Gustavo Denicolay lleva dos décadas enseñando Data Mining en Economía y Finanzas en la Maestría en Ciencia de Datos de la UBA. En esta entrevista repasa las transformaciones de la disciplina, el impacto de la inteligencia artificial en el aula y los cambios demográficos que están por rediseñar la educación superior en Argentina.

Hay docentes que enseñan una materia. Y hay docentes que vivieron el nacimiento de una disciplina. Gustavo Denicolay es de los segundos. Ingeniero en Computación de la Universidad de la República (Uruguay), egresado de la Licenciatura en Informática de la ESLAI y Magíster en Administración de Empresas del CEMA; es consultor de Data Science, Marketing y Finanzas para los principales bancos y entidades financieras del país desde 2002. Dicta clases de ciencia de datos en la Maestría en Ciencia de Datos de la UBA desde 2005 —casi desde su fundación— y en otras universidades privadas. Pocos en la Maestría pueden contar la historia del campo desde adentro con tanta continuidad.

Gustavo, sos uno de los docentes históricos de la Maestría. ¿Cómo describirías la evolución de la disciplina en estos últimos 20 años?

El cambio más visible fue la democratización de la ciencia de datos. Al comienzo, hasta el 2012-2013 aproximadamente, el 55 por ciento de los alumnos venía del área de sistemas. Hoy ni siquiera son la primera minoría. Hay maestrías donde representan el 10 o el 12 por ciento. Los economistas y los licenciados en administración de empresas los superan ampliamente. Ya hay médicos y hay abogados. El año pasado tuvimos cuatro médicos en la maestría de la UBA. Antes podían pasar seis años sin que entrara un médico.

Eso cambió absolutamente todo: cómo se enseña, qué cosas hay que apoyar más y con qué nos enfrentamos, porque muchos alumnos llegaban sin saber programar. Y no es algo que se aprende en un curso de ingreso. Llevar una idea a código implica bastante práctica y horas de entrenamiento.

¿Y en cuanto a las herramientas que se usaban?

Ese fue otro cambio gigantesco. Yo soy tan antiguo que cuando empecé no era todo Open Source. La maestría tenía convenio con SPSS; otras universidades usaban SAS, que costaba 120.000 dólares de licencia más 60.000 de mantenimiento anual. Solo las empresas más grandes del mundo podían comprarlo. Eso cambió alrededor de 2014 y 2015, cuando todo empezó a ser gratuito. En la Maestría recién adoptamos las herramientas nuevas en 2016. Fue el click en cuanto a herramientas. Ese cambio llevó la ciencia de datos a empresas que no eran gigantescas.

¿Cómo encarás la materia de Data Mining en Economía y Finanzas para que los alumnos no la vivan como algo árido o puramente técnico?

La materia siempre fue muy práctica. Hay una competencia —desde 2019 usamos la plataforma Kaggle— donde el ganador es el que más plata obtiene en pesos argentinos, en su campaña de marketing. El ejercicio es real: retención de clientes VIP de una entidad financiera. ¿Cuáles van a darse de baja? ¿A cuáles les conviene hacerles una campaña? Los alumnos construyen un modelo predictivo, le asignan un estímulo a los clientes que consideran más propensos a abandonar y al final la competencia se resuelve en dinero concreto: ¿cuánto capturó cada equipo? Eso engancha, porque cualquier alumno, trabaje en Finanzas, en Retail, en una Telco o en Seguros, sabe que en su empresa también necesitan retener clientes.

Y los datos financieros argentinos tienen algo especial: son tremendamente vivos. Vivieron una inflación altísima, cambios de administración, restricciones cambiarias, saltos del dólar e incluso la pandemia. Los alumnos dicen: «esto ya lo viví». Tienen que aprender a detectar esos picos y decidir cómo tratarlos para que no contaminen el modelo. Es una lección metodológica que ningún dataset estático puede enseñar de la misma manera.

En definitiva, para enamorar a los alumnos de la materia hay que contarles historias y plantearles problemas que sientan cercanos a los que van a tener en el ejercicio profesional.

¿Tenés algún marco teórico que oriente tu forma de enseñar?

