Saltar al contenido
Volver al Blog
TecnologíaArtículo

Profesiones en Transformación: Qué Aprender Ahora

Cuando comencé en tecnología hace más de quince años, el entorno técnico de las empresas era muy diferente al que vemos hoy. A lo largo de esa trayectoria, atravesé ciclos profundos: pasé por administración de bases de dados, infraestructura física y en la nube, arquitectura de sistemas, ingeniería de datos y, ahora, la integración práctica de la inteligencia artificial en la operación. Cada uno de esos giros tecnológicos me obligó a guardar el ego en el cajón y aprender de nuevo.

Esa vivencia en la trinchera no me da una bola de cristal con los títulos exactos de los cargos de 2035. Pero me entrega una pregunta mucho más útil para quien construye una carrera: ¿qué problema real vale la pena aprender a resolver ahora?

Lo que ya cambió según los datos globales (OIT, WEF y MIT)

Los modelos de lenguaje y las herramientas de IA generativa ya aceleran la escritura de código, resumen documentos técnicos, apoyan investigaciones y organizan información en bruto en segundos. Sin embargo, cualquier ingeniero que ya haya puesto un sistema crítico en producción sabe que la calidad de esa ayuda varía drásticamente según la complejidad de la tarea, la limpieza del contexto y la revisión hecha por personas.

Más importante aún: una alta exposición de una ocupación a la inteligencia artificial no es sinónimo de extinción del profesional. En mayo de 2025, la Organización Internacional del Trabajo (OIT), en colaboración con el instituto de investigación NASK, publicó el estudio refinado Generative AI and Jobs: A Refined Global Index of Occupational Exposure. La investigación analizó decenas de miles de tareas ocupacionales y demostró que, para la gran mayoría de las funciones expuestas a la IA generativa, el efecto concreto es la transformación y automatización parcial de actividades rutinarias, exigiendo cada vez más supervisión y juicio humano, en lugar de la sustitución completa del empleo.

En la misma dirección, el Future of Jobs Report 2025, del Foro Económico Mundial, encuestó a más de 1.000 grandes empleadores globales y proyectó que, hacia 2030, la transformación tecnológica y económica debe desplazar cerca de 92 millones de funciones, pero crear simultáneamente 170 millones de nuevos roles, generando un saldo neto positivo de 78 millones de empleos, con fuerte demanda en datos, IA, seguridad e ingeniería de software.

Ese movimiento confirma en la práctica lo que el economista del MIT David Autor explicó en el artículo clásico Why Are There Still So Many Jobs? The History and Future of Workplace Automation (Journal of Economic Perspectives, 2015): cuando la tecnología automatiza etapas repetitivas de una profesión, no reduce el valor del especialista; por el contrario, multiplica el valor económico de las tareas complementarias que exigen juicio crítico, arquitectura de sistemas, lectura de contexto humano y responsabilidad final por la decisión.

Dónde prestaría atención ahora

En vez de perseguir etiquetas de moda, veo cuatro frentes concretos donde las empresas ya enfrentan dolores abiertos y buscan profesionales preparados:

1. Integración y supervisión de agentes en sistemas reales

Armar una demostración bonita de chat en una tarde es sencillo. El desafío real de la ingeniería comienza el lunes siguiente: conectar modelos a bases de datos transaccionales, APIs legadas y reglas financieras sin romper la operación. Alguien necesita diseñar lo que el agente puede o no acceder, en qué límite financiero está obligado a pedir aprobación humana, cómo cada acción es auditada en el registro de eventos y cuál es el plan de contingencia cuando el modelo falla. Este trabajo exige ingeniería de software sólida combinada con visión de operación.

2. Calidad, seguridad, costo y gobernanza de IA

Las empresas que usan IA en procesos de atención, crédito, salud o logística necesitan probar resultados de forma sistemática, blindar datos sensibles contra filtraciones, monitorear desviaciones de respuesta y controlar la factura de inferencia en la nube para que el costo no supere el retorno del proyecto. La demanda por profesionales capaces de construir esas trabas técnicas y dejar claro quién responde por las decisiones solo tiende a crecer, independientemente del nombre que reciba el cargo en cada sector.

3. Contexto limpio e ingeniería de datos confiables

Ningún modelo de última generación hace milagros sobre registros duplicados, reglas contradictorias y tablas sin dueño. La calidad de cualquier automatización inteligente depende directamente de lo que el sistema sabe y de la confiabilidad del origen de los datos. Organizar flujos de datos, permisos de acceso, linaje de información y métricas de validación continúa siendo el cimiento invisible de toda innovación tecnológica.

4. Conocimiento profundo del negocio y de la operación

Un modelo puede generar una respuesta matemáticamente plausible y gramaticalmente perfecta que, aun así, causaría un perjuicio enorme en la vida real de la empresa. Quien percibe ese error antes de salir al aire es el profesional que entiende cómo la operación vende, produce, entrega y atiende al cliente. Ese discernimiento no viene de un mensaje preparado: viene de conversar con quien ejecuta en la primera línea, observar los cuellos de botella del proceso y asumir las consecuencias de las elecciones técnicas.

Lo que mi trayectoria me enseñó sobre atravesar ciclos

Cuando migré de bases de datos a infraestructura, necesité volver a ser aprendiz. Cuando me sumergí en arquitectura de datos y después en inteligencia artificial, el proceso se repitió. En todas esas fases, lo que sostuvo mis entregas nunca fue memorizar los botones de una herramienta pasajera: fue mantener fundamentos fuertes de computación y enfocarme en problemas concretos que necesitaban solución en la empresa.

Jamás apostaría toda mi carrera a la sigla de un software específico o a un título de cargo que tal vez ni exista de aquí a cinco años. Invertiría en fundamentos técnicos, en la capacidad de comunicar ideas complejas con simplicidad a otras áreas y en el hábito riguroso de medir el retorno real de lo que construimos.

El trabajo técnico seguirá cambiando, a velocidades diferentes para cada industria. Pero, para quien construye todos los días, la brújula sigue siendo la misma: ¿qué necesito aprender hoy para resolver de forma más segura, simple y eficiente los problemas reales que ya están frente a mí?


Referencias y lecturas verificables

Cesar Zanis / Tecnología

Una buena conversación merece continuar.

Comparte el artículo o publica las diapositivas en tus Stories y Feed.

WhatsApp ↗LinkedIn ↗X ↗
Cesar Zanis
Escrito por·Arquitecto de Software y Líder de Tecnología

Cesar Zanis

15+ años liderando arquitectura de software, bases de datos críticas, FinOps e IA aplicada. Estructuró y escaló una operación de ingeniería desde cero hasta más de 20 desarrolladores.

15+ años de trayectoriaArquitectura y DatosCloud & FinOps0 → 20+ Devs

¿Te gustó este artículo?

Publico análisis prácticos sobre arquitectura de sistemas críticos, Cloud FinOps, datos, IA y liderazgo de ingeniería directamente en LinkedIn.

Continuar leyendo

Lleva este análisis más allá con datos y fuentes

Todas las tarjetas visuales de este artículo están listas arriba para compartir en tus Stories, Feed, WhatsApp o LinkedIn con las fuentes.