El mapa del ingeniero de IA trazado con 40.000 ofertas: código, agentes, RAG y nube

Baraa pasó dos meses construyendo un sistema que corre a diario y recolectó más de 40.000 ofertas de datos e IA de más de 10.000 empresas en 100 países; más de 4.000 de esas ofertas buscan ingenieros de IA. El rol es muy nuevo y las plataformas cambian a ritmo vertiginoso, así que no hay una hoja de ruta única en la que todos coincidan y la mayoría son opiniones. El mantra del vídeo es claro: sin datos solo eres otra persona con una opinión. Por eso toda la narrativa avanza sobre ofertas reales y desglosa qué esperan las empresas de un ingeniero de IA — habilidades, herramientas, salarios, tareas del día a día — y suma el rol en rápido ascenso del ingeniero forward deployed.

¿Quién es un ingeniero de IA? En el encuadre del vídeo es un ingeniero de software que construye aplicaciones con modelos de IA, con una fina capa de ingeniería de datos que mueve y alimenta los datos del sistema. Suena simple hasta que abres los portales y aparece el caos. El mayor cluster son ingenieros de IA, pero el mismo puesto viaja con muchos nombres: applied AI, gen AI, generative AI, agentic AI convergen en el mismo núcleo. Alrededor hay grupos más pequeños: investigador, arquitecto, gestor de producto. Y el ingeniero forward deployed, inexistente hace dos años y ahora en curva ascendente. El ruido de títulos muestra que el mercado aún no ha normalizado el concepto.

El método de análisis de habilidades es sorprendentemente simple. Baraa escanea la sección “qué buscamos” y respeta el ranking interno de cada oferta; la mayoría son largas wish-lists que nadie puede cumplir al completo, las líneas superiores son must-have y las inferiores nice-to-have. La frecuencia importa, pero la posición también. El vídeo agrupa menciones en clusters para que emerjan patrones en lugar de contar herramientas una a una. El segmento de formación patrocinada se destila aquí en una frase neutra: un ejemplo de itinerario que empieza con Python práctico y luego enseña juntos LLMs, agentes, RAG y operación, con primeros capítulos probables gratis.

Habilidades más buscadas y el trío central

La cima de la lista no sorprende. Python es el número uno indiscutido, casi cada puesto depende de él; segundo viene la capacidad de trabajar con grandes modelos de lenguaje. En el cluster de lenguajes Python domina y las menciones de TypeScript y SQL quedan marginales. La recomendación sigue los datos: domina Python hasta temas avanzados y añade SQL como segundo lenguaje si lo necesitas. El mensaje es primero ingeniero, luego IA. La elección del lenguaje es una decisión de herramienta, no la tesis. El peso de Python encaja con la tesis de que el ingeniero de IA usa modelos en lugar de entrenarlos desde cero.

Dentro del cluster de habilidades de IA se separa un trío central: LLMs arriba, seguidos por agentes de IA y RAG. El vídeo da definiciones funcionales nítidas: el LLM es el modelo dentro de tu aplicación, un agente conecta ese modelo a herramientas para que actúe, y RAG busca en documentos de la empresa y alimenta al modelo para frenar alucinaciones. Lo que sigue a este trío corrige un malentendido común: no necesitas entrenar modelos desde cero, ni un PhD ni matemática profunda. Ese es el trabajo del científico de datos. El trabajo del ingeniero de IA es construir el sistema; el científico descubre el modelo. Una vez clara la frontera, el camino se simplifica.

Para herramientas y plataformas el vídeo aboga por la simplificación. En modelos un solo LLM potente basta, GPT o Claude, Baraa usa Claude a diario pero cambiar es normal; PyTorch y TensorFlow pueden quedarse a un lado por ahora porque tratan de entrenamiento, que no es el núcleo. En frameworks y ecosistema destacan LangChain y LangGraph, con APIs de OpenAI y Hugging Face más bases vectoriales alrededor. En nubes AWS lidera, seguido de Azure y Google; no intentes aprender las tres, elige una, el empuje general va hacia AWS con la nota de que Europa se inclina más hacia Azure. La decisión debe ajustarse al mercado local.

El cluster de despliegue es la nota más enfática del vídeo. Construir la app no cierra el trabajo, hay que saber llevarla al entorno objetivo. La lista empieza con APIs, luego CI/CD y Docker. Baraa señala el error más visto: candidatos aprenden a construir y saltan cómo desplegar. La línea entre quien trastea en casa y un ingeniero se traza exactamente ahí. Pasar de una máquina local a producción es el diferenciador. El despliegue no es un nice-to-have, es la señal de carrera.

