcos establecidos
• Asistencia en la derivación de fórmulas: Verificación de pasos algebraicos, sugerencia de enfoques matemáticos y verificación de pruebas para clases de problemas bien definidos
• Formato para presentaciones regulatorias: Estructuración de planes de análisis estadístico e informes de estudios clínicos para cumplir con las directrices de la FDA, EMA o ICH

Habilidades cada vez más valiosas

Juicio científico en condiciones de incertidumbre. La capacidad de decidir cuándo no se debe confiar en la salida de un modelo —porque los datos de entrenamiento estaban sesgados, las suposiciones no se cumplen o el resultado es estadísticamente significativo pero carece de sentido científico— se está convirtiendo en la habilidad definitoria de los profesionales sénior en matemáticas y ciencias. La IA produce resultados que suenan convincentes independientemente de su validez.

Síntesis interdisciplinaria. Los problemas en la frontera de la ciencia y la industria requieren cada vez más conectar perspectivas de distintas disciplinas: un biólogo computacional que entienda tanto de aprendizaje automático como de biología celular, o un analista de riesgos cuantitativo que pueda tender puentes entre la ciencia climática y la modelización financiera. Las herramientas de IA son específicas de cada dominio; los humanos capaces de trabajar entre dominios no lo son.

Diseño experimental y razonamiento causal. Diseñar experimentos que realmente puedan responder a la pregunta planteada —controlando factores de confusión, eligiendo tamaños de muestra adecuados, anticipando errores de medición— exige un nivel de razonamiento causal que la IA actual gestiona con dificultad. Esto es especialmente cierto en campos donde los ensayos controlados aleatorizados son el estándar de referencia.

Comunicar la incertidumbre a responsables no técnicos. Traducir salidas probabilísticas, intervalos de confianza y limitaciones de los modelos a un lenguaje que los directivos, reguladores o legisladores puedan utilizar para actuar es una habilidad que requiere tanto profundidad técnica como criterio interpersonal.

Ingeniería de prompts y validación de resultados de IA. Saber cómo dirigir eficazmente las herramientas de IA, reconocer alucinaciones en contextos científicos y validar código o análisis generados por IA es ya una competencia profesional fundamental, no una habilidad de nicho.

Generación de hipótesis novedosas. Identificar preguntas de investigación que sean a la vez científicamente viables y significativas desde el punto de vista comercial o social sigue siendo una actividad profundamente humana, que requiere una intuición forjada tras años de inmersión en el dominio.

Habilidades que pierden importancia

• Preparación manual de datos y scripting ETL para formatos de datos estándar — las herramientas asistidas por IA lo hacen más rápido y con menos errores
• Cálculo estadístico mecánico — saber ejecutar manualmente una prueba t o ajustar un modelo lineal es menos valioso que entender cuándo y por qué usarlo
• Redacción científica repetitiva — los primeros borradores de las secciones de métodos, revisiones bibliográficas y resúmenes de resultados estándar son cada vez más generados por IA
• Memorización de fórmulas y algoritmos estándar — con los entornos de codificación asistidos por IA, recordar la sintaxis y las implementaciones estándar importa menos que comprender qué implementar
• Revisión bibliográfica manual — las revisiones sistemáticas que antes llevaban meses se están reduciendo a días gracias a las herramientas de búsqueda y síntesis asistidas por IA
• Validación rutinaria de modelos en tipos de problemas estándar — los pipelines automatizados de aprendizaje automático ya se encargan de la validación cruzada, el ajuste de hiperparámetros y la evaluación comparativa del rendimiento para tareas bien definidas

Adopción actual de la IA en este sector

La adopción es desigual y depende en gran medida del contexto, pero se observan varios patrones claros en los sectores de mayor volumen.

Ciencias de la vida y farmacéuticas son los más avanzados en la implementación de IA en el núcleo de los flujos de trabajo científicos. Empresas como Pfizer, Novartis y AstraZeneca han integrado la IA en la identificación de dianas terapéuticas, el cribado de compuestos y el diseño de ensayos clínicos. La FDA ha emitido directrices sobre software basado en IA/ML como dispositivo médico, lo que indica una normalización regulatoria. Los bioestadísticos de las CRO (organizaciones de investigación por contrato) utilizan herramientas asistidas por IA para la generación de planes de análisis estadístico y la monitorización de datos.

Servicios financieros cuentan con la trayectoria más larga en despliegue de IA cuantitativa: la negociación algorítmica, la calificación crediticia y la modelización actuarial llevan más de una década utilizando el aprendizaje automático. La ola actual consiste en la entrada de la IA generativa en la capa de flujo de trabajo: los analistas cuantitativos emplean Copilot para acelerar el desarrollo de modelos, los analistas de riesgos usan LLMs para sintetizar documentos regulatorios y los actuarios recurren a la IA para redactar informes orientados al cliente a partir de los resultados de los modelos.

