En 2025, dieciséis programadores con años de experiencia en sus propios proyectos resolvieron 246 tareas reales, unas con IA y otras sin ella. Antes de empezar calculaban que la IA les iba a ahorrar un 24 % del tiempo; al terminar, seguían convencidos de que les había ahorrado un 20 %. El cronómetro marcó lo contrario: con IA tardaron un 19 % más.3 Ese desfase entre lo que sentís y lo que pasa explica por qué mi workflow de análisis de datos con IA tiene más controles que prompts. Acá está entero: qué hace el código, qué hace la IA, dónde reviso yo y qué dicen los estudios más serios sobre trabajar así.
Mi workflow de análisis de datos con IA, de la fuente a la decisión
Lo uso para informes semanales de marketing y ventas: visitas, campañas, conversiones. Tiene cinco pasos y la IA entra recién en el cuarto. Los tres primeros los hace código, porque tienen una sola respuesta correcta: un total suma lo que suma, aunque el modelo esté inspirado.
- ExtraerAnalítica, anuncios, CRM y ventas, con fechas y zona horaria fijas
- ValidarDuplicados, vacíos, moneda y totales contra cada plataforma
- CalcularMétricas con Python o SQL y definiciones escritas
- RedactarHallazgos e hipótesis desde la tabla, sin cifras nuevas
- AprobarReviso evidencia, tono y acciones antes de enviar
El orden es la mitad del trabajo. Si la extracción falla y la IA está antes de la validación, no te avisa: te escribe una explicación convincente de un número roto. Por eso recibe una tabla chica, ya validada y con sus definiciones, nunca los datos crudos.
A las 7:00 un script baja los datos de la semana. Si un total no coincide con la plataforma, el flujo se frena y me avisa. Si todo cuadra, calcula las variaciones y la IA recibe la tabla con sus definiciones. A las 9:00 reviso las excepciones y el borrador, corrijo y apruebo. Lo que corregí queda anotado para ajustar reglas y prompts la semana siguiente.
Qué dicen los estudios sobre trabajar con IA
Ninguno de los tres estudios más sólidos sobre el tema mira analistas de datos, pero los tres describen un riesgo de cualquier workflow con IA.
1. La frontera irregular
Investigadores de Harvard, Wharton, MIT y Warwick pusieron a 758 consultores de Boston Consulting Group a trabajar con y sin GPT-4. En 18 tareas que la IA dominaba, quienes la usaron completaron un 12,2 % más de tareas y un 25,1 % más rápido.1 Después les dieron un caso armado para que la IA fallara: una hoja de cálculo que parecía completa y unas entrevistas con el detalle que cambiaba la conclusión. Había que decirle al director general qué marca tenía más potencial de crecimiento.
| Grupo | Respuestas correctas |
|---|---|
| Sin IA | 84,5 |
| GPT-4 | 70,6 |
| GPT-4 + curso | 60,0 |
Fuente: Dell'Acqua y otros, Organization Science, 2026 (figura 5 y tabla 7). 373 consultores en esta tarea.
Los autores lo llaman «frontera tecnológica irregular»: dos tareas que a una persona le parecen igual de difíciles pueden quedar a lados opuestos de lo que la IA hace bien, y desde adentro no se ve el borde. Fijate en la tercera columna. Una introducción a cómo escribir prompts no ayudó a ver ese borde; los que la recibieron acertaron menos. Un detalle de versiones: el borrador de 2023 hablaba de «más de un 40 %» de mejora en la calidad dentro de la frontera, y la versión publicada en 2026 la deja en un 32 % de media.
2. Los que menos saben, los que más ganan
Erik Brynjolfsson, Danielle Li y Lindsey Raymond siguieron a 5.172 agentes de atención al cliente de una empresa de software que incorporó un asistente de IA. La productividad media, medida en casos resueltos por hora, subió un 15 %. En los menos expertos subió cerca de un 30 %, y un agente con dos meses de antigüedad y asistente rendía como uno de más de seis meses sin él. En los mejores, la IA aportó algo de velocidad y restó un poco de calidad.2 Si leíste un 14 % y un 34 %, son las cifras de la versión de 2023; las de arriba son las de la publicada en 2025.
