La ruta para convertirse en AI Engineer tiene cuatro etapas claras: Python sólido, fundamentos de machine learning, trabajo con modelos de lenguaje y APIs, y construcción de agentes en producción. El recorrido completo lleva entre 10 y 18 meses con dedicación parcial, y el salario de entrada suele ubicarse por encima del de un desarrollador junior tradicional porque la oferta de perfiles todavía es menor que la demanda.

El rol se volvió una de las búsquedas más activas del sector, pero también una de las peor definidas. Muchas rutas que circulan mezclan el camino del investigador de machine learning con el del ingeniero que construye productos con IA. Son perfiles distintos: el primero necesita matemática avanzada y publicaciones; el segundo necesita saber integrar modelos existentes en sistemas que funcionen y no se rompan.

Esta ruta es la del segundo, que es el que efectivamente contratan las empresas. Cada etapa incluye qué aprender, cuánto tarda y qué proyecto la cierra.

Qué hace realmente un AI Engineer

Un AI Engineer construye software que usa modelos de IA como componente. No entrena modelos desde cero —eso lo hacen los laboratorios—: los integra, los orquesta, los evalúa y se ocupa de que el sistema resultante sea confiable, medible y económicamente viable.

En la práctica, el día a día incluye:

• Diseñar el flujo de una aplicación que usa uno o varios modelos.

• Escribir y versionar prompts como si fueran código, con pruebas.

• Construir sistemas de recuperación de información para que el modelo responda sobre datos propios.

• Definir métricas de evaluación y detectar cuándo el sistema empeora.

• Controlar costos de inferencia y latencia.

• Poner límites de seguridad: qué puede hacer el sistema y qué no.

La última responsabilidad creció mucho. Con la adopción de agentes autónomos, el trabajo de acotar lo que un sistema puede ejecutar sin supervisión pasó a ser central. Si te interesa el fundamento conceptual antes de la ruta técnica, la explicación de qué hace un AI Engineer en su día a día desarrolla el rol con más detalle.

Etapa 1: Python y fundamentos de programación (2-3 meses)

No hay atajo. Todo el ecosistema de IA está en Python, y el nivel que se necesita es mayor que el de "seguir un tutorial".

Qué dominar

• Estructuras de datos, funciones, clases y manejo de errores.

• Entornos virtuales y gestión de dependencias.

• Trabajo con APIs: requests, autenticación, manejo de respuestas y reintentos.

• Programación asincrónica básica: es lo que distingue una aplicación de IA usable de una que tarda diez segundos por consulta.

• Git y control de versiones.

Proyecto que cierra la etapa

Un script que consume una API pública, procesa los datos y guarda resultados, con manejo de errores y configuración por variables de entorno. Suena modesto; es exactamente el esqueleto de cualquier integración posterior.

Error común

Saltear esta etapa porque "los modelos escriben el código". El problema aparece cuando algo falla en producción y no podés leer el stack trace. Si querés dimensionar el esfuerzo real, el análisis sobre cuánto tiempo lleva aprender Python desde cero desglosa cada etapa con más precisión.

Etapa 2: fundamentos de machine learning (2-3 meses)

No para entrenar modelos de frontera, sino para entender qué hace un modelo, por qué se equivoca y cómo se mide si funciona.

Qué dominar

• Diferencia entre aprendizaje supervisado y no supervisado, y cuándo aplica cada uno.

• Preparación de datos: limpieza, división en conjuntos, fugas de información.

• Métricas de evaluación y por qué la exactitud engaña con clases desbalanceadas.

• Sobreajuste y subajuste: reconocerlos en un gráfico de entrenamiento.

• Embeddings y similitud vectorial. Este es el concepto que más se usa después.

Proyecto que cierra la etapa

Un modelo de clasificación entrenado sobre un dataset real, con las métricas justificadas y un análisis honesto de sus errores. El análisis de errores importa más que la métrica final: es lo que un entrevistador pregunta.

