Un Prompt Engineer junior en Estados Unidos maneja bandas que arrancan cerca de los 90.000 dólares anuales, aunque el rango es amplísimo porque el puesto se solapa con AI Engineer y con roles de producto. En LATAM el número depende sobre todo de si trabajás para una empresa local o para el exterior. Y en la entrevista, casi nunca preguntan por prompts: preguntan por evaluación, por costos y por qué hacés cuando el modelo falla.

El rol es reciente y por eso los datos salariales están desordenados. Distintas fuentes reportan cifras que no coinciden, y la razón no es que una esté mal: es que cada una define el puesto de manera diferente. Vale la pena entender qué hay detrás de cada número antes de usarlo como referencia en una negociación.

¿Cuánto gana un Prompt Engineer junior?

Lo que dicen los relevamientos

Los informes más recientes de compensación ubican al perfil junior en Estados Unidos en una franja que va aproximadamente de los 90.000 a los 130.000 dólares anuales de sueldo base. Coursera y Glassdoor coinciden en que el promedio general del rol, considerando todos los niveles, ronda los 129.000 dólares, con techos que superan largamente los 200.000 en perfiles senior de empresas grandes.

Ahora bien, hay una advertencia importante: el título "Prompt Engineer" se aplica a puestos muy distintos. En algunos casos es un rol de contenido y experimentación con modelos; en otros es directamente ingeniería de software aplicada a sistemas de IA. Esa ambigüedad explica casi toda la dispersión de los números.

Qué pasa en LATAM

La variable dominante no es el nivel de seniority sino el empleador:

• Empresa local, mercado interno: la banda se parece a la de un perfil de datos o desarrollo del mismo nivel. No hay premio salarial significativo por el título.

• Empresa local con clientes en el exterior: la banda sube de manera sensible, generalmente atada al tipo de cambio.

• Contratación directa desde el exterior: es donde aparecen las diferencias grandes. El inglés deja de ser un diferencial y pasa a ser un requisito de entrada.

Para poner el número en contexto contra otro rol del mismo ecosistema, en Cuánto gana un Data Scientist está la progresión salarial completa de un perfil con curva de aprendizaje comparable.

Qué mueve tu banda dentro del mismo nivel

1. Saber programar. Python y manejo de APIs multiplican las opciones. Un prompt engineer que no puede armar un script de evaluación está limitado a la mitad de las búsquedas.

2. Evaluación sistemática. Saber construir un set de casos de prueba y medir si un cambio de prompt mejoró o empeoró el sistema. Es la habilidad que más se pide y la que menos gente tiene.

3. Dominio del negocio. Entender el problema que estás resolviendo vale más que conocer diez técnicas de prompting.

4. Inglés. Habilita el mercado que mejor paga.

Qué preguntan en la primera entrevista

Este es el punto donde la mayoría llega mal preparada. Se estudian técnicas de prompting y después la entrevista va por otro lado: hacia cómo pensás un sistema, cómo lo medís y qué hacés cuando falla.

Bloque 1: fundamentos de modelos

• ¿Qué es un token y por qué importa para el costo?

• ¿Qué hace el parámetro de temperatura y cuándo lo bajarías a cero?

• ¿Qué es la ventana de contexto y qué pasa cuando la excedés?

• ¿Por qué un modelo alucina y cómo se reduce el riesgo?

Buscan que entiendas el mecanismo, no que recites definiciones. Si no tenés claro el vocabulario base, este glosario de términos clave de prompt engineering cubre exactamente lo que se pregunta en este bloque.

Bloque 2: diseño de prompts

• "Tengo que clasificar reclamos de clientes en cinco categorías. Escribí el prompt." Te miran el uso de ejemplos, el formato de salida especificado y qué previste para el caso ambiguo.

• "Este prompt funciona el 70% de las veces. ¿Cómo lo mejorás?" La respuesta correcta empieza por preguntar en qué casos falla, no por proponer cambios a ciegas.

• "¿Cuándo usarías few-shot en lugar de zero-shot?" Buscan que menciones el costo en tokens y la disponibilidad de ejemplos representativos.

Bloque 3: evaluación (el que más elimina candidatos)

• ¿Cómo sabés que un cambio de prompt mejoró el sistema?

• ¿Cómo armás un set de evaluación y cuántos casos necesitás?

• ¿Qué métrica usarías para una tarea de clasificación? ¿Y para una de generación de texto libre?

• ¿Cómo detectás una regresión cuando cambia la versión del modelo?

Si respondés "lo pruebo y veo si anda mejor", el proceso termina ahí. La respuesta esperada incluye un conjunto fijo de casos de prueba, una métrica definida antes del cambio y comparación controlada.

