Resumen ejecutivo

• Un AI Agent Developer construye sistemas donde un modelo de lenguaje decide qué pasos dar y qué herramientas usar para completar una tarea: tools, memoria, orquestación, evals y guardrails.

• El stack típico combina Python o TypeScript, SDKs de OpenAI o Anthropic, frameworks de orquestación como LangGraph y el protocolo MCP para conectar sistemas externos.

• Como el título es nuevo, los sueldos se infieren de roles cercanos: en contratos remotos, HiresLink ubica a LLM Developers mid en Argentina en USD 5.650–7.650/mes.

• Si venís de backend, ya tenés más de la mitad del camino: APIs, bases de datos, testing y observabilidad son exactamente lo que separa un demo de un agente en producción.

Todos hablan de agentes de IA, pero pocos explican quién los construye y qué hace esa persona en el día a día. El AI Agent Developer es el perfil que transforma un modelo de lenguaje en un sistema que actúa: consulta una base de datos, llama a una API, abre un ticket o redacta un informe, y además sabe cuándo frenar y pedir ayuda a un humano. Si ya leíste sobre qué hace un Agent Ops, el rol que opera agentes en producción, esta nota cubre el otro lado: la construcción. Y si venís del desarrollo backend, vas a ver que el salto es más corto de lo que parece.

Qué es un agente de IA (y qué no)

Anthropic, en su guía Building effective agents, hace una distinción útil: los workflows son sistemas donde los LLMs y las herramientas se orquestan por caminos de código predefinidos, mientras que los agentes son sistemas donde el modelo dirige dinámicamente su propio proceso y el uso de herramientas. En la práctica, un agente es un LLM que usa herramientas en un loop, observando el resultado de cada paso para decidir el siguiente.

La misma guía recomienda empezar por la solución más simple posible y sumar complejidad solo cuando mejora los resultados. Esa es, quizás, la habilidad más valiosa del rol: saber cuándo no hace falta un agente. Para una introducción más conceptual, mirá qué son los agentes de IA y cómo crear el tuyo desde cero.

Qué construye un AI Agent Developer

Tools (herramientas)

Define las funciones que el agente puede llamar: buscar en un CRM, consultar stock, enviar un email. Cada tool necesita nombre, descripción y parámetros claros, porque el modelo decide en base a eso. Anthropic cuenta que, al construir un agente de código, dedicaron más tiempo a optimizar las herramientas que el prompt general.

Memoria y estado

Gestiona qué recuerda el agente dentro de una conversación (memoria de corto plazo) y entre sesiones (memoria de largo plazo), y cómo se persiste el estado si el proceso falla a mitad de camino.

Orquestación

Diseña el flujo: un solo agente con varias tools, un orquestador que delega en subagentes, pasos determinísticos mezclados con pasos decididos por el modelo. Para ver patrones con varios agentes, leé arquitecturas multiagente.

Integraciones vía MCP

El Model Context Protocol (MCP) es un estándar abierto para conectar aplicaciones de IA con sistemas externos: archivos, bases de datos, herramientas y flujos. Su documentación lo compara con un puerto USB-C para la IA. Un AI Agent Developer construye servidores MCP para exponer datos internos y clientes que los consumen.

Evals, guardrails y humano en el loop

Arma conjuntos de casos de prueba para medir si el agente resuelve bien la tarea, define validaciones de entrada y salida, límites de iteraciones y puntos de aprobación humana para acciones sensibles (pagos, envíos, borrados).

El stack típico

• Lenguajes: Python (dominante en el ecosistema de IA) y TypeScript (fuerte en productos web y servidores MCP).

• SDKs de proveedores: el OpenAI Agents SDK ofrece pocas primitivas (agentes con instrucciones y tools, handoffs entre agentes, guardrails) más sesiones, human in the loop, tracing e integración con servidores MCP. Del lado de Anthropic, el Claude Agent SDK cumple un rol similar.