Cuánta matemática hace falta

Menos de lo que se dice para este perfil. Álgebra lineal a nivel de entender qué es un vector y un producto punto, probabilidad básica y noción intuitiva de gradiente. Si tu objetivo fuera investigación, la respuesta sería otra.

Etapa 3: modelos de lenguaje, APIs y RAG (3-4 meses)

Acá empieza el trabajo específico del rol y lo que efectivamente se paga.

Qué dominar

• Trabajo con APIs de modelos: parámetros, tokens, costos, límites de contexto y manejo de fallos.

• Prompting como ingeniería: prompts versionados, con casos de prueba y criterios de aceptación. No trucos: sistema.

• RAG (generación aumentada por recuperación): fragmentación de documentos, embeddings, base vectorial, estrategias de recuperación y reordenamiento. Es la arquitectura más pedida en entrevistas.

• Evaluación: cómo construir un conjunto de casos y medir si un cambio mejora o empeora el sistema. La habilidad más escasa del mercado.

• Control de costos y latencia: caché, elección de modelo según tarea, procesamiento por lotes.

Proyecto que cierra la etapa

Un asistente que responda preguntas sobre un corpus propio, con citación de fuentes, un conjunto de evaluación de al menos treinta casos y métricas de calidad y costo documentadas. Este proyecto solo ya te vuelve candidato viable.

Etapa 4: agentes y puesta en producción (3-5 meses)

La etapa que separa a quien hizo tutoriales de quien puede sostener un sistema.

Qué dominar

• Arquitectura de agentes: el ciclo percepción → razonamiento → acción, uso de herramientas, memoria y criterios de finalización.

• Orquestación: frameworks para encadenar pasos, manejar estados y recuperarse de fallos parciales.

• Observabilidad: trazas, registro de cada paso, reproducción de un caso fallido. Sin esto, un agente en producción es una caja negra.

• Seguridad: inyección de instrucciones, permisos mínimos, aprobaciones humanas para acciones irreversibles.

• Despliegue: contenedores, variables de entorno, monitoreo y alertas.

El foco en seguridad y observabilidad no es teórico. A medida que los agentes ganan permisos sobre sistemas reales, los incidentes por comportamiento inesperado se volvieron un tema de ingeniería concreto, y las empresas empezaron a pedirlo explícitamente en las entrevistas.

Proyecto que cierra la etapa

Un agente que resuelva una tarea real de punta a punta —investigar y sintetizar, procesar un flujo de documentos, automatizar un proceso interno— con trazas visibles, límites de permisos y un informe de casos donde falla.

Cuánto tiempo lleva en total

Si ya programás, restá la primera etapa completa y parte de la segunda: el recorrido baja a entre seis y nueve meses con dedicación parcial.

Cuánto gana un AI Engineer

Los rangos varían por país, tipo de empresa y si el pago es local o en moneda extranjera, así que conviene leerlos en términos relativos.

• Junior (0-2 años): típicamente por encima de un desarrollador junior tradicional, entre un 20% y un 40% más, por la escasez de perfiles con proyectos demostrables.

• Semi-senior (2-4 años): el salto más grande de la carrera, sobre todo con experiencia en sistemas en producción con usuarios reales.

• Senior (4+ años): se acerca a los rangos de arquitectura de software, y en empresas con producto de IA como núcleo puede superarlos.

Dos factores que más mueven el número: haber puesto un sistema con usuarios reales en producción, y poder mostrar reducción de costos de inferencia o mejora medible de calidad. La diferencia entre "construí un chatbot" y "reduje el costo por consulta un 60% manteniendo la calidad" es enorme en una negociación.

El contexto de demanda ayuda: el informe State of AI 2025 de McKinsey señala que el 62% de las organizaciones ya experimenta con agentes de IA, pero solo el 23% logró escalarlos. Ese hueco entre experimentar y escalar es exactamente el trabajo del AI Engineer.

