Resumen ejecutivo

• Empresas de Argentina y Chile están pasando de POCs de IA a operación a escala: pesan arquitectura, gobernanza de datos y casos en finanzas.

• Perfiles que se buscan ahora: Data Engineer, Analytics Engineer, MLOps, AI Ops — no solo “alguien que pruebe ChatGPT”.

• Qué estudiar primero según tu punto de partida (analítica, engineering, ops).

• Cómo armar evidencia de producción (no demos) para entrevistas.

Revista Mercado reportó que, tras un ciclo de pruebas de concepto, el foco en Argentina y Chile se movió a integrar la IA al negocio y sostenerla a escala, con más peso de arquitectura y gobernanza de datos, y con la industria financiera concentrando casos de uso (nota de Revista Mercado / Nublit). La frase que resume el diagnóstico: el cuello de botella no son las herramientas, sino el estado de la infraestructura de datos. Traducción laboral: se buscan perfiles que construyan y operen esa infraestructura.

De POC a producción: qué cambia realmente

• POC: demo feliz, dataset chico, sin SLA, sin costos bajo stress.

• Producción: integraciones con sistemas legacy, seguridad, trazabilidad, monitoreo, rollback, owners on-call.

• Gobernanza: quién puede ver qué dato, lineage, calidad, retención — crítico en finanzas y en Chile con marco regulatorio en evolución.

Si tu empresa “tiene 10 POCs” y ninguna métrica de negocio estable, no necesita otro prompt engineer: necesita datos confiables y operación. Amplía el marco en LLMOps en producción en LATAM.

Perfiles concretos que se piden (y qué hacen)

1. Data Engineer

Pipelines, ingestión, modelos de warehouse/lakehouse, calidad, orquestación. Es el perfil que desbloquea casi todo lo demás. Detalle de demanda en perfiles de datos con más demanda.

2. Analytics Engineer

Capa semántica (dbt u equivalente), métricas confiables, contratos de datos para negocio y para features de IA. Diferencias vs analista en Analytics Engineer vs Data Analyst.

3. MLOps / ML Platform

Despliegue de modelos, feature stores, monitoreo de drift, CI/CD de training/inference. Más clásico cuando hay modelos propios.

4. AI Ops / LLMOps

Prompts versionados, evals, tracing de agentes, costos de tokens, guardrails. Crece donde la IA generativa ya toca clientes o procesos internos críticos.

Finanzas: por qué aparece tanto en los avisos

La nota de Mercado subraya campañas más rápidas, segmentación, recomendación y KYC parcialmente automatizado. Eso exige:

• Datos de cliente con permisos claros.

• Trazabilidad para auditoría.

• Integración con cores bancarios / fraudes / CRM.

No es casualidad que los avisos mezclen “IA” con “datos”, “cloud” y “compliance”.

Qué estudiar primero (rutas)

• Venís de analítica / Excel: SQL → modelado → Python → un orquestador básico. Curso: Data Analytics.

• Venís de backend: data modeling + batch/stream + observabilidad; después LLMOps.

• Venís de DevOps: sumá evals, tracing LLM y calidad de datos; tu músculo de producción ya es ventaja.

• Querés IA generativa aplicada: Intro IA + AI Automation / AI Agents, pero siempre con un proyecto de datos detrás.

Para ciencia de datos más profunda: la carrera de Data Science.

Cómo demostrar “producción” en una entrevista

1. Un pipeline con tests y alertas (aunque sea de portafolio).

2. Un doc de lineage / diccionario de métricas.

3. Un dashboard de calidad o de costo de inferencia.

4. Un post-mortem corto de un fallo (real o simulado) y el fix.

Las POCs en la notebook impresionan menos que un sistema que se cayó y lo levantaste con runbook.

Señales de que tu empresa está lista (o no) para escalar IA

• Lista: dueños de datos claros, calidad medida, ambientes separados, presupuesto de cloud visible, sponsor de negocio con KPI.

• No lista: Excel como única fuente, accesos compartidos, POC sin owner, “el modelo funciona en la notebook del data scientist”.

Si estás del lado candidato, preguntá en la entrevista: “¿Quién es el owner del dato en producción y qué SLO tiene el pipeline?”. Si no hay respuesta, el aviso de “IA” probablemente es una POC con disfraz. Tu mejor jugada puede ser entrar a ordenar datos —y después sí, modelos.

Cursos recomendados de Coderhouse

Para entrar por datos: Data Analytics y la carrera de Data Science. Para operación de IA generativa: Introducción a la Inteligencia Artificial, AI Automation y AI Agents.

Preguntas frecuentes

¿Sigue sirviendo hacer POCs? Sí, como aprendizaje acotado. El error es vender la POC como producción.

¿Conviene mudarme a Chile o quedarme en Argentina? Ambos mercados piden lo mismo en el fondo (datos + operación). Remoto regional es viable si tenés overlap y inglés.

¿Prompt engineering alcanza? Como skill auxiliar, sí. Como único oficio para escalar IA en empresas reguladas, no.

¿Qué perfil tiene mejor techo ahora? Data Engineer y roles de plataforma/MLOps/AI Ops, porque desbloquean escala. El techo exacto depende de industria e inglés.