Seymour Papert. Era matemático, discípulo de Jean Piaget en Suiza, uno de los fundadores del Media Lab del MIT, e inventor del lenguaje Logo para niños, el ancestro del Scratch que se usa hoy en las escuelas. Desarrolló lo que llamó construccionismo: aprendemos de manera más efectiva cuando construimos cosas tangibles en el mundo real.

Papert tenía una idea muy provocadora sobre qué es lo que realmente produce aprendizaje. Decía que hay que preguntarse qué genera implicación, qué atrapa a cada persona, y que eso está mucho más relacionado con el amor que con la lógica, mucho más relacionado con cómo uno se ve a sí mismo encajando en el tejido social y cultural que con el orden lógico de los contenidos. Su frase más citada es contundente: «la educación tiene muy poco que ver con la explicación; tiene que ver con el compromiso, con enamorarse del material». Y eso lo llevaba a cuatro condiciones concretas para que ese enamoramiento ocurra: 1. proyectos reales que los alumnos sientan cercanos a su realidad; 2. pares, hacerlo con otros; 3. juego, probar combinaciones, equivocarse y ajustar (el error no es un fracaso, es parte del camino) y 4. un desafío genuino donde tengas que combinar cosas, como en un Lego, para encontrar la mejor solución. 

Cuando todo eso se da junto, el alumno no estudia porque tiene que estudiar: quiere pasar más horas con eso.  Las competencias tienen exactamente ese efecto. Cuatro meses intentando lo mismo, compartiéndose trucos, queriendo ganarle al otro equipo. Es una cancha y los alentamos. Y desde la pandemia tenemos un chat en vivo donde la clase continúa: los profesores tiramos ideas, los alumnos comentan y discutimos juntos. Se genera una dinámica emergente que antes no existía.

¿Y cómo cambia todo eso con la irrupción de ChatGPT y los modelos de lenguaje?

Tiene pros y contras muy concretos. La ventaja: gente que antes no estaba capacitada para escribir código ahora puede hacerlo. En clase se genera más código que antes; los alumnos llegan a construir cosas que antes les resultaban inalcanzables. Una alumna me contó que usa ChatGPT para casi todo en su vida cotidiana, que se convirtió en un compañero permanente. Y no es la excepción: hay alumnos que terminaron la Maestría diciéndome que ChatGPT fue su compañero durante los dos años y ahora los acompaña en la tesis.

El problema es más sutil. Como decía Papert: la educación tiene poco que ver con la explicación y mucho con el engagement, con que el alumno se enganche con la materia. Para enamorarse, algunas cosas tienen que costarte un poco. Si vas a ChatGPT y con eso resolvés un trabajo práctico (porque el trabajo práctico está mal diseñado y se puede responder con IA), no te queda tiempo para empezar a enamorarte de la ciencia de datos. Porque no acumulás las horas de exposición que necesita ese proceso.

Hay que usar la IA para que el alumno diga: «quiero pasar más horas con esto porque ahora puedo hacer cosas que antes no podía.» No para zafar. Lo que veo son dos tipos de alumnos: el que usa la IA para construir cosas con sus manos, para probar ideas nuevas y para engancharse más. Y el que se recuesta en ella para pasar el menor tiempo posible en la materia. Para el primero, la IA es un amplificador. Para el segundo, puede ser un cortocircuito que impide que nazca el amor por la disciplina.

Actualmente existe un claro temor a que la IA elimine empleos en el área. ¿Lo compartís?

Hay que mirar la historia. Geoffrey Hinton —premio Turing 2018 y Nobel de Física 2024, la única persona que tiene ambos premios— dijo en 2016 que los especialistas en imágenes médicas iban a desaparecer porque las computadoras ya reconocían tumores mejor que ellos. Hoy hacen falta más especialistas en imágenes que antes. Los mamógrafos modernos obtienen cien imágenes en vez de dos: la IA ayuda a procesarlas, pero alguien tiene que interpretar, decidir, contextualizar. El mismo Hinton en 2025 admitió que se equivocó con esa predicción.

Lo que pasa siempre es que los trabajos se transforman. En todas las empresas donde trabajo hay más áreas de ciencia de datos ahora que hace cinco años. En YPF hay más de un sector dedicado a esto. Los empleos no desaparecen: cambian y se multiplican. Sí existe un riesgo real para quien tiene 50 y pico de años muy especializado en algo que se automatizó y ya no tiene tiempo de reconvertirse. Eso pasa. Pero para quien está en formación o puede actualizarse, la señal es clara: hay más trabajo, en más dominios, con problemas más interesantes.