Bloque 4: producción y costos

• ¿Cómo bajarías el costo de un sistema que gasta demasiado en tokens?

• ¿Qué hacés si el modelo devuelve un JSON mal formado?

• ¿Cómo manejás datos sensibles en un prompt?

• ¿Qué diferencia hay entre RAG y fine-tuning, y cuándo elegirías cada uno?

Bloque 5: el caso práctico

Muchos procesos incluyen un ejercicio con tiempo. Lo que se evalúa casi nunca es el prompt final, sino el proceso: si probaste varias versiones, si documentaste qué funcionó, si identificaste los casos borde y si sabés explicar por qué tomaste cada decisión.

Cómo prepararte en las próximas semanas

1. Armá un proyecto con evaluación. Elegí una tarea concreta, construí 30 o 50 casos de prueba con la respuesta esperada, y medí el rendimiento de tres versiones distintas de tu prompt. Esto solo ya te pone por encima de la mayoría.

2. Aprendé Python a nivel scripting. Suficiente para llamar una API, recorrer un set de casos y calcular una métrica.

3. Documentá costos. Tokens consumidos por ejecución, costo estimado a mil ejecuciones. Hablar de plata en la entrevista te distingue.

4. Preparate para el caso borde. Para cada proyecto que muestres, tené identificado dónde falla y por qué. Reconocer las limitaciones de tu propio trabajo es señal de madurez técnica.

Si estás arrancando desde cero con las técnicas, la guía de prompt engineering para principiantes es el punto de entrada, y desde ahí conviene ir directo a la parte de evaluación, que es donde está la diferencia.

Cursos recomendados de Coderhouse

La ruta según desde dónde arranques:

• Curso de Introducción a la Inteligencia Artificial — nivel inicial. Los fundamentos que se preguntan en el primer bloque de toda entrevista: tokens, temperatura, contexto, alucinaciones.

• Curso de AI Agents — nivel intermedio. Diseño de sistemas donde el prompt es una pieza dentro de una arquitectura más grande, que es como se trabaja en la realidad.

• Curso de AI Engineering — nivel avanzado. La parte técnica pesada: APIs, evaluación, optimización de costos y puesta en producción.

Si tu objetivo es aplicar esto a procesos de negocio más que a producto, la Carrera de AI Automation es el camino más directo.

Preguntas frecuentes

¿Prompt Engineer sigue siendo un rol con futuro?

Como título independiente, se está diluyendo: cada vez más empresas lo absorben dentro de puestos de AI Engineer o de producto. Como conjunto de habilidades, es exactamente al revés: diseñar y evaluar interacciones con modelos aparece hoy en descripciones de puesto de desarrollo, análisis de datos, marketing y soporte. El Future of Jobs Report ubica a la IA y el big data como la habilidad de mayor crecimiento proyectado, y esto es parte de eso.

¿Hace falta saber programar?

Para los puestos mejor pagos, sí. Python a nivel scripting alcanza para la mayoría: llamar una API, procesar respuestas, correr un set de evaluación y calcular métricas. Existen roles sin código, sobre todo en equipos de contenido y operaciones, pero su techo salarial es más bajo y compiten con muchos más candidatos.

¿Qué tipo de portfolio sirve para este rol?

Uno que muestre método, no colección de prompts. Un proyecto bien documentado con el problema, el set de evaluación, las versiones que probaste, los números de cada una y las limitaciones que encontraste vale más que veinte ejemplos sueltos. Si además incluís el costo por ejecución, ya estás hablando el idioma del entrevistador.

¿Se puede entrar sin experiencia previa en tecnología?

Es posible pero poco frecuente en forma directa. El camino más transitado es entrar desde un rol adyacente —soporte, contenido, análisis de datos, QA— donde puedas empezar a usar modelos para resolver problemas reales del equipo, y desde ahí especializarte. Quienes vienen de disciplinas con formación en escritura precisa, como derecho o lingüística, suelen tener una ventaja en la parte de diseño de instrucciones, pero igual necesitan sumar la pata técnica.

¿Cómo negocio el salario si no hay referencias claras en mi mercado?

Ancorá la conversación en el perfil equivalente, no en el título. Si el puesto pide Python, APIs y evaluación, la referencia razonable es un desarrollador o analista de datos del mismo nivel en esa empresa, más un diferencial por especialización. Llevá datos de al menos dos fuentes públicas, aclarando que corresponden a otro mercado, y enfocá la negociación en el alcance del rol: qué sistemas vas a tocar, si vas a tener responsabilidad sobre costos y si el trabajo llega a producción.