Tareas diarias, salario y anatomía del nuevo rol

Tras las habilidades llega la parte más honesta: qué harás realmente cada día. Se aplica la misma lectura sensible al ranking, ahora a la sección “qué harás”. Número uno construir aplicaciones LLM, número dos construir agentes de IA para automatización de procesos — no demos de chatbot sino sistemas que siguen un plan, llaman herramientas y terminan el trabajo. Número tres desplegar en la nube y vigilar, si producción se rompe lo arreglas. Número cuatro, y el más duro, la evaluación: medir resultados con baterías de pruebas y puntuaciones. Llamar a un modelo es fácil, responder si podemos confiar en el resultado es difícil; ahí se forma la ventaja.

Más allá de los titulares están las tareas que completan el día: colaboración entre equipos, integración del modelo con sistemas existentes, mantenimiento de backends y APIs, mantener vivo el RAG, y gestión de seguridad y cumplimiento. Baraa resume el día en una frase: construye la IA y el software a su alrededor, desplíegala, vigílala, mide si es digna de confianza. Esos cuatro verbos son el esqueleto de la descripción del ingeniero de IA. El vídeo presenta ese esqueleto con peso igual en frecuencia y responsabilidad; desplegar y vigilar son tan legítimos como construir.

Llegan dos temas sensibles: paga y credenciales. Baraa avisa al inicio que las cifras vienen solo de Estados Unidos y solo alrededor del 30 por ciento de ofertas US menciona salario, y el cuadro cambia radicalmente por país. Para dar escala comparte promedios US: alrededor de 150k para junior, 200k para senior, 235k para lead. Comparados con ingenieros de datos, los de IA están por encima en cada nivel y las empresas pagan prima para volverse AI-driven. Sobre titulaciones la mitad de ofertas ni las menciona, entrar sin título es realista aunque un título mejora probabilidades. Los certificados aún más pálidos, mencionados en menos del 3 por ciento de ofertas; coleccionar insignias no es el juego, un proyecto de portafolio extremo a extremo pesa mucho más y te da una historia para contar en entrevistas.

Ahora al primo prometido: el ingeniero forward deployed. Definición corta: ingeniero de soluciones para IA. El problema industrial es familiar, cientos de proyectos se construyen rápido pero mueren rápido porque nunca se integran con sistemas núcleo, quemando dinero y tiempo. El FDE cierra esa brecha: escucha requisitos del cliente y acompaña paso a paso hacia un sistema IA integrado, adueñándose del recorrido completo. El ejemplo bancario aclara la diferencia: un banco contrata un ingeniero de IA para construir dentro, mientras vendedores de plataforma como Databricks, OpenAI o Anthropic envían su FDE al sitio del cliente para que la plataforma realmente funcione allí. La tendencia se acelera del lado vendedor.

FDEs e ingenieros de IA comparten las mismas habilidades, los estilos de vida divergen. Los relevamientos del vídeo son llamativos: más del 80 por ciento de ofertas FDE incluyen una tarea sobre sistemas del cliente, la mitad menciona viajes, y se solicitan con frecuencia ex ingenieros de soluciones. Ambos construyen lo mismo, pero uno construye dentro de la empresa y el otro vive en el sitio del cliente con la plataforma. La elección es una preferencia de carrera sobre dónde quieres construir. El ingeniero de IA construye directamente dentro, el FDE integra fuera.

La hoja de ruta condensa ahora toda esta evidencia en un plan por fases claro. Fase uno: dominar realmente Python, no solo lo básico sino temas avanzados. Justo después aprender APIs y Git más CI/CD; una aplicación IA es en el fondo un servicio que otro software llamará y tu sistema debe responder. Desde esa base pasar al núcleo de IA: primero entender LLMs, qué pueden y no pueden hacer y cómo controlar su comportamiento, luego agentes donde el modelo llama herramientas, sigue un plan y completa tareas. Luego viene RAG: construir una base vectorial, alimentarla con datos de empresa para que el modelo responda desde documentos en lugar de inventar. Y el anillo que no debe saltarse: la evaluación, probar que el sistema que construiste es digno de confianza.

Fase tres son decisiones de herramientas y plataformas: elige LangChain o LangGraph, piénsalo junto a un proveedor de IA y capa vectorial, para nubes la deriva general va hacia AWS pero verifica práctica local. El final es lo más importante: un proyecto de portafolio extremo a extremo construido en torno a un caso de uso real. Más allá de demo de chat o preguntas sobre PDF: un conjunto RAG más agente que responde desde documentos y actúa, idealmente servido vía FastAPI, medido con un set de evaluación de 15 preguntas, comparado cambiando prompts y puntuando de nuevo, endurecido con reglas de rechazo y capas de velocidad y seguridad. El paso de cierre es el despliegue: un contenedor, un pipeline que testea cada cambio, una nube y una semana de observación de logs en vivo. La historia que contarás en entrevistas no serán insignias sino este cuidado extremo a extremo. La nota final del vídeo es equilibrada: la ingeniería de IA está entre las ramas mejor pagadas y no exige PhD, pero como las herramientas envejecen rápido el mayor riesgo es que lo aprendido caduque; el mapa debe mantenerse vivo con actualizaciones continuas.