Investigación académica y gubernamental está significativamente rezagada, limitada por los ciclos de adquisiciones, las preocupaciones sobre la gobernanza de datos y la resistencia cultural. No obstante, la revisión de literatura y la redacción de propuestas de financiación asistidas por IA se están normalizando incluso en entornos de investigación conservadores.

I+D industrial (ciencia de materiales, ingeniería química, energía) está experimentando una rápida adopción de la simulación y optimización impulsadas por IA, especialmente donde la experimentación física resulta costosa. BASF, Dow y Shell tienen programas activos de IA para el descubrimiento de materiales y la optimización de procesos.

Evolución futura del flujo de trabajo

El flujo de trabajo de un profesional de las matemáticas o las ciencias en 2027 será estructuralmente distinto al actual, aunque el cargo siga siendo el mismo.

El cambio más significativo será la aparición de flujos de trabajo científicos con IA integrada en el proceso, donde el papel humano consistirá sobre todo en orientar, validar y emitir juicios, en lugar de ejecutar. Un analista cuantitativo dedicará menos tiempo a construir modelos y más a interrogarlos: a preguntarse por qué un modelo se comporta de determinada manera, si sus supuestos son defendibles y cuáles podrían ser las consecuencias de segundo orden de actuar según sus resultados.

Los sistemas de IA agentiva —en los que varios modelos de IA colaboran de forma autónoma en tareas científicas de múltiples pasos— ya se están utilizando de forma incipiente en el descubrimiento de fármacos. En un plazo de tres a cinco años, estos sistemas serán capaces de ejecutar ciclos experimentales completos in silico: generar hipótesis, diseñar experimentos virtuales, ejecutar simulaciones, interpretar los resultados y proponer los pasos siguientes. En este bucle, el rol del científico humano consistirá en establecer la agenda de investigación, evaluar la calidad del razonamiento de la IA y tomar la decisión final sobre qué líneas explorar en el mundo físico.

El cuaderno de laboratorio se está convirtiendo en un documento vivo impulsado por IA. Los cuadernos de laboratorio electrónicos integrados con asistentes de IA capturarán automáticamente los parámetros experimentales, señalarán desviaciones del protocolo, sugerirán experimentos anteriores relevantes y generarán borradores de informes. Esto acelerará los ciclos de investigación, pero también planteará nuevas cuestiones sobre reproducibilidad, propiedad intelectual y crédito científico.

Casos comunes de uso de IA

• Descubrimiento de fármacos: Uso de IA generativa para diseñar nuevas estructuras moleculares con predicción de afinidad de unión y propiedades ADMET (Schrödinger, Insilico Medicine, Exscientia)
• Optimización de ensayos clínicos: Estratificación de pacientes asistida por IA, diseño de ensayos adaptativos y detección de señales de seguridad en tiempo real
• Modelado cuantitativo de riesgos: Generación de escenarios asistida por LLM y pruebas de estrés en la gestión de riesgos financieros
• Análisis actuarial: Actualización acelerada por IA de tablas de mortalidad, análisis de patrones de siniestros y preparación de presentaciones regulatorias
• Minería de literatura científica: Extracción automatizada de resultados experimentales, tamaños del efecto y detalles metodológicos de artículos publicados (Elicit, Semantic Scholar)
• Descubrimiento de materiales: Predicción impulsada por IA de propiedades de materiales y rutas de síntesis (GNoME de DeepMind, MatterGen de Microsoft)
• Consultoría estadística: Selección asistida por IA de métodos estadísticos apropiados y verificación automatizada de supuestos
• Simulación física: Modelos sustitutos basados en redes neuronales que reemplazan simulaciones costosas de elementos finitos o de dinámica de fluidos computacional

Stack de IA recomendado

El stack adecuado depende en gran medida del subrol y la industria específicos, pero las siguientes herramientas representan el estándar profesional actual en contextos de matemáticas y ciencias.

Para análisis cuantitativo y modelado:

• GitHub Copilot o Cursor para generación de código asistido por IA en Python, R o Julia
• Jupyter AI (extensión de JupyterLab) para asistencia con IA integrada en notebooks
• API de Wolfram Alpha para cálculo simbólico y verificación de fórmulas

Para revisión de literatura y síntesis de investigación:

• Elicit para búsqueda estructurada de literatura y extracción de datos
• Semantic Scholar para análisis de redes de citas y descubrimiento de artículos
• Consensus para síntesis de evidencia entre estudios publicados

Para redacción científica y documentación:

• Claude (de Anthropic) para asistencia en escritura técnica, redacción de métodos y generación de informes, especialmente sólido en lenguaje científico con matices
• Grammarly Business para el pulido de documentos normativos y de cumplimiento

Para IA científica de dominio específico:

