ACTUALIZADO A JUNIO 2026
En los últimos años, prácticamente todos los sectores han empezado a basar decisiones importantes en datos: desde bancos y aseguradoras hasta e‑commerce, industria, salud o administraciones públicas. La llegada de la IA generativa y de modelos cada vez más avanzados no ha frenado esta tendencia; la ha acelerado, porque de repente es posible automatizar análisis, crear asistentes inteligentes y personalizar servicios a una escala que antes era impensable.
Para convertir todo ese potencial en valor real se necesitan equipos que entiendan el dato de principio a fin: cómo capturarlo, limpiarlo, almacenarlo, modelarlo, desplegarlo en producción y monitorizarlo. Y ahí es donde entran Data Scientists y el resto de perfiles del ecosistema de datos.
Datos 2025–2026: mucha demanda, vacantes sin cubrir
Si miramos cifras recientes en España, el fenómeno se ve claro:
- El Observatorio de Talento en IA y Datos indica que, en 2024, España contaba con 151.700 profesionales especializados en datos e IA, un 4,05% más que el año anterior.
- A pesar de este crecimiento, en 2024 más de 4.000 puestos de IA y datos quedaron sin cubrir por falta de perfiles con la formación adecuada; para 2026 se estiman unas 3.300 vacantes sin cubrir en estos ámbitos.
- Este mismo observatorio prevé para 2026 un aumento del 13% en ofertas de IA (más de 2.000 nuevas vacantes) y del 3,5% en ofertas de análisis de datos (cerca de 30.000 puestos), consolidando un déficit estructural de talento.
- En paralelo, la proporción de nuevas ofertas de empleo vinculadas a IA en España se ha multiplicado por nueve en cinco años: de representar el 0,03% de las ofertas en 2021 ha pasado al 0,27% en el primer trimestre de 2026, según datos recientes.
Es decir: cada año hay más profesionales de datos, pero el número de vacantes en IA y datos sigue creciendo más rápido que la capacidad de cubrirlas.
La foto real: del “Data Scientist todoterreno” al equipo de datos
Cuando en 2021 se hablaba de Data Scientist, a menudo se le atribuían todas las tareas relacionadas con datos: desde la ingesta hasta la visualización, pasando por el modelado, el despliegue y el mantenimiento. En 2026 el mercado está mucho más segmentado.
Data Scientist
Sigue siendo una figura clave, pero con un rol más definido:
- Entiende el problema de negocio, explora y prepara datos para modelado.
- Diseña y entrena modelos estadísticos y de machine learning.
- Interpreta resultados y los traduce en recomendaciones o decisiones accionables.
Trabaja principalmente con Python o R, SQL, librerías de machine learning y herramientas de visualización, y cada vez más con servicios de IA en la nube.
Data Engineer
Se ha convertido en uno de los perfiles con mayor proyección:
- Diseña, construye y mantiene los pipelines de datos que alimentan modelos y análisis: extracción de múltiples fuentes, transformación, calidad y carga en plataformas analíticas.
- Trabaja con arquitecturas modernas de datos (lakes, warehouses, lakehouses) en entornos cloud (AWS, Azure, GCP).
Informes específicos resaltan al Data Engineer como uno de los roles de datos con más futuro y mejores perspectivas de crecimiento de cara a 2026.
Analytics Engineer / Data Analyst avanzado
Actúa como puente entre los datos y el negocio:
- Modela datos en capas semánticas, define métricas y KPIs, y crea cuadros de mando que permiten a las áreas de negocio tomar decisiones.
- Entiende el lenguaje del negocio y lo traduce a modelos y estructuras de datos comprensibles y reutilizables.
Este rol ha ganado peso con la adopción de herramientas modernas de BI y transformación, que requieren perfiles capaces de combinar SQL fuerte con visión de negocio.
ML Engineer y MLOps / LLMOps Engineer
La gran novedad de los últimos años es que los modelos ya no se quedan en el entorno del Data Scientist: se despliegan en producción y hay que operarlos.
- El ML Engineer se centra en empaquetar modelos, optimizarlos y desplegarlos como servicios escalables, integrados con aplicaciones y APIs.
- El MLOps Engineer gestiona el ciclo completo: versionado de datos y modelos, automatización de pipelines, monitorización en producción y retraining.
