Contratar perfiles de IA en 2026: qué mirar más allá del CV

Abres el proceso, publicas la oferta y a los pocos días tienes una pila de CV que dicen casi lo mismo: LLM, RAG, agentes, prompt engineering. Todos parecen saber de IA. Y cuando empiezas a entrevistar descubres que detrás de esas palabras hay perfiles que no se parecen en nada, y algunos que solo han hecho un par de tutoriales.

Es una de las conversaciones que más estamos teniendo este año con empresas tecnológicas. La petición suele llegar así: “necesitamos a alguien de IA”. Nuestra primera pregunta siempre es la misma. ¿Para hacer qué?

“Alguien de IA” son seis perfiles distintos

El que más se busca hoy es el AI engineer, la persona que construye producto sobre modelos que ya existen. Integra APIs, monta sistemas de recuperación de información (RAG) o agentes, los evalúa y los lleva a producción. Su base es casi siempre la ingeniería de software, y eso importa mucho, como veremos.

El machine learning engineer, en cambio, entrena, ajusta y despliega modelos propios, y se mueve con soltura entre pipelines de datos, entrenamiento, métricas y servicio de modelos. A su lado suele aparecer el perfil de MLOps o plataforma de ML, que se ocupa de la infraestructura: despliegue, monitorización, versionado de datos y modelos, costes. El data scientist analiza datos, diseña experimentos y construye modelos para responder preguntas de negocio. El research scientist trabaja en la frontera, a menudo publicando, y sinceramente tiene sentido en muy pocas empresas. Y por último el product manager de IA, que decide qué problemas merece la pena resolver con IA, cómo se mide el éxito y qué se hace de cara al usuario con las limitaciones de los modelos.

Más de una vez hemos visto a una empresa convencida de que necesitaba un perfil de investigación cuando lo que le faltaba era un buen AI engineer. Y casi igual de a menudo, una empresa que buscaba un AI engineer y antes necesitaba a alguien que pusiera orden en sus datos. Aclarar esto antes de salir al mercado te ahorra meses.

Lo que de verdad distingue a un buen AI engineer

No es conocer la herramienta de moda. Un sistema con LLM sigue siendo software y necesita tests, gestión de errores, observabilidad y un despliegue en condiciones. Sin esa base, los prototipos se quedan en demo y nunca llegan a producción.

Lo que más diferencia a los buenos, en nuestra experiencia, es la mentalidad de evaluación. Pregúntale cómo sabe si un cambio en el prompt o en el modelo mejora el sistema o lo empeora. Quien ha trabajado en serio te hablará de conjuntos de evaluación que ha construido. Quien no, te dirá que lo probó con unos cuantos ejemplos y “iba mejor”.

También cuenta el criterio sobre coste y latencia: elegir modelo, cachear, reducir llamadas o darse cuenta de que un modelo pequeño basta. Son decisiones que se notan directamente en la cuenta de resultados. Añade el conocimiento de riesgos como la inyección de prompts, la fuga de datos o las respuestas inventadas, y cómo mitigarlos. Y algo que valoramos mucho: saber cuándo no usar IA. Un buen perfil a veces te propone una regla sencilla o una búsqueda clásica, y tiene razón.

Perfiles de ML y de producto

Con machine learning engineers y data scientists, empieza por los fundamentos. Sobreajuste, fugas de datos entre entrenamiento y test, métricas que tengan sentido para el problema. Después, busca experiencia con datos reales y desordenados, no solo con los datasets de ejemplo de siempre, y capacidad de llevar un modelo a producción y mantenerlo vivo, vigilando la deriva, reentrenando y versionando. Y no subestimes la comunicación. Saber explicar un resultado a alguien no técnico, incertidumbre incluida, es lo que hace que el trabajo se use.

En un product manager de IA damos por hecho lo habitual de producto y miramos además otras cosas. Que entienda los modelos lo bastante para saber qué es viable. Que defina métricas de calidad que vayan más allá de “a los usuarios les gusta”. Que piense en la experiencia para cuando el modelo se equivoca, con revisión humana, avisos o alternativas. Y que conozca el Reglamento de IA de la Unión Europea lo suficiente como para saber cuándo llamar al equipo legal.

Preguntas que no se responden con vocabulario

Estas son algunas de las que mejor nos funcionan en entrevista:

• “Cuéntame un sistema con IA que hayas llevado a producción. ¿Qué falló en las primeras semanas?”
• “¿Cómo medías la calidad de las respuestas? ¿Qué hacías cuando la métrica y la opinión de los usuarios no coincidían?”
• “¿Cuándo has decidido no usar un modelo, o pasarte a uno más pequeño?”
• “¿Cuánto costaba cada petición y cómo lo bajaste?”

Fíjate menos en lo que dicen y más en cómo lo dicen. Las respuestas que se quedan en lo genérico o en la lista de herramientas nos hacen desconfiar. Las buenas traen números aproximados, problemas concretos y decisiones con sus contrapartidas.

Si quieres añadir una prueba práctica, que sea corta y se parezca al trabajo. Para un AI engineer nos gusta este formato: le das un pequeño conjunto de documentos y unas preguntas de ejemplo, construye una primera versión de un sistema que responda y, sobre todo, propone cómo evaluarlo. La conversación posterior sobre qué mejoraría y cómo lo mediría dice bastante más que el resultado. Avisa de antemano si puede usar asistentes de IA durante la prueba. En la mayoría de puestos lo realista es permitirlo y fijarte en cómo los usa.

Las señales que nos hacen frenar

Hay patrones que vemos repetirse. CV con listas larguísimas de herramientas y ningún ejemplo de impacto. Demos muy vistosas sin ninguna forma de medir si funcionan bien. Poca base de ingeniería en puestos donde lo que se pide es poner sistemas en producción. Y dificultad para hablar de las limitaciones de los modelos, que suele indicar que nunca se han peleado con ellas en un entorno real.

Ninguna de estas señales descarta a nadie por sí sola, pero si aparecen varias juntas merece la pena rascar más.

Antes de publicar la oferta

Si te quedas con una sola idea, que sea esta: escribe en una frase qué tendrá que haber construido esta persona dentro de seis meses. Si no puedes, todavía no sabes qué perfil buscas, y ninguna entrevista lo va a arreglar.

Ese ejercicio es justo por donde empezamos cuando una empresa nos pide ayuda con un puesto de IA. Si estás en ese punto, cuéntanos qué tienes entre manos.