Los modelos de lenguaje de gran escala, junto al ecosistema de técnicas desarrolladas a su alrededor, desde nuevas formas de razonamiento estructurado hasta arquitecturas multiagente cada vez más sofisticadas, demuestran capacidades nunca vistas que nos permiten automatizar tareas complejas para las que, hasta hace muy poco, era imprescindible el pensamiento humano.
Durante la última década, las expectativas alrededor de la ciencia de datos solían terminar en frustraciones. La inversión en talento, infraestructura y gobernanza no siempre era suficiente para convertir capacidades analíticas en decisiones efectivas. Algunos desafíos recurrentes: retener perfiles escasos, desplegar modelos en producción, traducir resultados técnicos a las necesidades del negocio, impulsar la adopción dentro de la organización y articular equipos multifuncionales. En muchas organizaciones la transformación ha sido lenta o está en ejecución, con resultados parciales, lejos del aspiracional de ser data driven.
Hacia un nuevo paradigma
En cambio, en los últimos años han emergido avances que trazan el camino hacia un nuevo paradigma: la automatización agéntica de gran parte del trabajo analítico. Entre los hitos recientes se destacan:
- Trabajos publicados que demuestran que GPT-5 es capaz de participar en procesos de descubrimiento científico en matemáticas, física, biología y astronomía. Ya no se limita a ejecutar instrucciones: explora alternativas, interpreta evidencias y orienta líneas de investigación de forma similar al trabajo de un equipo experto humano.
- Soluciones como Aristotle, de Harmonic, muestran que los LLM pueden generar análisis complejos y validar su corrección mediante pruebas matemáticas formales con lenguajes como Lean 4, capaces de detectar errores lógicos comunes en estos modelos. En la IMO 2025, Aristotle obtuvo un rendimiento equivalente a medalla de oro, con soluciones verificadas y una fiabilidad comparable a la de modelos más potentes como los de OpenAI y DeepMind.
- La próxima generación de modelos evoluciona hacia sistemas multiagente compuestos por especialistas orquestados, con mayor razonamiento, transparencia y explicabilidad. OpenAI, por ejemplo, desarrolla para el futuro GPT-6 especialistas en dominios como programación avanzada, matemáticas y ciencias (física, química, biología), consultoría empresarial o salud.
Multiagentes especializados en ciencia de datos
En el presente destacan los sistemas multiagentes especializados en ciencia de datos. Como el descripto en el paper Kosmos: An AI Scientist for Autonomous Discovery, que impresiona al mundo científico por su capacidad para formular hipótesis, diseñar experimentos, analizar resultados, refinar modelos de forma iterativa sin supervisión humana constante y llegar a conclusiones valiosas.
En un sistema multiagente adaptado para el contexto corporativo:
- Un agente planifica estrategias analíticas y formula hipótesis utilizando una base de referencia con enfoques de ciencia de datos relacionados con el dominio del negocio.
- Otro selecciona métodos cuantitativos, codifica transformaciones, analiza datos, entrena modelos y genera canalizaciones completas.
- Un tercero ejecuta el código, maneja errores y optimiza recursos. Herramientas como Advanced Data Analysis de ChatGPT anticipan este futuro al integrar razonamiento con ejecución de código.
- Otro analiza resultados, compara enfoques e identifica patrones. En un futuro, herramientas de verificación formal como Lean podrían validar la parte lógica y deductiva de los razonamientos.
- Un quinto sintetiza hallazgos, propone mejoras e itera sobre las mejores soluciones.
- Por último y para generar un impacto real, uno especializado traduce los problemas del negocio en preguntas analíticas y evalúa el valor de los resultados. Sin esta capa, la automatización corre el riesgo de perder el rumbo.
Para que un sistema agéntico de ciencia de datos funcione, es esencial un gobierno de datos robusto que permita a los agentes identificar, localizar y acceder de forma confiable al conocimiento y a los datos requeridos para los análisis. Sin esta garantía de calidad, trazabilidad, accesibilidad y contexto, incluso los agentes más avanzados verían limitada su capacidad para producir resultados útiles.
Este enfoque no es solo teórico. En NTT DATA lo hemos implementado de forma experimental en clientes reales, alineados con objetivos de negocio concretos y con resultados tangibles.
Redefinición del científico de datos
En este nuevo contexto, el científico de datos redefine su rol y gana relevancia estratégica. Los agentes automatizan gran parte del trabajo técnico, por lo que el valor diferencial residirá en la capacidad humana para interpretar resultados y discernir qué hallazgos importan y qué implican para el negocio. El juicio experto será decisivo para cuestionar supuestos, anticipar riesgos y traducir conclusiones en decisiones sólidas.
Las organizaciones que reposicionen a sus especialistas como líderes de interpretación y supervisión analítica estarán mejor preparadas para capitalizar la era agéntica. Porque la Agentic AI no trata de sustituir el juicio humano, sino de amplificarlo.
Este nuevo salto ya está en marcha y en NTT DATA te acompañamos a darlo. Sigue explorando aquí nuestra visión sobre el futuro de la analítica y la inteligencia artificial.