3. La sensación engaña
El estudio de METR, con el que abría este artículo, usó Cursor y modelos Claude de principios de 2025 en tareas de unas dos horas. El gráfico resume el choque entre lo que todos esperaban y lo que midió el cronómetro.
| Quién | Tiempo con IA |
|---|---|
| Economistas | 61 |
| Expertos en ML | 62 |
| Programadores, antes | 76 |
| Programadores, después | 80 |
| Medición real | 119 |
Cálculo propio a partir de Becker y otros (METR, 2025): −39 %, −38 %, −24 %, −20 % y +19 % de tiempo.
Ojo con usar este dato como garrote. En febrero de 2026, METR publicó que con las herramientas de fines de 2025 los programadores probablemente ya van más rápido: entre los que repitieron, estimó un 18 % menos de tiempo, con un margen que va de ahorrar un 38 % a tardar un 9 % más.4 No lo pudo medir bien porque entre el 30 % y el 50 % de los participantes no quería hacer ciertas tareas sin IA. Lo que no cambió es lo otro: la sensación de ir rápido no sirve como medición. Si querés saber si tu workflow te ahorra tiempo, cronometralo; para una primera cuenta, usá la calculadora de las automatizaciones con IA que uso en mi día a día.
Qué le delego a la IA y qué no
Con esos tres estudios en la cabeza, el reparto sale casi solo. A la IA le doy lo que está dentro de su frontera y se puede comprobar rápido; lo que depende de contexto que no está en la tabla, lo hago yo.
| Tarea | ¿La IA? | Por qué |
|---|---|---|
| Extraer y unir los datos | No | Un script con fechas, zona horaria y moneda fijas lo hace igual cada semana. |
| Calcular métricas | No | Un total tiene una sola respuesta correcta. |
| Escribir el código de limpieza | Sí, con revisión | Me ahorra tiempo; lo pruebo con datos cuyo resultado ya conozco. |
| Redactar el resumen | Sí, borrador | Escribe rápido a partir de una tabla validada. |
| Proponer hipótesis | Sí, marcadas | Ve combinaciones que se me pasan; ninguna sale sin comprobar. |
| Explicar por qué pasó algo | No | Una causa necesita contexto del negocio que no está en los datos. |
| Recomendar y enviar | No | Lo firmo yo. |
La trampa aparece con el tiempo: la columna del medio tiende a llenarse de síes. En el estudio de soporte, los mejores agentes siguieron cada vez más las sugerencias de la IA aunque les bajaban un poco la calidad.2 El revisor experto también se acostumbra, y por eso la revisión necesita reglas además de buena voluntad.
El prompt: de «analizá esto» a un contrato
El prompt que más rinde en un informe es el que le quita a la IA la tentación de calcular, interpretar y recomendar a la vez. Compará:
Te paso el Excel de ventas de la semana. Analizalo y decime qué pasó y qué tengo que hacer.
La IA calcula, interpreta y recomienda de una vez, y no hay forma de saber qué parte inventó.
Sos analista de datos. Abajo va una tabla con las métricas de la semana, ya calculadas y validadas, y sus definiciones. Reglas: - Usá solo los números de la tabla. No calcules otros. - Si algo no se puede afirmar con la tabla, escribí «no consta». - Separá lo que se observa de lo que suponés. Para cada variación mayor al 10 % frente a la semana anterior: 1. Hallazgo: una frase, con la cifra. 2. Evidencia: fila y columna de la tabla. 3. Hipótesis: marcada como hipótesis. 4. Qué comprobarías antes de creerla. Formato: tabla de 5 filas como máximo.
Cada frase del borrador se puede rastrear hasta una celda. Lo que no se puede rastrear, lo borro.
Si el informe lo va a leer alguien que no vive en los datos, el borrador es apenas el comienzo: después hay que traducirlo, como cuento en cómo presentar resultados a un CEO que no entiende de datos.