- El LLMOps / AI Engineer se especializa en grandes modelos de lenguaje y IA generativa: orquestación de LLMs, pipelines RAG, control de costes y seguridad de aplicaciones basadas en IA.
Análisis de mercado sitúan al MLOps Engineer y a los perfiles de IA avanzada entre los mejor pagados del sector tech en España en 2026, con salarios que crecen incluso en un contexto general de estancamiento salarial en otros perfiles TIC.
IA generativa: por qué ha aumentado la demanda de talento de datos
La IA generativa ha multiplicado los casos de uso posibles: asistentes de atención al cliente, generación de contenido, análisis automático de documentos, recomendaciones hiperpersonalizadas, copilots de productividad, etc.
Un informe reciente muestra que las ofertas de trabajo que solicitan habilidades en IA generativa en España se han multiplicado por doce entre el primer trimestre de 2023 y el mismo periodo de 2025, pasando de 256 a 2.228 vacantes. En esa muestra destacan:
- Data Scientists
- Ingenieros de machine learning e IA.
- Ingenieros de datos.
Lejos de “sobra gente de datos porque la IA lo hace todo sola”, lo que está ocurriendo es que:
- Hay más empresas intentando incorporar IA en procesos críticos y productos, lo que exige equipos multidisciplinares de datos e IA.
- El listón sube: ya no basta con hacer un modelo que funcione en laboratorio; hay que desplegarlo, integrarlo con sistemas, garantizar seguridad, cumplimiento y rendimiento.
Cloud y MLOps: el nuevo “mínimo viable” en datos
Uno de los grandes cambios respecto a 2021 es que el mercado ya no busca solo gente capaz de analizar datos, sino perfiles que entiendan cómo hacer que esos modelos y análisis vivan en producción.
Las empresas esperan que los profesionales de datos:
- Estén cómodos trabajando en entornos cloud y con arquitecturas modernas de datos.
- Conozcan los principios básicos de MLOps/LLMOps: pipelines reproducibles, versionado, monitorización de modelos, detección de drift y automatización de retraining.
- Sean capaces de colaborar con equipos de ciberseguridad, IT y legal para cumplir con marcos como AI Act o NIS2 cuando se trata de modelos que afectan a personas o servicios críticos.
Sin esta capa operativa, muchos proyectos de datos se quedan en pilotos que no llegan a aportar valor real ni a justificar inversión.
Entonces, ¿por qué se demandan tantos Data Scientists y perfiles de datos?
Resumiendo, el contexto 2025–2026:
- Porque las empresas se han dado cuenta de que necesitan datos e IA para competir, no solo para “tener dashboards bonitos”.
- Porque la IA generativa ha disparado el número de casos de uso, pero para que funcionen de verdad hacen falta buenos datos, buena ingeniería y buen gobierno del dato.
- Porque la regulación y la ciberseguridad obligan a hacer las cosas bien, lo que incrementa la necesidad de talento cualificado, no la reduce.
- Y porque, a pesar del boom formativo, el número de profesionales preparados sigue siendo insuficiente para cubrir todas las vacantes que se crean cada año.
Si estás pensando en orientarte hacia este campo, el momento sigue siendo muy favorable: la demanda de perfiles de datos e IA sigue creciendo y las vacantes cualificadas no se cubren al ritmo que el mercado necesita. La clave ya no es solo “ser Data Scientist”, sino entender en qué punto del ecosistema de datos (Data Science, Data Engineering, Analytics, ML/MLOps, IA generativa) quieres aportar más valor y construir un perfil que combine fundamentos sólidos, experiencia práctica y una visión clara de cómo los datos y la IA impactan en el negocio.
En IMMUNE puedes dar ese salto a través de programas específicamente diseñados para esta nueva realidad, como el Máster en Data Science & IA para profundizar en modelado avanzado y proyectos end‑to‑end, el Máster Data Science Online si buscas compatibilizar formación y trabajo, o itinerarios más orientados a negocio e IA aplicada para quienes quieren liderar proyectos sin dejar su perfil actual.
Todos ellos comparten el enfoque “learning by doing” de IMMUNE: trabajo en datasets y casos reales, uso de herramientas actuales de cloud y MLOps y preparación práctica para el tipo de retos que hoy están planteando las empresas cuando contratan perfiles de datos.