Errores que alargan la ruta

El Future of Jobs Report 2025 del World Economic Forum ubica la alfabetización en IA y big data entre las habilidades de mayor crecimiento proyectado, lo que explica por qué la ventana de oportunidad para este perfil sigue abierta pese al aumento de candidatos.

• Coleccionar frameworks. Aprender cinco librerías de orquestación sin haber terminado un sistema. Elegí una, terminá algo, después comparás.

• Saltear la evaluación. Es la parte menos entretenida y la que más se valora. Un candidato que llega con un conjunto de evaluación propio se distingue de inmediato.

• Ignorar los costos. Un sistema que funciona pero cuesta lo mismo que un empleado no se aprueba. Saber estimar y bajar costo de inferencia es parte del rol.

• Proyectos de demostración sin usuarios. Un proyecto que usó otra persona, aunque sea una, enseña más que diez que solo corriste vos.

Formación en IA en Coderhouse

Una ruta concreta que sigue las etapas de este artículo:

• Curso de Python: la etapa 1 completa. Sin esta base, todo lo demás se vuelve copiar y pegar sin criterio.

• Curso de Introducción a la Inteligencia Artificial: los fundamentos conceptuales de la etapa 2, para entender qué hace un modelo antes de integrarlo.

• Curso de AI Engineering: el núcleo de la etapa 3. Trabajo con modelos, APIs, RAG y evaluación.

• Curso de AI Agents: la etapa 4, orientado a construir agentes que ejecutan tareas con herramientas y memoria.

• Diplomatura en Inteligencia Artificial: el recorrido integrado, si preferís una ruta única en lugar de cursos encadenados.

Una recomendación sobre el orden: no adelantes la etapa de agentes. Construir agentes sin dominar evaluación produce sistemas que parecen funcionar en la demo y fallan con el primer caso raro.

Preguntas frecuentes

¿Se puede ser AI Engineer sin título universitario?

Sí, y es habitual en este rol más que en otros. Es un perfil tan nuevo que casi nadie tiene formación formal específica, así que las empresas evalúan proyectos y capacidad de razonar sobre sistemas. Lo que reemplaza al título es un portfolio con sistemas que funcionan, evaluaciones documentadas y decisiones técnicas que puedas justificar. Las empresas muy grandes con procesos rígidos son la excepción.

¿Cuál es la diferencia entre AI Engineer y Machine Learning Engineer?

El ML Engineer entrena, ajusta y despliega modelos propios: necesita más matemática, MLOps y trabajo con datos a escala. El AI Engineer construye productos usando modelos que ya existen: se enfoca en integración, orquestación, evaluación y costos. Los roles se superponen en algunas empresas, pero las rutas de aprendizaje difieren bastante y la del AI Engineer es más corta.

¿Qué proyecto conviene hacer primero para el portfolio?

Un sistema de preguntas y respuestas sobre documentos propios, con citación de fuentes y un conjunto de evaluación. Es el proyecto con mejor relación entre esfuerzo y señal: demuestra manejo de embeddings, recuperación, prompting y evaluación, que son cuatro de las cinco cosas que se preguntan en una entrevista. Documentar qué falló y por qué vale tanto como el proyecto en sí.

¿Hace falta saber matemática avanzada para ser AI Engineer?

Para este perfil, no. Alcanza con álgebra lineal básica, probabilidad elemental y una noción intuitiva de cómo aprende un modelo. La matemática avanzada es indispensable para investigación y para entrenar arquitecturas nuevas, que es un camino distinto. Lo que sí requiere rigor es el pensamiento sobre evaluación y medición, que es más estadística aplicada que cálculo.

¿Cuánto tarda un perfil que ya programa en hacer la transición?

Entre seis y nueve meses con dedicación parcial. Un desarrollador con experiencia salta la primera etapa completa y avanza rápido en la segunda, pero suele subestimar la tercera: el trabajo con modelos tiene una lógica distinta a la del software determinista, donde la misma entrada no siempre da la misma salida. Adaptarse a probar y medir en lugar de asumir comportamiento fijo es la parte que más tiempo lleva.