Sobre la IA y los desarrolladores se mantienen dos conversaciones en paralelo. Una trata de desarrolladores que usan herramientas de IA para escribir código más rápido. La otra, de desarrolladores que construyen productos sobre modelos de lenguaje: chatbots, agentes, pipelines de documentos, funcionalidades de IA dentro de software existente. La segunda ha creado una nueva especialización: el AI engineer. Este artículo describe qué implica ese rol en 2026, qué habilidades importan y una hoja de ruta práctica para un desarrollador backend, frontend o full-stack que quiera dar el salto. También sirve como mapa de mis otras guías sobre el tema.
Qué hace un AI engineer
El término se popularizó en 2023 con el ensayo de Shawn Wang The Rise of the AI Engineer, que describía un rol entre la ingeniería de software tradicional y el machine learning: personas que construyen productos con modelos fundacionales a través de APIs, en lugar de entrenar modelos. El libro de Chip Huyen AI Engineering (O'Reilly, 2025) formalizó la disciplina en torno a la adaptación de modelos fundacionales —prompting, RAG, fine-tuning, evaluación— y su despliegue en producción.
| ML engineer / científico de datos | AI engineer | |
|---|---|---|
| Punto de partida | Datos, entrenar un modelo | Un modelo fundacional preentrenado |
| Trabajo central | Ingeniería de características, entrenamiento, ajuste | Prompting, recuperación, herramientas, agentes, evaluación |
| Riesgo principal | Precisión del modelo | Comportamiento del producto, fiabilidad, coste, seguridad |
| Perfil típico | Estadística, investigación en ML | Ingeniería de software |
| Artefactos clave | Pipelines de entrenamiento, pesos del modelo | Prompts, conjuntos de evals, definiciones de herramientas, pipelines |
La buena noticia para los desarrolladores: la mayor parte del trabajo es ingeniería de software. APIs, pipelines de datos, testing, observabilidad, seguridad, control de costes —habilidades que ya tienes— son una gran parte. Lo nuevo es entender cómo se comportan los modelos y cómo medirlos.
Por qué la demanda es real
La Stack Overflow Developer Survey 2025 encontró que una gran mayoría de desarrolladores usa o piensa usar herramientas de IA, mientras que la confianza en su precisión sigue siendo limitada: justo la brecha que se paga a los AI engineers por cerrar, haciendo fiables las funcionalidades basadas en modelos. El Future of Jobs Report 2025 del Foro Económico Mundial sitúa la IA y el big data como las habilidades de más rápido crecimiento. En la práctica, casi todas las empresas de software tienen al menos una funcionalidad de IA en su hoja de ruta, y la mayoría necesita ingenieros capaces de llevarla a producción, no solo de hacer una demo.
La hoja de ruta
Etapa 1: fundamentos (2–4 semanas)
- Cómo funcionan los LLM a nivel conceptual: tokens, ventanas de contexto, muestreo, por qué las salidas no son deterministas, qué significa mecánicamente una "alucinación". Neural Networks: Zero to Hero de Andrej Karpathy es el mejor recurso a fondo si quieres ir más allá.
- Llamar a APIs de modelos: mensajes, prompts de sistema, streaming, uso de tokens, errores y límites de frecuencia. Construye una pequeña CLI o un chat con dos proveedores.
- El prompting como ingeniería: estructura, ejemplos, especificación de la salida, versionado; consulta prompt engineering para desarrolladores.
- Salida estructurada: esquemas JSON, validación, reintentos; consulta salidas estructuradas.
Proyecto: un clasificador de tickets que devuelva JSON validado, con 50 ejemplos etiquetados para medir la precisión.
Etapa 2: recuperación y conocimiento (3–6 semanas)
- Embeddings, chunking, búsqueda vectorial; consulta embeddings y chunking y bases de datos vectoriales.
- Pipelines RAG: búsqueda híbrida, reranking, citas, negarse cuando la respuesta no está en las fuentes; consulta RAG para empresas.
- Cuándo no usar RAG y cuándo tiene sentido el fine-tuning; consulta fine-tuning vs RAG vs prompting.
Proyecto: un asistente de preguntas y respuestas sobre un conjunto real de documentos (wiki de la empresa, documentación de producto) con citas, medido por recall@k y por lo fundamentadas que estén las respuestas.
Etapa 3: evaluación, la habilidad que separa a los juniors de los seniors
- Conjuntos de referencia, comprobaciones en código, LLM-as-a-judge con calibración, tests de regresión en CI; consulta cómo evaluar aplicaciones LLM.
- Elegir modelos con evidencias en lugar de rankings; consulta cómo elegir un LLM.
Los equipos coinciden en que lo más difícil de los productos de IA es saber si un cambio ha mejorado las cosas. Los ingenieros que pueden responder a esa pregunta con datos son los que reciben la confianza para los sistemas de producción.
Proyecto: añade una batería de evals a tu asistente de la etapa 2 y ejecútala en CI con cada cambio de prompt.
Etapa 4: herramientas y agentes (4–8 semanas)
- Llamadas a herramientas y diseño de herramientas; consulta diseño de herramientas para agentes LLM.
- Patrones de workflow frente a agentes autónomos; consulta arquitectura de agentes de IA.
