Soy ingeniero de datos y ya no escribo código. Lo escribe Claude Code. Aparte de él, mi caja de herramientas es VS Code y unas diez skills que he ido puliendo durante meses. Una de ellas, la de modelado, modela mejor que yo. Está configurada con el modelo de capas que tenemos definido: siete capas, cada una con una responsabilidad (base, clean, intermediate, star schema…). Cuando diseña, tiene el manual de The Data Warehouse Toolkit en la cabeza. Me genera documentos de diseño extensos y bien pensados, y con Opus 5.5 he notado un salto grande. Así que mi trabajo es revisar.
La IA a veces descarrila, pero normalmente es por que no le das un buen contexto o no has pensado bien la solución. Esto se ve en seguida cuando le pides un cambio pequeño, y se le va la pinza escribiendo docenas de lineas nuevas de código. En esos momentos sabes que lo que te está construyendo no es lo más mantenible ni encaja en la arquitectura, y te hace repensar la solución al problema. No hay una regla para eso, lo da la experiencia. Y revisar vale tanto para lo que genero yo como para los PRs de mis compañeros. Uso una skill de revisión de PRs, pero tengo que filtrar mucho ruido, porque la IA no conoce el contexto de negocio ni las asunciones implícitas, y no tiene sentido de los datos.
También tengo skills de revisión de estilo, según una guía, y de documentación. La de documentación adapta el texto a quien lo va a leer. Eso importa en la capa de consumo expuesta en la herramienta de BI o los agentes de IA. Esta última es el sitio donde cada métrica se define una sola vez para que “ingresos” signifique lo mismo en todos los dashboards. La capa de consumo está documentada para gente de negocio, no para ingenieros.
Implementar y modelar ya no son lo difícil. Un pipeline, un modelo en dbt, un dashboard. Todo cuesta mucho menos que hace un año. Lo caro ahora es saber qué hay que construir. Entender qué necesita el negocio de verdad cuando alguien empieza una conversación con “necesito los datos de…“. Eso no lo resuelve la IA, y por eso creo que el rol que encaja con esta forma de trabajar junta en una sola persona las dos mitades: entender el negocio y llevar el dato desde la fuente hasta el dashboard. Le llamo Full Stack Data Engineer. Si implementar y modelar cuestan poco, separar a quien entiende al negocio de quien construye solo añade pasos entre medias.
Siendo honesto, hay un coste del que no he hablado. Parte de lo que me divertía de cómo trabajaba antes se ha esfumado. Me gustaba escribir el código y darle vueltas a un modelo hasta que encajaba. Ahora lo hace la IA, y lo hace bien. Revisar es necesario, pero no es lo mismo.
Si a ti también te ha pasado lo mismo, me gustaría saber cómo te va. Escríbeme y hablemos.