Según el Foro Económico Mundial, en su reciente informe Future of Jobs 2025, se espera que se destruyan más de 92 millones de puestos de trabajo actuales. No obstante, también se espera que se creen más de 170 millones de empleos nuevos, resultando en un crecimiento neto de 78 millones de trabajos. En cualquiera de los casos, ningún rol se libra de la transformación.
Si hasta ahora sólo hemos hablado de la automatización, la Inteligencia Artificial y especialmente la generativa, ha reescrito todas las reglas del juego tanto para los roles técnicos como no técnicos. Ha abierto una puerta inesperada para una gran cantidad de profesionales de áreas que tradicionalmente no tenían nada que ver con la tecnología que hoy, por necesidad o por ambición, están aprendiendo a hablar el idioma de los datos y la automatización.
Table of Contents
Los nuevos traductores entre negocio y tecnología
Roles como ventas, finanzas o incluso recursos humanos (y no tanto marketing) se mantenían en una relativa distancia de las herramientas tecnológicas más complejas. Sin embargo, la irrupción de la IA generativa ha democratizado el acceso al conocimiento técnico. Hoy, profesionales sin un especial background en programación están aprendiendo a usar modelos predictivos, automatizar análisis, o incluso crear dashboards con ayuda de herramientas impulsadas por IA.
Esto ha provocado una transformación estructural: perfiles como analistas de marketing o financieros están asumiendo tareas antes reservadas a los equipos de data. El prompting, por ejemplo, se está convirtiendo en una habilidad transversal más que en una especialización técnica. Lo que antes requería formación avanzada en machine learning ahora puede resolverse, en parte, con una buena formulación de instrucciones a una IA.
Esta transición ha exigido formación intensiva en habilidades de datos, pensamiento analítico, y una mayor comprensión de conceptos como algoritmos, privacidad o ética en el uso de datos. Las organizaciones están comenzando a invertir en estos perfiles híbridos que conectan tecnología con negocio, conscientes de que aquí puede residir la verdadera ventaja competitiva.
Por ejemplo, los especialistas en Marketing Digital que ya no se limitan a reportar en Google Analytics, sino que ahora pueden utilizar modelos de clustering para segmentar audiencias automáticamente; o aplicar análisis de sentimiento con NLP (procesamiento de lenguaje natural) sobre menciones de marca en redes sociales, por ejemplo. O los analistas financieros que ahora pueden aplicar modelos predictivos con IA para el forecasting, o detectar desviaciones o fraudes en contabilidad.
La reinvención del técnico: del “cómo” al “por qué”
Lejos de lo que se pueda pensar, los roles tecnológicos también se han visto «obligados» a adaptarse. En este caso no podemos hablar de que el conocimiento técnico haya perdido valor, sino que el foco ha cambiado. La IA generativa ha automatizado muchas de las tareas que antes eran núcleo del día a día de roles como Data Analyst, Data Engineer o incluso Desarrolladores de Software.
Nuestro informe «El futuro del Talento en IA y Data en España» de TalentHackers para IndesIA que publicamos en 2025 lo dejó claro: los analistas de datos, por ejemplo, ya no se limitan al reporting descriptivo: ahora trabajan con modelos predictivos, machine learning y automatización de insights. Los Data Engineers están dejando atrás las tareas rutinarias de construcción de pipelines para centrarse en arquitecturas inteligentes, escalables y con integración de IA. Y los Data Scientists están profundizando en áreas como deep learning, LLMs o ética algorítmica para crear soluciones más robustas y transparentes.
Pero esta transformación no afecta solo al universo “data”. Otros perfiles tecnológicos también han sentido el impacto directo de la IA:
Desarrolladores de software (Frontend/Backend):
Muchas tareas de codificación repetitiva (como funciones CRUD, testeo unitario, generación de documentación) ya se están «delegando» a asistentes de programación como GitHub Copilot o CodeWhisperer. Su foco ha pasado a la arquitectura, la optimización y la revisión crítica del código generado por IA. Por eso, el desarrollador actual necesita aportar más que solo código: debe entender qué se está construyendo, por qué, y con qué datos. El código sin contexto ya no es suficiente.
Hoy, muchos productos digitales ya no son solo software, sino sistemas inteligentes. Desde una app de ecommerce con motores de recomendación, hasta una plataforma que personaliza contenido con IA generativa, todos dependen del manejo, procesamiento y análisis de datos en tiempo real. Esto implica que los desarrolladores deben saber: cómo estructurar y consumir APIs de datos, cómo conectar con pipelines de machine learning, cómo manejar bases de datos no estructuradas (logs, eventos, imágenes, texto…), y cómo garantizar una gobernanza y trazabilidad adecuada de esos datos.
Además, trabajar con modelos de IA implica que el desarrollador entienda cómo se entrenan, cómo versionarlos, y cómo interpretar sus resultados. En productos actuales, incluso desde el frontend, se espera que el desarrollador sepa cómo consumir modelos desplegados (por ejemplo, un modelo NLP o de Computer vision), cómo manejar latencia o resultados probabilísticos, o cómo diseñar experiencias que comuniquen bien esos outputs al usuario final.
