Hace cuatro días OpenAI lanzó Dots, agentes que trabajan solos sin que les escribas cada paso. La semana anterior Microsoft rearmó Copilot alrededor de Autopilot, y Google sigue empujando Gemini Enterprise para que las empresas orquesten agentes puertas adentro. Si todavía crees que "aprender IA" es aprender a escribir mejores prompts en ChatGPT, ese tren ya se fue. Ahora las empresas buscan gente que sepa construir estos agentes, no solo usarlos. Ese es el trabajo del AI Agentic Engineer.
Qué hace un AI Agentic Engineer (y en qué se diferencia de un AI Engineer)
Un AI Engineer integra un LLM a un producto: un chatbot, un buscador semántico, un asistente de soporte. Un AI Agentic Engineer va un paso más allá: diseña sistemas que toman decisiones en varios pasos, mantienen estado entre esas decisiones, usan herramientas externas (una API, una base de datos, un CRM) y saben cuándo pedir ayuda humana en vez de improvisar. Dots, Autopilot y Gemini Enterprise son versiones genéricas de esto. Las empresas van a querer su propia versión, entrenada con sus reglas y sus datos, y ahí es donde entra este rol.
En la práctica, el día a día se parece más a ingeniería de software que a "jugar con prompts": diseñar el flujo de decisiones, escribir pruebas para casos límite, medir qué tan seguido el agente se equivoca y por qué, y ajustar el sistema cuando el proveedor del modelo saca una versión nueva y algo que funcionaba deja de funcionar igual.
Un ejemplo real: una fintech quiere un agente que apruebe solicitudes de crédito pequeñas sin intervención humana. El modelo en sí (sea GPT, Claude o Gemini) es la parte fácil. Lo difícil es decidir qué pasa cuando el solicitante tiene información incompleta, cómo registras la decisión para una auditoría, y qué umbral de confianza exige escalar a una persona. Eso no viene en ningún framework; lo diseña el AI Agentic Engineer junto al área de negocio.
El roadmap en orden real (no el ideal de un curso)
1. Fundamentos sólidos. Python, APIs REST y entender de verdad cómo funciona un LLM por dentro, no memorizar prompts que dejan de servir con el siguiente modelo. La ruta AI Engineer cubre esta base antes de meterte con agentes. Si te saltas este paso, vas a pasar más tiempo depurando errores de Python que diseñando agentes.
2. El salto de chatbot a agente. Aquí es donde entra LangGraph: te da el estado y los ciclos que un chatbot normal no tiene. Un agente que puede volver a intentar, corregirse o esperar una confirmación antes de seguir ya dejó de ser un chatbot con esteroides. Aquí es también donde aprendes a modelar tu lógica de negocio como un grafo de decisiones, en vez de una cadena de prompts que se rompe apenas cambia el input.
3. Sistemas multi-agente. Cuando una tarea necesita varios roles especializados coordinados, como probablemente hacen los subagentes de un Dot por dentro, un solo agente ya no alcanza. CrewAI está hecho justo para repartir ese trabajo entre agentes que se comunican entre sí: uno investiga, otro redacta, otro revisa, y cada uno puede fallar sin tumbar a los demás.
4. Producción de verdad. Memoria persistente, observabilidad (ver qué hizo el agente y por qué), control de costos por token y guardrails que evitan que el agente haga algo que no debía. Esta es la parte que separa un demo bonito de algo que una empresa realmente pone a correr todos los días, y es también donde más tiempo vas a pasar una vez que consigas trabajo: nadie te paga por la demo, te pagan por que no se caiga en producción.
Esto incluye cosas que ningún tutorial de 20 minutos te muestra: trazar cada llamada que hace el agente (qué herramienta usó, qué le respondió, cuánto tardó), poner límites de gasto por sesión para que un loop infinito no te queme el presupuesto mensual en una noche, y versionar los prompts como versionas el código, porque un cambio de una palabra puede romper un flujo que llevaba meses funcionando bien.
No necesitas dominar diez herramientas de observabilidad distintas. Con saber trazar cada paso del agente (qué pensó, qué herramienta llamó, qué le respondió) y con un set de casos de prueba que corres cada vez que cambias un prompt, ya cubres el 80% de lo que un equipo pequeño necesita para dormir tranquilo con un agente en producción.
Lo que nadie te dice: la parte difícil no es lograr que el agente responda bien una vez en la demo. Es que no se rompa la vigésima vez, con un input que nadie anticipó.
5. El salto final: diseñar el sistema completo, no módulos sueltos. Ahí vive de verdad el rol de AI Agentic Engineer, y ese camino completo, con proyectos reales en vez de ejercicios aislados, es justo lo que empaqueta la ruta AI Agentic Engineer.
Errores comunes de quien recién empieza
- ▸Empezar por el framework más nuevo en vez de por los fundamentos: sin entender qué hace un LLM por dentro, LangGraph o CrewAI son solo magia que no sabes depurar
- ▸Construir un agente con permisos de escritura total "porque funciona mejor así": funciona mejor hasta que falla, y cuando falla con permisos de escritura, el daño es real
- ▸No medir nada: si no sabes qué porcentaje de las veces tu agente se equivoca, no tienes un sistema en producción, tienes un experimento con suerte
Cómo demostrar que sabes hacer esto (sin tener el puesto todavía)
Un portafolio con dos o tres agentes reales (no diez tutoriales copiados) pesa más que cualquier certificado. Documenta qué problema resolvía el agente, qué decidiste sobre permisos y memoria, y qué tan seguido fallaba antes y después de ajustarlo. Eso es exactamente lo que un líder técnico pregunta en una entrevista, porque es exactamente lo que va a necesitar que resuelvas en el trabajo real.
Cuánto se gana y qué tan real es la demanda en LATAM
La demanda no es una proyección a futuro: ya está pasando. Empresas que hace un año solo querían un chatbot de atención al cliente hoy piden agentes que gestionen procesos completos. Ya documentamos los números reales de salarios en LATAM en cuánto gana un AI Agentic Engineer, y el rol sigue siendo de los que más rápido crecieron este año.
Cómo empezar esta semana, no "algún día"
No necesitas dominar los cinco pasos antes de empezar. Toma un caso chico (un agente que lea tus correos y arme un resumen diario, por ejemplo) y constrúyelo con LangGraph de principio a fin. Vas a tropezar con los mismos problemas que resuelve un Dot por dentro: memoria, permisos, qué hacer cuando algo falla. Esa fricción es exactamente donde se aprende el oficio, y es mucho más útil que ver diez videos seguidos sin escribir una línea de código.
Si quieres practicar esto junto a otras personas que están en el mismo punto, cada semana hay un taller en vivo en la Comunidad AI Builders, desde 19 USD al mes.
Y si ya decidiste que este es el camino en serio, la ruta AI Agentic Engineer te ahorra la parte de ensayo y error, con el resto de cursos de agentes de IA disponibles si quieres ir módulo por módulo.
