Natasha Anello
Head of Marketing en Coderhouse
Inteligencia Artificial y Data
¿Qué carrera estudiar si me gusta la inteligencia artificial?
Publicado el
November 1, 2025
La inteligencia artificial (IA) crece a un ritmo enorme y ya impacta en casi todas las industrias. Si estás pensando qué estudiar para entrar al mundo de la IA —o para llevar tu perfil al siguiente nivel— acá vas a encontrar una guía clara, con rutas formativas reales y pasos accionables para empezar con buen pie.
¿Por qué importa elegir bien tu camino en IA?
Demanda sostenida: empresas de todos los tamaños buscan perfiles con IA aplicada.
Aplicación transversal: salud, finanzas, retail, logística, educación y más.
Mejoras medibles: automatización, análisis de datos y productos más inteligentes.
Crecimiento profesional: salarios competitivos y roles de alto impacto.
Requisitos y preparación (lo mínimo para arrancar bien)
Base técnica deseable: lógica, algo de estadística y nociones de Python o Sheets (no excluyente para empezar).
Entorno de práctica: Google Colab/Kaggle y un repo en GitHub para documentar avances.
Proyecto guía: elegí un problema concreto (de tu trabajo o interés personal) para aplicar lo aprendido.
Consistencia: 5–7 horas semanales valen más que “maratones” esporádicas.
¿Qué estudiar según tu objetivo?
🤖 Quiero crear automatizaciones y asistentes que ahorren tiempo
Si tu meta es aplicar IA a procesos reales (marketing, ventas, soporte, reporting), empezá por flujos de automatización, orquestación de herramientas y buenas prácticas de prompting.
Curso de AI Automation: ideal para construir asistentes, resúmenes, clasificación de leads y flujos conectados a tus apps.
🧠 Quiero entender bien los fundamentos y practicar con proyectos básicos
Si preferís cimentar conceptos clave (datos, modelos, evaluación) y experimentar con notebooks, elegí una ruta introductoria con práctica guiada.
Curso de Introducción a la Inteligencia Artificial: fundamentos claros, primeros modelos y proyectos orientados a resultados.
📊 Quiero perfilarme hacia datos y machine learning
Si te ves trabajando con métricas, modelos y tableros, priorizá análisis, modelado y visualización con foco de negocio.
Diplomatura en Data Science: Python, SQL, visualización y ML aplicado a problemas reales.
💻 Quiero construir productos con IA (web/apps)
Si te motiva integrar IA en productos digitales, reforzá desarrollo web y patrones de integración (APIs, autenticación, límites de uso).
Diplomatura en Full Stack Developer: base sólida para luego sumar features inteligentes.
Plan de acción 30–60–90 días
0–30: fundamentos, primeros notebooks y un mini-proyecto propio documentado en GitHub.
31–60: segundo proyecto (ej. recomendador simple o dashboard con forecast) + feedback de pares.
61–90: proyecto aplicado a tu contexto laboral (automatización o analítica) + README “orientado a negocio”.
Ejemplos prácticos (alcanzables y útiles)
Clasificador de reseñas: limpieza de texto, modelo básico de sentimiento y reporte de métricas (accuracy/F1) con implicancias para soporte/marketing.
Recomendador por co-ocurrencia: compras históricas → productos similares → lista top-N; explicá supuestos y límites.
Dashboard de predicción: dataset de visitas/ventas + forecast sencillo y recomendaciones accionables para el equipo.
Buenas prácticas y errores comunes
Documentá todo: datos, decisiones, métricas y conclusiones (README claro).
Métricas con sentido: elegí la métrica correcta para el objetivo (no siempre “accuracy”).
No acumules cursos: terminá uno y dejá un entregable tangible (notebook, app o tablero).
Feedback temprano: compartir avances acelera tu aprendizaje.
Evitar sobreajuste: validación, regularización y tests con datos no vistos.
Preguntas frecuentes
¿Necesito saber programar para empezar?
Ayuda, pero no es excluyente. Podés arrancar con herramientas guiadas y sumar Python a medida que avanzás.
¿Cuánto tardo en ver resultados?
En 8–12 semanas podés tener 2–3 proyectos bien explicados para tu portfolio.
¿Qué vale más: certificado o portfolio?
El portfolio con proyectos aplicados y bien documentados suele pesar más en procesos de selección.
¿Cómo elijo mi primer proyecto?
Buscá un problema cercano (tu área o cliente). Lo importante es que tenga un “dueño” que valore el resultado.
Conclusión y próximos pasos
Elegir la ruta adecuada en IA depende de tu objetivo: automatizar, analizar datos o construir productos. Empezá con un curso enfocado, sumá proyectos propios y pedí feedback. Cuando quieras profesionalizarte, considerá una formación con acompañamiento y prácticas aplicadas.
Formación recomendada en Coderhouse
Recursos para seguir aprendiendo
Kaggle – datasets y notebooks para practicar.
TensorFlow – documentación y tutoriales.
PyTorch – ecosistema y ejemplos oficiales.
Sobre el autor
Director de Marketing con más de 10 años de experiencia liderando equipos, impulsando la transformación digital y ejecutando estrategias de crecimiento. Sólida trayectoria en el ecosistema Fintech y de Startups, con roles clave en empresas como Flybondi, Blockchain.com, Simplestate, SeSocio y Coderhouse. Especialista en Growth Marketing, Branding y Expansión de Mercados, con un fuerte enfoque en métricas como ROI, ROAS y análisis de KPIs.
