El AI Engineer es hoy el rol de más rápido crecimiento del mercado tech, y también uno de los peor definidos. Este artículo aclara qué hace en concreto, en qué se diferencia de un ML Engineer y de un Data Scientist, qué stack usa, cuánto se paga y qué camino seguir para llegar al rol sin experiencia previa en IA.

El dato que explica el ruido: LinkedIn ubicó al AI Engineer como el puesto de más rápido crecimiento, con avisos que subieron más del 140% año contra año. Cuando un rol crece así de rápido, las descripciones de puesto se vuelven un caos: la misma búsqueda puede pedir desde armar un chatbot hasta entrenar modelos desde cero.

La demanda tiene una causa concreta. Según el informe State of AI de McKinsey, un 23% de las organizaciones ya está escalando algún sistema de IA agéntica en al menos una función y otro 39% está experimentando; en empresas de más de mil millones de dólares de facturación, la cifra de agentes escalados llega al 40%. Alguien tiene que construir esos sistemas, y ese alguien es el AI Engineer.

Qué hace un AI Engineer en el día a día

Un AI Engineer construye productos que usan modelos de IA. No entrena los modelos: los integra, los orquesta y hace que funcionen de forma confiable en producción.

Las tareas que aparecen con más frecuencia:

• Diseñar sistemas RAG: conectar un modelo a la documentación real de la empresa para que responda con información propia y no inventada.

• Construir agentes: definir herramientas, límites y flujos de decisión para que un modelo ejecute tareas de varios pasos.

• Integrar APIs de modelos: OpenAI, Anthropic, Google, además de modelos abiertos autohospedados.

• Evaluar y medir: armar sets de evaluación, detectar regresiones, medir calidad de respuesta. Es la parte menos glamorosa y la que más separa a un senior de un junior.

• Optimizar costo y latencia: elegir modelo por tarea, cachear, resumir contexto. En producción, la factura de tokens es una restricción de diseño.

• Trabajar el prompt como código: versionado, testeo y control de cambios.

AI Engineer, ML Engineer y Data Scientist: la diferencia real

La confusión más costosa es asumir que AI Engineer exige el mismo nivel de matemática que ML Engineer. No es así, y esa diferencia abre la puerta a perfiles que vienen de desarrollo de software. Si el contraste te interesa en detalle, conviene revisar la comparación entre AI Engineer y ML Engineer.

El stack que hay que dominar

Base no negociable

• Python: es el idioma del ecosistema. No hace falta ser experto, pero sí sólido.

• APIs y HTTP: entender requests, autenticación, manejo de errores, reintentos.

• Git y buenas prácticas de software: el código de IA que llega a producción es código, con todo lo que eso implica.

Específico de IA

• Prompting avanzado: few-shot, chain of thought, structured output.

• Embeddings y bases vectoriales: cómo se representa el significado y cómo se busca por similitud.

• RAG: chunking, estrategias de recuperación, reranking, evaluación.

• Frameworks de agentes: orquestación, uso de herramientas, manejo de estado.

• Evaluación: métricas de calidad, evaluación automática, detección de alucinaciones.

Producción

• Contenedores y despliegue básico.

• Observabilidad: trazas, logs de prompts, monitoreo de costo.

• Seguridad: inyección de prompts, manejo de datos sensibles.

Cuánto gana un AI Engineer

Los rangos varían fuerte por mercado y por modalidad de contratación. En Estados Unidos, datos oficiales ubican la mediana cerca de los USD 136.000 anuales, con el percentil 90 arriba de los USD 214.000.

En la región, tres escenarios distintos:

• Empresa local: el rango depende mucho del país y del tamaño de la compañía; suele ubicarse por encima de un perfil de desarrollo backend equivalente.

• Relación de dependencia con empresa del exterior: es donde aparece la mayor diferencia salarial, y también la mayor exigencia de inglés.

• Freelance o contractor: alta variabilidad, con premio por especialización en agentes y RAG.

El patrón que se repite: la brecha salarial dentro del mismo rol es enorme, y la explica menos la antigüedad que la capacidad de mostrar sistemas funcionando en producción.

Cómo convertirte en AI Engineer desde cero

Fase 1 (2 a 3 meses) — Fundamentos. Python sólido y entendimiento conceptual de cómo funciona un modelo de lenguaje: tokens, contexto, temperatura, por qué alucina. Sin esto, todo lo demás se aprende de memoria.

Fase 2 (2 a 3 meses) — Primer producto. Construí un RAG completo sobre un corpus propio: ingesta, chunking, embeddings, recuperación, respuesta con citas. Es el proyecto que más entrevistas genera porque toca todas las piezas del rol.

Fase 3 (2 a 3 meses) — Agentes y evaluación. Sumá un agente con herramientas reales y, sobre todo, un set de evaluación. Poder decir "mi sistema mejoró del 62% al 84% en este benchmark que armé" te separa del 90% de los candidatos.

Fase 4 (continuo) — Producción y portfolio. Deployá, medí costo, documentá decisiones. Un repositorio con tres proyectos bien documentados pesa más que cualquier certificado. Sobre cómo estructurarlo, vale leer cómo armar un portfolio de IA para conseguir trabajo tech.

Vale una advertencia sobre las herramientas de moda: un análisis del mercado laboral de frameworks de agentes muestra que las búsquedas atadas a un framework específico no siempre pagan mejor que las que piden criterio general. Aprendé el concepto; el framework es intercambiable.

Cursos recomendados de Coderhouse

• Si arrancás de cero: el Curso de Introducción a la Inteligencia Artificial más el Curso de Python cubren la fase 1 completa.

• Si ya programás: el Curso de AI Engineering va directo al núcleo del rol: RAG, integración de modelos y puesta en producción.

• Si querés especializarte en agentes: el Curso de AI Agents trabaja orquestación, herramientas y evaluación, que es la parte mejor pagada del rol.

• Si querés el recorrido completo: la Diplomatura en Inteligencia Artificial integra las cuatro fases con proyectos.

Preguntas frecuentes

¿Cuál es la diferencia entre AI Engineer y ML Engineer?

El AI Engineer construye productos con modelos que ya existen: integra, orquesta y despliega. El ML Engineer entrena y sirve modelos propios, con mucho más peso de matemática y de infraestructura de entrenamiento. Son roles vecinos con perfiles de entrada distintos.

¿Necesito ser experto en matemática para ser AI Engineer?

No. Necesitás entender conceptos —qué es un embedding, por qué la similitud coseno sirve para buscar— pero no derivar backpropagation. La exigencia matemática alta corresponde al ML Engineer y a investigación.

¿Cuánto tiempo lleva llegar al rol desde cero?

Entre seis y nueve meses con estudio sostenido y proyectos reales si venís de desarrollo de software. Si arrancás sin programar, sumale unos tres meses para la base de Python. Lo que define el tiempo es la cantidad de proyectos terminados, no las horas de curso.

¿Sirve un perfil de desarrollo backend para dar el salto?

Es el punto de partida más favorable que existe. El AI Engineer es, en gran medida, ingeniería de software aplicada a modelos: APIs, latencia, manejo de errores, observabilidad. Lo que hay que sumar es la capa específica de IA.

¿Qué proyecto conviene tener en el portfolio?

Un RAG sobre datos propios, con evaluación medida y desplegado. Si además incluye un agente con al menos dos herramientas reales y un análisis de costo por consulta, cubre casi todo lo que se pregunta en una entrevista del rol.