• Orquestación: LangGraph se define como un framework y runtime de bajo nivel para agentes de larga duración y con estado; permite combinar pasos determinísticos con pasos agénticos en un mismo grafo, con persistencia, memoria y human in the loop.

• Datos: bases relacionales, bases vectoriales para RAG y colas o workers para tareas largas.

• Observabilidad: tracing de cada paso del agente (herramientas como LangSmith o el tracing nativo de los SDKs), costos por ejecución y alertas.

Si querés ver código desde cero, tenemos una guía para construir agentes de IA con LangChain y Python.

¿Cuánto gana un AI Agent Developer?

El título todavía no aparece como categoría propia en las encuestas locales, así que hay que trabajar con roles cercanos y tomar los números como orientativos:

• Remoto en USD: HiresLink publica para LLM Developers en Argentina bandas de USD 5.650–7.650/mes (mid, 2–4 años) y USD 8.000–11.000/mes (senior), como pago bruto a contractors bilingües.

• Mercado local en pesos: según la encuesta de Sysarmy / OpenQube analizada por Clarín, la mediana de developers no dolarizados ronda $1,5 millones (junior), $2,5 millones (semi-senior) y $3,5 millones (senior). Un perfil con experiencia real en agentes suele negociar por encima de la mediana de su seniority.

• Dolarización: la misma encuesta muestra que en semi-senior y senior la diferencia entre sueldos dolarizados y no dolarizados puede llegar al 44%.

Cómo llegar desde desarrollo backend

Si ya trabajás como backend developer, tenés las bases que más cuestan: diseño de APIs, manejo de errores, bases de datos, testing y despliegue. Lo que falta es aprender a trabajar con un componente no determinístico. Un camino posible:

1. Semanas 1–2: llamadas directas a la API de un LLM, function calling y salidas estructuradas. Repasá structured outputs.

2. Semanas 3–4: un agente simple con 2–3 tools reales (por ejemplo, consultar una base y crear un ticket), sin framework, para entender el loop.

3. Semanas 5–6: RAG sobre documentación interna y un servidor MCP propio.

4. Semanas 7–8: orquestación con LangGraph o un SDK, estado persistente y aprobación humana.

5. Semanas 9–10: evals automáticas, tracing, control de costos y un README que explique decisiones y límites.

Ese proyecto final, deployado y documentado, vale más en una entrevista que cualquier certificado: demuestra que entendés tanto el modelo como la ingeniería alrededor.

Cursos recomendados de Coderhouse

El Curso de AI Agents se enfoca en el diseño y la orquestación de agentes de IA, ideal para pasar del concepto a sistemas que resuelven tareas reales. Si querés una base más amplia para construir aplicaciones con LLMs, RAG y agentes, el Curso de AI Engineering es el complemento natural para perfiles que vienen del desarrollo.

CTA: elegí un proceso repetitivo de tu trabajo actual, diseñá las 3 tools que necesitaría un agente para resolverlo y armá la primera versión este fin de semana. Ese es tu primer proyecto de portfolio como AI Agent Developer.

Preguntas frecuentes

¿Qué son los agentes de IA y cómo funcionan? Son sistemas donde un modelo de lenguaje decide qué pasos dar y qué herramientas usar para completar una tarea, evaluando el resultado de cada acción en un loop hasta terminar o pedir ayuda humana.

¿Necesito saber machine learning para ser AI Agent Developer? No en profundidad. El rol se apoya más en ingeniería de software (APIs, datos, testing) que en entrenar modelos.

¿Python o TypeScript? Python es el más usado en el ecosistema de IA; TypeScript es muy común en productos web y servidores MCP. Con uno bien dominado alcanza para empezar.

¿En qué se diferencia de un Agent Ops? El AI Agent Developer diseña y construye el agente; el Agent Ops lo opera en producción, monitorea su calidad y costos y gestiona incidentes.