- Context engineering para agentes de larga duración; consulta context engineering.
- Model Context Protocol para conectar agentes con sistemas de negocio; consulta MCP para empresas.
- Sistemas multiagente y cuándo compensan; consulta sistemas multiagente.
Proyecto: un agente que resuelva una tarea realista en un sistema de staging (por ejemplo, responder preguntas sobre pedidos con herramientas de solo lectura sobre un sandbox de ERP), con un paso de confirmación humana para cualquier escritura.
Etapa 5: ingeniería de producción (continua)
- Seguridad: prompt injection, mínimo privilegio, manejo de la salida; consulta seguridad de agentes de IA.
- Privacidad y cumplimiento: RGPD, anonimización de PII, Ley de IA de la UE; consulta privacidad en aplicaciones LLM y la guía de la Ley de IA de la UE.
- Fiabilidad: timeouts, reintentos, fallbacks, idempotencia; consulta fiabilidad de las APIs de LLM.
- Observabilidad: trazas, métricas de tokens y coste, evals en línea; consulta observabilidad de LLM.
- Coste: caché, procesamiento por lotes, routing; consulta optimización de costes de LLM.
- Opciones de despliegue: APIs frente a self-hosting; consulta LLM self-hosted.
Proyecto: lleva tu agente a un nivel "casi de producción": autenticación, rate limits, trazas, un panel de costes, un modelo de fallback y un runbook de incidentes documentado.
Rutas según el stack
No necesitas pasarte a Python. El ecosistema ya da soporte a los principales stacks:
- TypeScript / Next.js: Vercel AI SDK, Zod para esquemas, interfaces con streaming; consulta cómo crear un chat de IA en Next.js.
- Java / Kotlin: Spring AI o LangChain4j, pgvector, Micrometer; consulta la guía de Spring AI.
- Python: la mayor variedad de librerías para evaluación, procesamiento de datos y modelos self-hosted; útil de leer aunque construyas en otro lenguaje.
- ERP y sistemas de negocio: integrar IA con Odoo o plataformas similares es un nicho valioso; consulta integración de IA con Odoo y procesamiento de documentos con LLM.
Desarrollo asistido por IA: usa las herramientas con las que construyes
Un AI engineer también debe dominar las herramientas de programación con IA, tanto por productividad como para entender el comportamiento de los agentes desde el lado del usuario. Aprende a trabajar con agentes de programación de forma eficaz (buenas prácticas de agentic coding), conoce sus riesgos de seguridad (cómo asegurar el código generado por IA) y úsalos en revisión y en CI (revisión de código con IA, agentes de IA en CI/CD). Los equipos que adoptan estas herramientas necesitan personas capaces de fijar políticas y medir el impacto; consulta asistentes de programación con IA en un equipo.
Habilidades que siguen siendo valiosas aunque los modelos mejoren
Los modelos seguirán mejorando al escribir código y seguir instrucciones. Habilidades que ganan valor en lugar de perderlo:
- Planteamiento del problema: decidir qué debe hacer y qué no la IA, y cómo se mide el éxito.
- Diseño de evaluaciones: construir conjuntos de datos y evaluadores que reflejen el valor real para el usuario.
- Pensamiento sistémico: fiabilidad, seguridad, coste y flujos de datos entre componentes.
- Conocimiento del dominio: contabilidad, logística, derecho, salud, el contexto que les falta a los modelos.
- Comunicación: explicar con honestidad las limitaciones y los riesgos a personas no técnicas.
Recursos de aprendizaje
- La documentación de prompt engineering de Anthropic y sus cursos en GitHub.
- Los ensayos de ingeniería de Anthropic: Building effective agents y Effective context engineering.
- Los cursos cortos de DeepLearning.AI sobre RAG, agentes y evaluación.
- Chip Huyen, AI Engineering (O'Reilly, 2025).
- Los textos de Hamel Husain sobre evals, empezando por Your AI product needs evals.
Preguntas frecuentes
¿Necesito formación en matemáticas o en ML? No para la mayoría de los puestos de AI engineering. Entender conceptualmente cómo funcionan los modelos ayuda; el álgebra lineal y los algoritmos de entrenamiento se necesitan sobre todo si te orientas al fine-tuning o a la investigación.
¿Python o mi lenguaje actual? Construye en tu stack actual y lee Python. Muchas implementaciones de referencia y herramientas de evaluación son primero de Python.
¿Cuánto tarda la transición? Para un desarrollador con experiencia, de tres a seis meses de proyectos personales o encargos de trabajo enfocados para ser productivo; el criterio de producción crece con cada sistema que se lanza.
¿Qué debería incluir un portfolio? Un proyecto de extremo a extremo con batería de evals, observabilidad y un análisis escrito de los fallos y compromisos vale más que diez chatbots de demostración.
Fuentes
- Shawn Wang (2023). The Rise of the AI Engineer. Latent Space.
- Chip Huyen (2025). AI Engineering: Building Applications with Foundation Models. O'Reilly Media.
- Stack Overflow. Developer Survey 2025: AI.
- World Economic Forum. The Future of Jobs Report 2025.
- Anthropic (2024). Building effective agents.
- Andrej Karpathy. Neural Networks: Zero to Hero.