Qué hace el workflow cuando algo falla
Un flujo que «terminó bien» puede haber publicado una conclusión vacía. Por eso cada fallo previsible tiene una respuesta escrita de antemano:
| Si pasa esto | El código lo detecta con | Y el flujo |
|---|---|---|
| Una fuente no responde | Tiempo de espera y código de error | Reintenta un par de veces y se detiene; no rellena la semana |
| Faltan datos de algún día | Umbral de cobertura | No calcula el indicador afectado y lo marca en el informe |
| Cambiaron las columnas | Lista de columnas esperadas | Bloquea la transformación hasta actualizar el mapeo |
| El resumen contradice la tabla | Comparar cada cifra del texto con la tabla | Marca la frase para revisión |
| Aparece un dato personal | Lista de campos permitidos | No se lo pasa al modelo |
Este artículo pasó por un script que avisa si una cita apunta a una fuente que no existe. Es un control de cuatro líneas y atrapa justo el error que cometen igual un humano cansado y una IA apurada. Si nunca validaste datos con código, empezá por tu primer análisis de datos con Python.
Control de calidad antes de enviar
En la encuesta de McKinsey de 2025, el 51 % de quienes usan IA dijo haber tenido al menos una consecuencia negativa, y casi un tercio de todos los encuestados, por respuestas inexactas. Entre las prácticas que más distinguían a las empresas que sí le sacan valor estaba tener definido cuándo un resultado necesita validación humana.5
Poner a una persona al final no arregla un flujo mal diseñado. La AEPD advierte sobre la tentación de cargarle a quien supervisa la culpa de fallos que vienen del diseño.6 La revisión funciona cuando tiene una lista concreta y tiempo asignado, como esta:
¿El informe está listo para salir?
Un buen workflow con IA también falla. Lo que cambia es dónde: en un control que lo frena un lunes a las nueve, o en una decisión que alguien toma el martes con un número inventado.
Automatizá el movimiento. Conservá el criterio.
Preguntas frecuentes
¿La IA puede hacer un análisis de datos sola?
Puede ejecutar código, resumir tablas y proponer hipótesis, y lo hace rápido. Lo que no puede garantizar es que el dato de origen esté bien ni saber qué contexto del negocio cambia la conclusión. En un caso diseñado para eso, los consultores con GPT-4 acertaron menos que los que trabajaron sin IA.
¿Cómo evito que la IA invente datos en un informe?
Dale solo una tabla ya calculada y validada, pedile que use únicamente esos números y que escriba «no consta» cuando algo no se pueda afirmar. Después compará cada cifra del texto con la tabla, mejor con un script que a ojo, y que una persona apruebe el texto final.
¿La IA reemplaza al analista de datos?
Los estudios apuntan a otra cosa: la IA acerca a los menos expertos al nivel de los mejores en tareas que domina, y empeora el resultado cuando la tarea está fuera de su frontera. Saber dónde está esa frontera, y qué preguntarle a los datos, sigue siendo el trabajo del analista.
¿Cuánto tiempo ahorra la IA en el análisis de datos?
Depende de la tarea y de cuánto revisás. Los estudios van desde ir un 25 % más rápido en tareas que la IA domina hasta tardar un 19 % más en programadores expertos con herramientas de 2025. Lo único fiable es medir tu propio caso: cronometrá cuatro semanas con IA y compará con las anteriores.
Fuentes
- Dell'Acqua, F., McFowland III, E., Mollick, E., Lifshitz, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F. y Lakhani, K. R. Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 37(2), 403-423, publicado en línea el 11 de marzo de 2026. Versión de trabajo de 2023: Harvard Business School Working Paper 24-013.
- Brynjolfsson, E., Li, D. y Raymond, L. Generative AI at Work (versión de noviembre de 2024). Publicado en The Quarterly Journal of Economics, 140(2), 889-942, 2025. Versión de 2023: NBER Working Paper 31161.
- Becker, J., Rush, N., Barnes, E. y Rein, D. Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR, 10 de julio de 2025 (arXiv:2507.09089).
- METR. We are Changing our Developer Productivity Experiment Design. 24 de febrero de 2026.
- McKinsey & Company. The state of AI in 2025: Agents, innovation, and transformation. 5 de noviembre de 2025.
- AEPD. Inteligencia artificial agéntica desde la perspectiva de protección de datos, versión 1.2, febrero de 2026 (páginas 49 y 50).
