Tener un portafolio de proyectos de IA ya no es un diferencial: es el nuevo requisito mínimo para acceder a roles tech en Argentina. En un mercado donde los empleadores reciben decenas de CVs similares, los perfiles que muestran proyectos reales con código funcional y resultados medibles tienen una ventaja concreta.

Esta guía te explica exactamente qué proyectos incluir, dónde publicarlos y cómo presentarlos para que un reclutador o lead técnico entienda tu valor en menos de dos minutos.

Por qué el portafolio de IA es diferente al portafolio tradicional de dev

Un portafolio de desarrollo web clásico muestra que podés construir interfaces y conectar APIs. Un portafolio de IA necesita demostrar algo más complejo: que entendés el problema de negocio, que elegiste el modelo correcto para resolverlo y que lograste un resultado medible.

Esto significa que no alcanza con subir un Jupyter Notebook con un modelo entrenado. El reclutador necesita ver el contexto (qué problema resolvía), la solución técnica (qué herramientas usaste y por qué) y el impacto (qué mejoró, cuánto, con qué datos).

Según el reporte State of AI de McKinsey, la demanda de perfiles con habilidades de implementación de IA creció más del 35% en 2024 en América Latina. Los proyectos demostrables son el filtro principal en los procesos de selección.

Qué proyectos incluir en tu portafolio de IA

1. Una aplicación RAG (Retrieval-Augmented Generation)

Construí un chatbot que responde preguntas sobre un conjunto de documentos (PDFs, páginas web, bases de conocimiento). Tecnologías recomendadas: LangChain o LlamaIndex para la orquestación, ChromaDB o Pinecone como vector store, y cualquier LLM vía API (OpenAI, Anthropic o modelos de Hugging Face). Este tipo de proyecto demuestra que entendés cómo funciona el contexto en los LLMs y cómo evitar alucinaciones.

2. Un agente autónomo con herramientas

Desarrollá un agente que pueda usar herramientas externas: buscar en la web, leer archivos, ejecutar código o consultar APIs. LangGraph, CrewAI o el SDK de Anthropic son buenos puntos de partida. El diferencial está en mostrar que el agente toma decisiones coherentes y maneja errores sin intervención humana.

3. Un pipeline de ML con datos reales

Entrená un modelo de clasificación o regresión sobre un dataset real (Kaggle, datos gubernamentales abiertos de Argentina, o datos propios). Lo importante no es la precisión final: es la documentación del proceso. ¿Por qué elegiste ese algoritmo? ¿Cómo manejaste el desbalance de clases? ¿Qué hiciste con los valores nulos?

4. Un proyecto de fine-tuning o prompting avanzado

Si no tenés experiencia entrenando modelos desde cero, mostrá expertise en prompting estructurado o fine-tuning de un modelo pequeño (Llama, Mistral, Qwen). Un proyecto que demuestre que podés adaptar un LLM a un dominio específico con ejemplos concretos vale mucho más que un modelo genérico bien configurado.

5. Un dashboard o herramienta interna con IA

Construí algo que resuelva un problema real: un generador de reportes automático, un clasificador de emails, un asistente de atención al cliente. Streamlit o Gradio permiten crear interfaces funcionales rápidamente. Este tipo de proyecto demuestra que podés llevar la IA a producción.

Dónde publicar tus proyectos

El primer destino es GitHub. Cada proyecto debe tener su propio repositorio público, con un README claro y commits frecuentes que muestren el proceso de desarrollo, no solo el resultado final.

Para proyectos con demos interactivas, Hugging Face Spaces es la plataforma estándar del ecosistema de IA. Podés deployar aplicaciones de Gradio o Streamlit de forma gratuita y compartir el link directamente en tu CV o LinkedIn. También podés publicar modelos entrenados en el hub de Hugging Face, lo que agrega visibilidad dentro de la comunidad técnica.