El developer actual ya no solo tiene que construir interfaces o lógica de negocio: interactúa directamente con la inteligencia del sistema, lo que exige una comprensión funcional de cómo los datos fluyen, se procesan y activan decisiones.
Arquitectos de software y cloud:
La IA ha cambiado por completo el cómo tenemos que diseñar los sistemas. Donde antes bastaba con asegurar escalabilidad, resiliencia y disponibilidad, ahora se espera que los arquitectos diseñen infraestructuras preparadas para trabajar con datos masivos, modelos de machine learning y servicios de IA generativa. Esto implica una transformación técnica: los arquitectos deben conocer cómo diseñar pipelines de datos robustos, integrados con servicios de computación intensiva, almacenamiento distribuido y acceso seguro. No basta con levantar una API: ahora deben entender cómo se sirven los modelos de IA, cómo se monitorizan sus predicciones, cómo se almacenan y versionan datasets, y cómo se automatizan ciclos de entrenamiento y actualización. Se requiere que piensen ahora en arquitecturas event-driven, con capacidades de streaming, data lakehouses y procesamiento en tiempo real. Y así mismo, deben entender cómo mover modelos entre entornos on-premise y cloud.
Por otro lado, su rol se vuelve más estratégico. La arquitectura ya no solo responde a la lógica de negocio, sino también a la capacidad de una organización de aprovechar la IA como ventaja competitiva. Esto obliga al arquitecto a trabajar estrechamente con equipos de Data, Legal, Ciberseguridad y Producto para alinear la tecnología con los objetivos empresariales.
Además, la IA generativa ha cambiado el ciclo de vida de los productos digitales. Donde antes los desarrollos eran relativamente lineales, ahora los arquitectos deben pensar en sistemas más modulares, adaptativos y preparados para iterar con modelos que evolucionan con el tiempo. Esto introduce nuevos retos como el versionado de modelos, el seguimiento de su desempeño en producción y la necesidad de explicar sus outputs (explainability).
Ingenieros DevOps
El clásico rol de DevOps, enfocado en automatizar despliegues, asegurar la integración continua (CI/CD), y mantener la infraestructura operativa, ha dado un giro con la integración de modelos de inteligencia artificial en los entornos productivos. Ahora hablamos no solo de DevOps, sino también de MLOps: una evolución del rol que une desarrollo, operaciones y ciencia de datos. El DevOps actual ha dejado de ser un “mantenedor de infraestructura” para convertirse en un orquestador de entornos inteligentes.
Los ingenieros DevOps han tenido que adaptarse a nuevos retos derivados de desplegar y escalar sistemas inteligentes. Estos retos incluyen:
Versionado de modelos y datasets: a diferencia del software tradicional, donde el código fuente es estable, en IA los modelos pueden cambiar constantemente a medida que se reentrenan con nuevos datos. DevOps ahora necesita dominar herramientas como DVC (Data Version Control) o MLflow para rastrear tanto el código como los datos y los resultados de entrenamiento.
Automatización de pipelines de ML: el despliegue de modelos implica nuevas fases: ingesta de datos, limpieza, entrenamiento, validación, testing, deployment… y cada una de ellas debe automatizarse. Aquí entran en juego herramientas como Kubeflow, Airflow, SageMaker Pipelines o Azure ML.
Monitorización del rendimiento del modelo en producción: no basta con monitorizar uptime o errores de servidor. Ahora también hay que monitorizar si un modelo está perdiendo precisión con el tiempo (data drift, model drift), y activar procesos automáticos de reentrenamiento o rollback si eso ocurre.
Infraestructura escalable y especializada: la IA generativa exige una infraestructura muy distinta a la tradicional. Por ejemplo, modelos de lenguaje grande (LLMs) requieren entornos preparados, paralelización de procesos, y una gestión eficiente del coste en entornos cloud. DevOps ha pasado a gestionar clústeres híbridos, configuraciones de hardware especializado, y a elegir entre múltiples entornos cloud optimizados para IA.
Seguridad y cumplimiento: el uso de modelos generativos también introduce nuevos riesgos: acceso a datos sensibles, generación de outputs no controlados, o mal uso de APIs abiertas. DevOps colabora ahora más que nunca con ciberseguridad y legal para implementar medidas de protección de datos, validación de inputs/outputs y políticas de acceso seguro.
Tradicionalmente, el rol de DevOps era operacional: garantizar que todo funcionara bien “por debajo del capó”. Su impacto era esencial, pero poco visible fuera del equipo técnico. Hoy, con la irrupción de la IA, los datos y los modelos en el corazón del negocio, el Ingeniero DevOps ha dado un paso al frente y se ha convertido en un facilitador estratégico de la innovación tecnológica. De ahí a que sea uno de los roles más demandados actualmente.
La IA no solo ha transformado los roles, ha reescrito las reglas del talento. Hoy, tanto perfiles técnicos como no técnicos deben reinventarse para convivir con modelos inteligentes, datos masivos y decisiones automatizadas. Adaptarse ya no es una opción, es el nuevo estándar profesional.
¿Qué otros roles quieres que analicemos?