Contanos un poco de tu actividad privada. ¿En qué proyectos estás trabajando?

Sigo trabajando en el mundo de finanzas: datos de bancos, empresas de seguros, riesgo crediticio y fraude financiero. Este último creció enormemente con la pandemia. Hoy desde cualquier lugar del mundo se pueden hacer estafas de forma remota, sin el riesgo físico de antes. Y con el crecimiento explosivo de las operaciones online, el volumen de transacciones a analizar se multiplicó. Son problemas que requieren modelos muy robustos, muy bien calibrados, porque el costo de equivocarse es alto en los dos sentidos: si dejás pasar fraude o si frenás operaciones legítimas.

Pero lo más interesante en lo que estoy ahora tiene que ver con un límite que siempre tuvieron los modelos predictivos tradicionales. Un modelo te dice: este cliente tiene un 70% de probabilidad de irse. Eso es útil. Pero la empresa quiere saber más: ¿qué hace que se vaya? ¿Qué pasa si le cambio el precio? ¿Si me comunico por otro canal? ¿Si encadeno las interacciones de cierta forma, primero esto, luego aquello y un mensaje al final? El modelo clásico no puede responder esas preguntas porque es descriptivo, no causal.

Ahí aparece la importancia de que los modelos predictivos sean robustos y que la empresa pueda entenderlos, que pueda entender realmente cómo funcionan para tomar mejores decisiones.

Exactamente. Y eso es lo que diferencia un modelo que genera impacto de uno que queda archivado. Las empresas no quieren solo una “caja negra” que predice con un algoritmo poderoso. Quieren entender los engranajes. ¿Qué hace que este cliente compre o no compre? ¿Qué variables muevo yo como empresa para cambiar ese resultado?

Lo que se está construyendo ahora son modelos de causa-efecto, lo que se empieza a llamar World Models o modelos del mundo (se recomienda ver el paper “Understanding World or Predicting Future? A Comprehensive Survey of World Models”). Se trata de simuladores que reproducen cómo funciona la relación con los clientes. La idea es que los responsables de negocio puedan «jugar» con ese simulador. Subir el precio, cambiar el canal de comunicación, modificar la secuencia de interacciones, ver qué pasa si la competencia hace una movida. Todo esto está relacionado con los modelos causales estructurales.

Te doy un ejemplo concreto. En riesgo crediticio, la pregunta no es solo «¿este cliente va a pagar?». La pregunta más interesante es: ¿y si le ofrezco el préstamo junto con un amigo, de modo que compartan la carga? ¿Mejora la tasa de repago porque ninguno quiere quedar mal frente al otro? Eso es un What If. Para responderlo necesitás un simulador del mundo, no solo un predictor. Creo que es lo más interesante que está pasando en el campo ahora mismo.

Para cerrar: ¿qué cambios estructurales ves venir en la educación superior en Argentina?

Hay una ola que ya arrancó y es imparable. Desde 2016 nace un 40% menos de gente en Argentina. Eso ya cerró maternidades, jardines y primarias. En dos años llega a los secundarios. En ocho años llega a las universidades. Un 40% menos de estudiantes. Quien no se prepare para eso va a tener un problema muy serio: van a hacer falta 40% menos de profesores y seguramente muchas instituciones privadas van a tener que cerrar o fusionarse.

Pero hay otra ola que va en sentido contrario: los adultos que decidieron tener menos hijos tienen más tiempo libre. Van a necesitar más educación, más actualización permanente. Las maestrías van a rejuvenecer —en Europa ya se hacen a los 26 años, no a los 33—. Y hay mucha gente que desde el AMBA se va a ir a vivir a la Patagonia con Vaca Muerta, al norte por la industria del Litio o a otros polos. Eso abre una oportunidad enorme para la educación virtual de calidad: con la misma exigencia, con exámenes orales y con todo lo que garantice que no se haga trampa.

Y después está el inglés. Si tenemos profesores capacitados para dictar en inglés, ¿por qué no ofrecer los posgrados para el exterior de forma virtual? Todos estos cambios son desafíos en sí mismos. Pero sobre todo son posibilidades que hay que empezar a pensar ahora, sin perder tiempo, porque la ola ya arrancó.