Las habilidades de IA que hoy pesan en el mercado laboral se aprenden en un orden: primero saber conversar con un modelo y obtener resultados útiles, después automatizar procesos completos, después construir o supervisar agentes, y en paralelo aprender a evaluar si lo que el sistema produce está bien. Saltarse el orden es el error más común: mucha gente empieza por armar agentes sin saber evaluar outputs, y termina con sistemas que fallan sin que nadie se dé cuenta.

Este artículo no es una lista de herramientas de moda. Las herramientas cambian cada pocos meses; las habilidades no. Lo que sigue es la secuencia concreta, con qué cambia en cada nivel según el rol desde el que arrancás.

Por qué el orden importa más que la herramienta

El capítulo de habilidades del Future of Jobs Report del World Economic Forum ubica a IA y big data como las habilidades de más rápido crecimiento, seguidas por ciberseguridad y alfabetización tecnológica. Pero "IA" en ese informe no significa saber usar un chatbot: significa poder incorporar sistemas de IA a un flujo de trabajo y sostener el resultado.

La distancia entre ambas cosas explica por qué tanta gente siente que ya "sabe IA" y sin embargo no ve ningún cambio en su empleabilidad. Usar una herramienta es un punto de partida, no una habilidad laboral. La habilidad aparece cuando podés hacerte cargo de un proceso de punta a punta.

Nivel 1: interacción efectiva con modelos

Es la base y la etapa que más rápido se recorre, aunque casi nadie la completa bien. No se trata de memorizar fórmulas mágicas de prompt, sino de tres cosas concretas:

• Especificar el contexto suficiente. La mayoría de los malos resultados vienen de pedidos ambiguos, no de limitaciones del modelo.

• Elegir el formato de salida. Pedir una tabla, un JSON o una lista con criterios explícitos cambia por completo la utilidad de la respuesta.

• Iterar con feedback específico. "Está mal" no sirve; "el tercer punto mezcla dos ideas, separalas" sí.

Señal de que terminaste este nivel: podés lograr un resultado usable en dos o tres intentos, de forma consistente, en tareas de tu trabajo real.

Nivel 2: automatización de procesos

Acá empieza la diferencia laboral real. Una cosa es resolver una tarea con IA y otra es hacer que esa tarea se resuelva sola cada vez que ocurre. Las habilidades de este nivel son:

1. Mapear un proceso. Identificar disparador, pasos, decisiones y resultado esperado. Es una habilidad de análisis, no técnica.

2. Conectar sistemas. Entender qué es una API, qué es un webhook y cómo dos herramientas se pasan información.

3. Manejar los casos borde. Qué pasa cuando falta un dato, cuando el modelo responde algo inesperado o cuando el servicio no responde.

El tercer punto es el que separa a quien automatiza en serio de quien arma demos. Un flujo que funciona el 80% de las veces y falla en silencio el 20% restante genera más trabajo del que ahorra.

Qué automatizar primero

La regla práctica: buscá tareas que hagas seguido, que tengan una entrada clara y una salida verificable. Clasificar consultas, resumir documentos con un formato fijo, generar borradores a partir de datos estructurados. Evitá empezar por procesos con muchas excepciones o donde un error sea caro.

Nivel 3: agentes y sistemas con autonomía

Un agente es un sistema que decide qué pasos dar para cumplir un objetivo, en lugar de seguir una secuencia fija. Es la frontera donde hoy se concentra la contratación, y también donde más se sobreestima el estado del arte.

El informe State of AI de McKinsey muestra la brecha con claridad: 23% de las organizaciones dice estar escalando algún sistema agéntico y otro 39% está experimentando, pero la mayoría de quienes escalan lo hacen en una o dos funciones nada más. Traducido: hay demanda de gente que sepa llevar un agente de la demo a producción, que es un problema muy distinto al de armarlo.

