Durante años, Computer Science fue una de las apuestas universitarias más obvias para quien buscaba una carrera técnica bien pagada. Aprender algoritmos, estructuras de datos y programación parecía abrir una puerta directa hacia empresas tecnológicas, startups y grandes salarios.

La expansión de la inteligencia artificial está complicando esa fórmula.

Un artículo reciente de Fast Company plantea una pregunta provocadora: ¿podría Matemáticas convertirse en el nuevo Computer Science? La idea no es que programar haya dejado de importar, sino que una parte creciente del trabajo de implementación puede ser automatizada, mientras aumenta el valor de quienes saben modelar problemas, razonar bajo incertidumbre y entender los fundamentos que hay detrás de los sistemas de IA.

La conclusión más útil, sin embargo, no es Math vs. CS.

Es esta:

Matemáticas + Programación + IA puede convertirse en una combinación mucho más poderosa que cualquiera de esas habilidades por separado.

La señal que viene de las universidades

El cambio no es sólo una impresión del mercado tecnológico.

El National Student Clearinghouse Research Center reportó que, en primavera de 2026, la matrícula de pregrado en Computer and Information Sciences cayó en distintos tipos de instituciones estadounidenses. En universidades de cuatro años la disminución fue de 8,4%, mientras la matrícula universitaria total seguía creciendo.

Eso no demuestra que Computer Science haya dejado de ser útil. Sí indica que los estudiantes están reevaluando una carrera que durante más de una década parecía una apuesta casi automática.

Al mismo tiempo, Fast Company señala que la matrícula en Matemáticas, después de tocar fondo alrededor de 2022, comenzó a recuperarse.

La lectura correcta no es que todo el mundo esté abandonando CS para estudiar Matemáticas. Es más interesante: la economía de las habilidades técnicas está cambiando.

¿Qué cambió con la IA?

Hasta hace poco, una parte importante del valor de un ingeniero de software estaba asociada a su capacidad de transformar una especificación en código.

Podíamos simplificarlo así:

problema
  ↓
diseño
  ↓
programador
  ↓
código
  ↓
sistema funcionando

Los modelos modernos introducen una nueva capa:

problema
  ↓
humano formula y supervisa
  ↓
agente / modelo
  ↓
genera código
  ↓
humano valida
  ↓
sistema funcionando

Eso no elimina al ingeniero. Cambia dónde aporta más valor.

Si producir una función, un test, una consulta SQL o una transformación de datos cuesta cada vez menos, entonces cobran importancia otras capacidades:

  • formular correctamente el problema;
  • decidir qué optimizar;
  • reconocer una solución estadísticamente débil;
  • detectar supuestos incorrectos;
  • medir incertidumbre;
  • evaluar resultados;
  • diseñar experimentos;
  • distinguir correlación de causalidad;
  • comprender por qué un modelo falla.

Muchas de esas habilidades están profundamente conectadas con las matemáticas.

Las matemáticas que más aparecen en IA

No todas las ramas de Matemáticas tienen el mismo retorno para alguien que trabaja con sistemas de IA.

Hay cinco áreas especialmente importantes.

1. Álgebra lineal

Los modelos modernos trabajan constantemente con vectores, matrices y transformaciones.

Embeddings, capas neuronales y muchas operaciones internas pueden expresarse con objetos de álgebra lineal.

Conceptualmente:

texto
  ↓
vector
  ↓
transformaciones matriciales
  ↓
nueva representación

No hace falta calcular matrices gigantes a mano. El valor está en entender qué representa una transformación y qué información conserva o destruye.

2. Probabilidad y estadística

La IA opera bajo incertidumbre.

Cuando un modelo predice, clasifica, estima o genera, aparecen preguntas probabilísticas:

¿Qué tan probable es este resultado?
¿Cuánto ruido hay en los datos?
¿La mejora es real o casualidad?
¿La muestra está sesgada?

Sin estadística es fácil confundir una métrica bonita con evidencia sólida.

3. Optimización

Entrenar un modelo es, en gran medida, un problema de optimización.

Tenemos parámetros, una función de pérdida y un procedimiento que intenta encontrar una configuración mejor.

parámetros
   ↓
modelo
   ↓
predicción
   ↓
loss
   ↓
optimización
   ↓
nuevos parámetros

Conceptos como gradiente, mínimos locales, restricciones y regularización dejan de ser teoría abstracta cuando se trabaja con ML.

4. Cálculo

Las derivadas aparecen en el corazón del entrenamiento de redes neuronales.

No necesitas resolver cada derivada manualmente porque frameworks como PyTorch calculan gradientes automáticamente, pero comprender la intuición del cálculo ayuda a razonar sobre entrenamiento, sensibilidad y optimización.

5. Métodos numéricos

Las computadoras no trabajan con matemáticas ideales; trabajan con aproximaciones finitas.

Eso introduce problemas como:

  • pérdida de precisión;
  • overflow y underflow;
  • convergencia;
  • errores acumulados;
  • estabilidad numérica.

En sistemas grandes, estas cuestiones pueden separar una implementación que funciona de una que explota silenciosamente.

El mercado quant muestra una señal interesante

Otro argumento del artículo aparece en las firmas cuantitativas.

