Analista de automatización e inteligencia artificial en Uruguay: qué hace y cómo preparar tu portafolio en 2026

Las empresas uruguayas ya no buscan solamente personas que “sepan usar inteligencia artificial”. Cada vez aparecen más posiciones que combinan análisis de procesos, automatización, datos, integración de herramientas y criterio de negocio. Una de las más interesantes es la de analista de automatización e inteligencia artificial: un perfil capaz de detectar una tarea repetitiva, diseñar una solución útil, probarla con usuarios y medir si realmente mejora el trabajo.

El nombre del cargo puede variar —AI Analyst, analista de automatización, especialista en adopción de IA o analista de transformación digital—, pero la promesa es parecida. La organización necesita a alguien que convierta posibilidades tecnológicas en resultados concretos, sin perder de vista los datos, la seguridad ni la supervisión humana.

Esta guía explica qué hace este perfil en Uruguay, qué habilidades suelen agruparse alrededor del rol y cómo construir un portafolio demostrable en 90 días, incluso si todavía no tenés experiencia formal en inteligencia artificial.

¿Qué hace un analista de automatización e inteligencia artificial?

Su trabajo empieza antes de elegir una herramienta. Primero entiende el proceso: quién lo ejecuta, qué información recibe, qué decisiones toma, dónde se demora y qué errores se repiten. Después define si conviene automatizar una parte, incorporar un asistente de IA, integrar sistemas o simplemente rediseñar el flujo.

En una semana típica puede realizar tareas como:

• entrevistar a usuarios de administración, ventas, operaciones o recursos humanos;
• mapear pasos, responsables, tiempos y puntos de control;
• identificar tareas repetitivas y casos de uso de IA con impacto medible;
• comparar herramientas, APIs, plataformas low-code y modelos generativos;
• crear prototipos de asistentes, integraciones o flujos automáticos;
• probar la solución con datos controlados y registrar fallos;
• documentar permisos, límites, excepciones y criterios de aprobación humana;
• medir adopción, tiempo ahorrado, calidad y satisfacción del usuario.

La clave es que no se trata solo de programar. El valor está en conectar tres mundos: el problema del negocio, la experiencia de las personas y la solución técnica.

Por qué este perfil gana relevancia en Uruguay

Durante 2026, distintas señales del mercado uruguayo apuntan en la misma dirección. PwC Uruguay ha destacado que la IA está elevando la especialización de ciertos roles y aumentando la demanda de capacidades analíticas, resolución de problemas, adopción tecnológica y toma de decisiones. A la vez, vacantes recientes en Montevideo describen responsabilidades como impulsar la adopción de IA, evaluar soluciones, implementar agentes, encontrar oportunidades de automatización y documentar casos de uso.

INEFOP también ha reforzado la formación para empleabilidad con IA y las rutas escalonadas de habilidades digitales. Esto no significa que exista una única carrera obligatoria. Significa que el mercado empieza a valorar combinaciones verificables de habilidades: entender el negocio, experimentar con criterio y producir mejoras que otras personas puedan usar.

Para quien busca una transición profesional, el rol ofrece una ventaja: permite comenzar con procesos pequeños. Un buen portafolio no necesita una plataforma enorme; necesita mostrar que pudiste definir un problema, construir una solución razonable, controlar sus riesgos y demostrar el resultado.

Habilidades que conviene desarrollar

¿Hace falta programar?

No siempre para comenzar, pero sí conviene comprender la lógica. Plataformas como Power Automate, n8n, Make o herramientas equivalentes permiten construir flujos visuales. Sin embargo, conocer fundamentos de Python, SQL, APIs y estructuras de datos amplía el tipo de problemas que podés resolver y te ayuda a detectar errores que una interfaz visual oculta.

La mejor estrategia no es elegir entre no-code y código como si fueran bandos. Es aprender a usar cada nivel según el problema: una regla simple puede resolverse con una automatización visual; una integración compleja puede requerir una API; un análisis de volumen puede necesitar Python o SQL.

Herramientas que aparecen alrededor del rol

No existe un stack universal. Las empresas combinan herramientas según sus sistemas, presupuesto y políticas. Aun así, estas categorías son frecuentes:

• automatización e integración: Power Automate, n8n, Make, Zapier o servicios propios;
• IA generativa: ChatGPT, Microsoft Copilot, Gemini, Claude o modelos conectados por API;
• datos: Excel, Power Query, SQL, Python y herramientas de visualización;
• documentación: diagramas de proceso, repositorios, manuales y bitácoras de cambios;
• desarrollo y pruebas: Git, entornos de prueba, logs y colecciones de casos de evaluación;
• gestión: tableros de tareas, backlog de casos de uso y matriz de prioridades.

Para aprender, elegí una combinación pequeña. Por ejemplo: Excel o Google Sheets para datos, n8n o Power Automate para el flujo, un modelo de IA para clasificación y un documento de evaluación. Dominar un circuito completo vale más que acumular capturas de diez herramientas.

Cómo elegir un buen caso de uso para tu portafolio

Un caso de uso sólido tiene cuatro características: ocurre con cierta frecuencia, consume tiempo, posee reglas observables y permite medir el resultado. Evitá comenzar con decisiones de alto riesgo, datos sensibles o procesos que nadie entiende.

Podés priorizar con una matriz simple. Asigná de 1 a 5 puntos a frecuencia, tiempo consumido, estabilidad del proceso, disponibilidad de datos y facilidad de validación. Restá puntos por sensibilidad, impacto de error y complejidad de integración. Los primeros proyectos deberían combinar valor visible con riesgo controlable.