• Plataforma Maestro de Schrödinger para química computacional y descubrimiento de fármacos
• NVIDIA BioNeMo para predicción de estructura de proteínas y generación molecular
• Ansys SimAI para simulación de ingeniería acelerada por IA

Para procesamiento de datos y automatización de pipelines:

• DataRobot o H2O.ai para construcción automatizada de pipelines de machine learning y validación de modelos
• Databricks con MLflow para seguimiento de experimentos y gestión del ciclo de vida de modelos

Riesgos y desafíos

La alucinación en contextos científicos tiene consecuencias reales. Un LLM que genera con seguridad una interpretación estadística plausible pero incorrecta, una cita bibliográfica inventada o un paso de derivación erróneo puede introducir errores que se propagan por todo un programa de investigación antes de ser detectados. El costo de los errores de la IA en el desarrollo de fármacos, el modelado de riesgos financieros o la ingeniería estructural no es abstracto.

El problema de la cantera de talento junior. Si la IA absorbe el trabajo analítico de nivel inicial que históricamente ha formado a la siguiente generación de científicos sénior, la profesión se enfrentará a una brecha estructural de habilidades en una década. Las organizaciones que sobreautomaticen las tareas junior pueden encontrarse sin el talento experimentado necesario para dirigir y validar los sistemas de IA en el futuro.

Reproducibilidad y auditabilidad. Cuando las herramientas de IA se integran en los flujos de trabajo científicos, surgen preguntas sobre si los resultados son reproducibles, quién es responsable de los errores y cómo los reguladores deben evaluar la investigación asistida por IA. La FDA, la EMA y los reguladores financieros aún están desarrollando marcos para los resultados científicos generados por IA.

Dependencia excesiva de las hipótesis generadas por IA. Existe un riesgo real de que los programas de investigación impulsados por IA converjan hacia las mismas hipótesis —porque están entrenados con la misma bibliografía—, reduciendo la diversidad de la investigación científica y creando puntos ciegos en la frontera del conocimiento.

Privacidad de datos y propiedad intelectual en la investigación asistida por IA. Subir datos experimentales propietarios o investigaciones no publicadas a plataformas comerciales de IA genera inquietudes legítimas sobre la propiedad intelectual, la inteligencia competitiva y el cumplimiento normativo.

Perspectivas futuras: 3 a 5 años

Para 2028, el panorama profesional de las matemáticas y las ciencias se habrá bifurcado de forma mucho más marcada que hoy. Por un lado, los roles principalmente dirigidos por IA: la persona define parámetros, valida resultados y toma las decisiones finales, pero el trabajo analítico y computacional está en gran medida automatizado. Por otro, los roles que exigen presencia física, diseño experimental novedoso o síntesis interdisciplinaria que la IA todavía no puede replicar.

El analista actuarial que ejecuta modelos de mortalidad estándar, el bioestadístico que procesa datos de un ensayo clínico en fase II según un plan de análisis predefinido y el analista cuantitativo júnior que construye modelos factoriales básicos verán cómo sus funciones se comprimen o reestructuran significativamente. El químico experimental que idea una nueva ruta de síntesis, el epidemiólogo que diseña un experimento natural para abordar una pregunta causal y el físico que desarrolla un nuevo marco teórico seguirán siendo en gran medida irremplazables, aunque trabajarán más rápido y con mejores herramientas.

La identidad profesional más duradera en matemáticas y ciencias corresponderá a quienes puedan hacer lo que la IA no puede: ejercer escepticismo científico ante los resultados de la IA, diseñar experimentos que respondan a preguntas que la IA no logra formular y asumir la responsabilidad de las consecuencias de las decisiones cuantitativas en el mundo real.

La remuneración reflejará cada vez más esta bifurcación. Los roles que puedan ser asistidos notablemente por IA experimentarán presión salarial a la baja. Los roles que requieran juicio profundo, indagación novedosa y síntesis entre dominios tendrán un valor diferenciado.

Reflexión final

El valor fundamental de los profesionales de las matemáticas y las ciencias nunca ha residido en su capacidad de calcular, sino en su habilidad para formular la pregunta correcta, diseñar un método riguroso para responderla e interpretar el resultado con la dosis adecuada de humildad. La IA se está volviendo extremadamente competente en el paso intermedio. El primer y el último paso siguen siendo obstinadamente humanos.

Los profesionales que prosperarán no son quienes se resisten a las herramientas de IA, ni quienes se pliegan por completo a ellas. Son aquellos que desarrollan una relación crítica y calibrada con los resultados de la IA, utilizándolos para avanzar más rápido y explorar más, manteniendo al mismo tiempo el criterio científico necesario para detectar cuándo la máquina se equivoca. En un campo definido por la búsqueda de la verdad, ese criterio no es una habilidad interpersonal secundaria. Es el trabajo en sí.