Si armaste algo con Streamlit, podés usar Streamlit Community Cloud para tener una URL pública sin necesidad de configurar infraestructura.

A la hora de construir las demos, herramientas como Cursor AI pueden acelerar significativamente el desarrollo, especialmente si estás aprendiendo a trabajar con APIs de LLMs por primera vez.

Cómo escribir el README para impresionar a reclutadores

Un buen README de proyecto de IA debe tener esta estructura: una línea que explica qué hace el proyecto, el problema de negocio o técnico que resuelve, el stack tecnológico con una frase de por qué elegiste cada herramienta, las instrucciones de instalación y uso en menos de cinco pasos, y un GIF o screenshot del resultado final.

Evitá los READMEs genéricos copiados de tutoriales. Los reclutadores y líderes técnicos los detectan inmediatamente. Un README específico y honesto —incluso si el proyecto es simple— genera más confianza que uno grandilocuente sobre un proyecto mediocre.

Errores más comunes al armar un portafolio de IA

• Solo replicar tutoriales: el MNIST classifier de "Hola Mundo" ya no impresiona a nadie. Necesitás un giro propio: datos diferentes, un dominio específico o una pregunta original.

• No documentar el proceso: el código solo no cuenta la historia. Los commits, los comentarios y el README son igual de importantes.

• Proyectos demasiado ambiciosos sin terminar: un proyecto simple completo y funcionando vale más que tres proyectos a medias.

• Ignorar la experiencia del usuario: si la demo requiere diez pasos para funcionar, nadie la va a probar. La primera impresión importa.

Cursos recomendados de Coderhouse

Si querés construir los proyectos que acabás de leer y necesitás el conocimiento técnico para hacerlo, en Coderhouse hay cursos específicos para cada nivel:

• Introducción a la Inteligencia Artificial: fundamentos de ML y LLMs, ideal como base antes de encarar proyectos más complejos.

• AI Agents: aprendé a construir agentes autónomos con herramientas, el tipo de proyecto más demandado en portafolios de IA.

• AI Engineering: para dar el salto a proyectos de producción, con RAG, fine-tuning y deployment.

Preguntas frecuentes

¿Cuántos proyectos necesito tener en mi portafolio de IA?

Con tres proyectos sólidos y bien documentados es suficiente para empezar a postularte. La calidad siempre supera a la cantidad. Es mejor tener tres proyectos terminados, con README completo y demo funcional, que diez proyectos a medias o copiados de tutoriales sin modificaciones.

¿Necesito haber trabajado en una empresa para tener proyectos reales?

No. Los proyectos personales, académicos o de práctica cuentan si demuestran que resolviste un problema real. Podés usar datasets públicos de Kaggle, datos gubernamentales abiertos, o incluso datos de una situación hipotética bien definida. Lo importante es que el problema esté claramente planteado y la solución sea funcional.

¿Debo incluir proyectos que no funcionan perfectamente?

Sí, siempre que seas transparente sobre las limitaciones. En el README podés tener una sección de "Limitaciones y próximos pasos" donde explicás qué mejorarías con más tiempo o recursos. Eso demuestra pensamiento crítico, que es una de las habilidades más valoradas en perfiles de IA.

¿Importa el lenguaje de programación que uso?

Python es el estándar de facto en IA y machine learning. Si tus proyectos están en Python, bien. Si usás otro lenguaje (TypeScript con Vercel AI SDK, por ejemplo), asegurate de explicar por qué. Lo que importa es que el código sea legible, esté organizado y tenga lógica clara.

¿Cómo incluyo mi portafolio en el CV?

Incluí el link a tu perfil de GitHub como primer dato de contacto. Debajo de cada experiencia o proyecto en el CV, agregá un link directo al repositorio específico. En LinkedIn, usá la sección "Proyectos destacados" para enlazar las demos de Hugging Face Spaces o Streamlit. Un video corto de 60 segundos mostrando el proyecto también puede marcar la diferencia en procesos de selección remotos.