Hedge funds, firmas de trading y equipos de investigación cuantitativa compiten por personas capaces de combinar modelado matemático con programación.

Fast Company recoge rangos de compensación extraordinariamente altos para algunos perfiles especializados: empresas de IA y firmas quant pueden llegar a ofrecer paquetes de cientos de miles de dólares, e incluso más para talento excepcional.

Es importante no interpretar esos números como salarios normales para cualquier graduado de Matemáticas. Son casos del extremo superior del mercado.

Lo interesante no es la cifra exacta.

Es qué tipo de persona están intentando contratar.

Un recruiter cuantitativo citado en el artículo resume la ventaja con una idea muy clara: el perfil especialmente valioso es un matemático que sabe programar.

Esa combinación tiene lógica porque permite unir dos mundos:

Matemáticas
- modelar
- abstraer
- demostrar
- trabajar con incertidumbre

Programación
- implementar
- automatizar
- experimentar
- escalar

Ahora podemos añadir un tercer elemento:

IA
- generar implementaciones
- explorar alternativas
- automatizar tareas
- acelerar experimentos

El resultado es un perfil capaz de formular, construir y supervisar sistemas mucho más rápido.

Pero Computer Science no está muerto

Sería un error convertir esta tendencia en otra narrativa extrema.

La caída de matrícula no significa que las empresas hayan dejado de necesitar ingenieros.

Los sistemas de IA siguen requiriendo:

  • arquitectura de software;
  • sistemas distribuidos;
  • bases de datos;
  • seguridad;
  • networking;
  • infraestructura;
  • compiladores;
  • runtimes;
  • observabilidad;
  • testing;
  • sistemas operativos.

Un modelo puede escribir muchísimo código sin entender completamente la organización donde ese código va a vivir.

Y alguien tiene que decidir:

qué construir
cómo dividirlo
qué restricciones aplicar
cómo medirlo
cómo desplegarlo
cómo recuperarse cuando falle

Esas siguen siendo tareas de ingeniería.

El cuello de botella se mueve

La mejor forma de interpretar el cambio es pensar en el cuello de botella.

Antes:

idea
  ↓
[ESCRIBIR CÓDIGO]  ← caro y lento
  ↓
software

Con asistentes y agentes:

idea
  ↓
formular correctamente
  ↓
IA genera implementación
  ↓
[VALIDAR / RAZONAR / DECIDIR]  ← nuevo cuello de botella
  ↓
software

Cuando producir código se abarata, aumenta el valor de saber si ese código debería existir, si resuelve el problema correcto y si su resultado es confiable.

Eso explica por qué fundamentos matemáticos pueden volverse más valiosos incluso para programadores que nunca tendrán el título de “matemático”.

Si ya sabes programar, ¿qué deberías estudiar?

Para alguien que ya programa, no parece necesario abandonar todo y comenzar una carrera universitaria completa en Matemáticas.

Una estrategia más eficiente puede ser construir una capa matemática sobre las habilidades existentes.

Un orden razonable sería:

1. Álgebra lineal
2. Probabilidad y estadística
3. Optimización
4. Cálculo
5. Métodos numéricos

Y cada tema debería conectarse con código.

Por ejemplo:

Álgebra lineal
→ embeddings y similitud coseno

Probabilidad
→ evaluación de modelos y experimentos

Optimización
→ gradient descent

Cálculo
→ backpropagation

Métodos numéricos
→ precisión y estabilidad

La clave es evitar estudiar matemáticas como una colección aislada de fórmulas.

Hay que convertirlas en herramientas para resolver problemas reales.

El perfil híbrido

Durante años hablamos del desarrollador “full stack”.

La era de la IA puede favorecer otro tipo de perfil híbrido:

                  ┌──────────────┐
                  │ Matemáticas  │
                  └──────┬───────┘
                         │
             ┌───────────┴───────────┐
             │                       │
      ┌──────▼──────┐         ┌──────▼──────┐
      │Programación │         │     IA      │
      └──────┬──────┘         └──────┬──────┘
             │                       │
             └───────────┬───────────┘
                         ▼
              resolver problemas
              de alta complejidad

No es necesario ser el mejor matemático, el mejor programador y el mejor investigador de IA simultáneamente.

Pero comprender suficientemente los tres dominios crea una capacidad rara: puedes formular un problema con rigor, usar IA para acelerar la implementación y evaluar si el resultado tiene sentido.

La lección más importante

La pregunta “¿Matemáticas es el nuevo Computer Science?” funciona bien como provocación, pero probablemente plantea una falsa dicotomía.

Computer Science no desaparece.

Matemáticas tampoco reemplaza mágicamente a la ingeniería de software.

Lo que la IA hace es cambiar el precio relativo de distintas habilidades.

Cuando escribir código cuesta menos, sube el valor de:

razonar
modelar
formular
medir
verificar
optimizar

Y ahí las matemáticas tienen mucho que aportar.

La ventaja competitiva del futuro probablemente no será simplemente saber programar ni simplemente saber matemáticas.

Será saber combinar ambas cosas con herramientas de IA.

Matemáticas
     +
Programación
     +
IA
     ↓
capacidad de resolver problemas
que antes requerían equipos enteros

Ésa es una tesis bastante más interesante que declarar un nuevo ganador entre carreras universitarias.

Fuentes