Tres proyectos que pueden demostrar tus capacidades

1. Clasificador de consultas con revisión humana

Tomá un conjunto ficticio o anonimizado de correos de atención. Diseñá categorías, construí un flujo que proponga una clasificación y envíe cada caso a la persona correcta. La IA no debería cerrar el caso automáticamente: debe sugerir, explicar su nivel de confianza y permitir corrección.

Medí precisión por categoría, porcentaje de casos enviados a revisión y tiempo de distribución. Documentá qué ocurre cuando el mensaje es ambiguo o contiene información sensible.

2. Asistente para resumir documentos con referencias

Creá un prototipo que reciba documentos permitidos, produzca un resumen estructurado y señale de qué sección surge cada afirmación. Incluí una lista de preguntas que el sistema debe rechazar cuando el material no contiene evidencia.

La evaluación puede comparar fidelidad, cobertura, citas correctas y errores. Este proyecto muestra que sabés trabajar con IA de forma verificable, no solo generar texto convincente.

3. Flujo de reporte operativo

Usá datos de ejemplo para consolidar archivos, limpiar columnas, calcular indicadores y distribuir un reporte. Incorporá alertas cuando falte información o un valor quede fuera del rango esperado.

Registrá el tiempo manual inicial, el tiempo posterior, la cantidad de pasos eliminados y los controles que permanecen a cargo de una persona. Así demostrará que entendés automatización de punta a punta.

Plan de 90 días para preparar tu perfil

Días 1 a 30: fundamentos y observación

1. Aprendé a mapear procesos con entradas, salidas, decisiones y excepciones.
2. Practicá limpieza de datos con hojas de cálculo y consultas básicas.
3. Construí automatizaciones pequeñas con disparadores, condiciones y logs.
4. Estudiá límites de los modelos generativos: alucinaciones, sesgos, privacidad y prompt injection.
5. Elegí un caso de uso acotado y definí el indicador de éxito antes de construir.

Días 31 a 60: prototipo y evaluación

1. Construí la primera versión con datos ficticios o autorizados.
2. Diseñá al menos 20 casos de prueba, incluyendo excepciones.
3. Agregá revisión humana y un mecanismo para registrar correcciones.
4. Documentá permisos, datos utilizados y escenarios que la solución no cubre.
5. Compará el resultado con el proceso manual mediante la misma muestra.

Días 61 a 90: portafolio y conversación laboral

1. Publicá una descripción del problema sin exponer datos privados.
2. Mostrá el diagrama, la arquitectura, las decisiones y el resultado.
3. Grabá una demostración breve centrada en el flujo, no en efectos visuales.
4. Incluí una sección de límites, riesgos y mejoras futuras.
5. Prepará una explicación de tres minutos y una versión técnica más detallada.

Cómo presentar cada proyecto

Usá una estructura repetible para que una persona reclutadora o líder entienda rápido tu aporte:

1. Problema: qué tarea existía y para quién.
2. Línea base: cuánto demoraba, qué errores tenía o qué fricción generaba.
3. Restricciones: datos, privacidad, presupuesto y sistemas disponibles.
4. Solución: arquitectura, herramientas y decisiones principales.
5. Controles: validación, revisión humana, permisos y monitoreo.
6. Resultado: indicadores antes y después.
7. Aprendizaje: qué cambiarías en una siguiente versión.

Un portafolio creíble muestra también lo que no funcionó. Explicar un error de integración, un falso positivo o una regla mal planteada revela capacidad de diagnóstico y madurez profesional.

Errores que pueden debilitar tu candidatura

• Presentar prompts sueltos como proyecto: sin proceso, evaluación ni usuario, no demuestran impacto.
• Prometer automatización total: los procesos reales tienen excepciones y requieren responsables.
• Usar datos sensibles en herramientas públicas: la privacidad debe formar parte del diseño.
• Medir solo tiempo ahorrado: también importan calidad, trazabilidad, adopción y riesgo.
• Confundir demo con producción: un prototipo puede funcionar en diez casos y fallar al escalar.
• Ocultar límites: declarar cuándo la solución debe pedir ayuda aumenta la confianza.

Preguntas frecuentes en una entrevista

¿Cómo decidirías qué proceso automatizar?

Explicá que analizarías volumen, frecuencia, reglas, calidad de datos, impacto y riesgo. Después priorizarías un piloto pequeño con indicador y responsable definidos.

¿Cómo evaluarías un asistente de IA?

Proponé un conjunto de casos normales, difíciles y adversariales. Medí exactitud, utilidad, errores críticos y porcentaje de escalamiento a una persona.

¿Qué harías si el modelo entrega una respuesta incorrecta?

La respuesta debe incluir prevención, detección y recuperación: contexto limitado, fuentes, validaciones, umbrales, revisión humana, logs y aprendizaje a partir del incidente.

¿Cómo lograrías que el equipo adopte la solución?

Involucrá a usuarios desde el diagnóstico, resolvé una fricción real, explicá los límites, capacitá con ejemplos y medí uso y feedback después del lanzamiento.

Conclusión

El analista de automatización e inteligencia artificial no es quien persigue la herramienta más nueva. Es quien transforma un proceso con criterio: entiende a las personas, organiza los datos, construye una solución controlada y demuestra el resultado. En Uruguay, la combinación de formación para empleabilidad, adopción empresarial y nuevas vacantes vuelve este perfil especialmente interesante para quienes buscan una transición hacia trabajos de mayor valor.

Tu siguiente paso puede ser pequeño: elegí un proceso, definí una métrica y construí una primera versión que otra persona pueda probar. Para acelerar esa ruta, explorá la formación online de G-Talent en inteligencia artificial, automatización, datos, Python y herramientas de productividad. La meta no es coleccionar cursos, sino convertir lo aprendido en un portafolio que muestre cómo resolvés problemas reales.