Las habilidades que se piden acá:

• Diseñar el alcance del agente (qué puede y qué no puede hacer, y qué requiere aprobación humana)

• Darle herramientas acotadas en lugar de acceso amplio

• Instrumentar el sistema para poder ver qué hizo y por qué

• Definir en qué punto un humano revisa

Nivel transversal: evaluar los resultados

Esta es la habilidad que más se saltea y la que más diferencia marca. Evaluar significa poder responder con evidencia: ¿este sistema está funcionando mejor que la semana pasada? ¿Mejor que hacerlo a mano?

En la práctica se reduce a tres prácticas simples:

• Armar un set de casos de prueba con ejemplos reales y la respuesta correcta esperada, aunque sean veinte.

• Definir qué es "correcto" antes de mirar los resultados, no después.

• Medir antes y después de cada cambio en lugar de confiar en la impresión general.

Suena poco glamoroso y es exactamente lo que buscan los equipos que ya pasaron la etapa de entusiasmo. Si querés entender por qué la supervisión humana sigue siendo central en estos sistemas, este artículo sobre el enfoque human-in-the-loop lo desarrolla en detalle.

La ruta según tu rol de partida

Los cuatro niveles son los mismos para todos, pero el peso de cada uno cambia según de dónde venís.

Una aclaración sobre la última fila: quien lidera no necesita implementar, pero sí necesita poder distinguir una automatización sólida de una frágil. Sin ese criterio, las decisiones sobre qué escalar se toman por entusiasmo.

Cuánto tiempo lleva cada nivel

Con dedicación de unas cinco horas semanales sobre tareas reales del trabajo:

• Nivel 1: dos a cuatro semanas.

• Nivel 2: dos a tres meses.

• Nivel 3: tres a seis meses, y depende bastante de si sabés programar.

• Evaluación: se aprende en paralelo, desde el nivel 2 en adelante.

El factor que más acelera todo es aplicar cada cosa a un problema propio en lugar de hacer ejercicios genéricos. Si querés un panorama más amplio de qué pide el mercado además de IA, este artículo sobre habilidades con más salida laboral lo complementa bien.

Cursos recomendados de Coderhouse

Uno por nivel, para que puedas entrar donde corresponde:

• Curso de Introducción a la Inteligencia Artificial: nivel 1. Para construir criterio sobre qué pueden y qué no pueden hacer estos sistemas.

• Curso de AI Automation: nivel 2. Automatización de procesos reales conectando herramientas.

• Curso de AI Agents: nivel 3. Diseño y control de sistemas con autonomía.

• Curso de AI Engineering: para perfiles técnicos que quieren llevar estos sistemas a producción con evaluación e instrumentación.

Elegí por nivel, no por título. Entrar un escalón más abajo del que creés que te corresponde casi siempre sale más barato que entrar uno más arriba.

Preguntas frecuentes

¿Hace falta saber programar para trabajar con IA?

Para los niveles 1 y 2, no. La automatización de procesos se puede hacer con herramientas visuales y llega bastante lejos. Para el nivel 3 y para roles de ingeniería sí hace falta, porque el control fino de un agente requiere código. Muchos perfiles construyen una carrera completa sin pasar del nivel 2.

¿Qué habilidad de IA es la más difícil de reemplazar?

La evaluación. Saber decidir si un resultado es correcto requiere entender el dominio del problema, y eso no se automatiza fácil. Es también la habilidad que más se subestima, porque no produce demos vistosas.

¿Sirve certificarse en herramientas específicas?

Sirve poco como credencial y bastante como excusa para practicar. Las herramientas cambian rápido; lo que se transfiere entre herramientas es el criterio de proceso. Un proyecto propio bien documentado suele pesar más que un certificado.

¿Cuánto tiempo por semana necesito para no quedarme atrás?

Entre tres y cinco horas semanales aplicadas a problemas de tu propio trabajo alcanzan para avanzar de forma sostenida. Lo que no funciona es consumir contenido sin aplicarlo: se olvida rápido y no genera nada demostrable.

¿Estas habilidades sirven si mi rol no es técnico?

Sí, y suelen rendir más en roles no técnicos, porque la competencia interna es menor. Alguien de operaciones o administración que automatiza sus propios procesos se vuelve difícil de reemplazar rápido, sin necesidad de cambiar de carrera.