"AI Engineer" es de las búsquedas que más ha crecido en LATAM en los últimos dos años, y sigue siendo de las posiciones peor definidas en las ofertas de trabajo. Unas empresas buscan a alguien que sepa hacer fine-tuning, otras a alguien que solo sepa integrar la API de OpenAI, y otras ponen el título en un puesto que en realidad es de soporte de producto. Te cuento el roadmap que sí funciona, actualizado con lo que cambió este último mes: Claude Opus 5.5 el 24 de septiembre, Claude Sonnet 5.5 el 28, y GPT-6.1 Sol el 29, los tres en menos de una semana.
Qué hace un AI Engineer de verdad en 2026
Un AI Engineer no entrena modelos desde cero, eso lo hacen equipos de investigación en Anthropic, OpenAI o Google con presupuestos que ninguna empresa normal tiene. Lo que hace un AI Engineer es tomar esos modelos ya entrenados y construir sistemas confiables encima: pipelines de RAG que no alucinan con datos sensibles, agentes que ejecutan tareas de varios pasos sin perder el contexto, integraciones que sobreviven cuando el proveedor cambia de precio o de API de un mes a otro. Esa última parte importa más de lo que parece: con tres releases mayores en una semana, saber migrar sin romper producción es tan importante como saber construir.
El roadmap: en qué orden aprender esto
1. Fundamentos de Python y APIs. Sin esto no hay nada que construir. Si vienes de otro lenguaje o de análisis de datos, el curso de Python para todos y el de APIs con Python cubren justo lo que necesitas para no quedarte atascado en la sintaxis cuando empieces con LLMs. Calcula entre cuatro y seis semanas si partes de cero, menos si ya programas en otro lenguaje.
2. Cómo usar un LLM como herramienta, no como juguete. Antes de construir agentes, tienes que entender cómo exprimir un modelo de verdad: prompting estructurado, manejo de contexto largo, cuándo usar un modelo caro y cuándo uno barato. El curso de Claude Code es el punto de entrada más práctico para esto, porque aprendes con un caso de uso real (programar con un agente) en vez de ejercicios de juguete.
3. RAG: conectar un modelo con datos que no están en su entrenamiento. Es la habilidad que más piden en ofertas de trabajo de LATAM, porque casi toda empresa quiere un asistente que responda sobre sus propios documentos sin inventar respuestas. El curso de chatbots con tus datos te lleva de cero a un sistema funcionando, con los errores típicos de chunking y recuperación que nadie explica en los tutoriales rápidos.
4. Orquestación de agentes. Este es el salto de "usar IA" a "construir con IA": sistemas donde un agente decide qué herramienta usar, cuándo pedir ayuda a otro agente, y cómo recuperarse de un error sin intervención humana. Aquí es donde entra LangChain y LangGraph, las dos librerías que más se usan en producción hoy.
El error más común: saltarse pasos
La mayoría de personas que escriben pidiéndome consejo ya intentaron construir un agente complejo con LangGraph sin haber trabajado antes un RAG simple, y se frustran cuando nada funciona como en el tutorial de YouTube. El roadmap no es una lista de temas sueltos, es una secuencia donde cada paso resuelve un problema que vas a necesitar en el siguiente. Si no entiendes por qué un chatbot con RAG a veces responde mal, te va a costar el doble depurar un agente que usa ese mismo RAG como una de sus diez herramientas.
Lo que cambió esta semana (y por qué te importa)
Hasta hace poco, el consejo estándar era "aprende a usar el modelo más potente disponible". Ya no. Con Opus 5.5, Sonnet 5.5 y GPT-6.1 Sol saliendo casi simultáneos, la habilidad real es saber elegir: un modelo barato tipo Sol para las mil llamadas diarias de tu pipeline, y uno top de gama solo para el 5% de los casos que de verdad lo necesitan. Las empresas que contratan AI Engineers en 2026 ya no preguntan "¿sabes usar GPT?", preguntan "¿cómo diseñarías el sistema para que no se dispare el costo cuando triplique el volumen?".
- ▸Multi-model routing: decidir en tiempo de ejecución qué modelo usar según la tarea, no hardcodear uno solo.
- ▸Observabilidad de agentes: saber por qué un agente falló, no solo que falló.
- ▸Control de costos: medir tokens por tarea y poner límites, porque sin eso un bug en un loop de agente te puede costar miles de dólares en una noche.
El portafolio que de verdad impresiona en una entrevista
Olvídate de los diez proyectos de "chatbot con PDF" que ya tiene todo el mundo en su GitHub. Lo que destaca en una entrevista es un proyecto con una decisión de arquitectura explicada: por qué elegiste RAG en vez de fine-tuning, por qué ese agente usa dos modelos distintos según la tarea, qué hiciste cuando el costo se te disparó en pruebas. Un proyecto mediocre bien documentado vale más que cinco proyectos perfectos sin ninguna explicación del porqué.
Cuánto tiempo toma esto en la práctica
Si dedicas entre ocho y diez horas semanales, el roadmap completo —desde fundamentos hasta un proyecto de agentes funcionando— toma entre cinco y siete meses para alguien que ya sabe programar, y uno o dos meses más si partes de cero en programación. No es un curso de fin de semana, y cualquiera que te prometa "AI Engineer en 30 días" te está vendiendo humo. Lo que sí puedes acelerar es la parte de fundamentos si ya tienes experiencia previa con datos o backend.
Una habilidad que no está en ningún curso: documentar decisiones
Lo que distingue a un AI Engineer junior de uno con dos años de experiencia casi nunca es la librería que domina, es la costumbre de anotar por qué eligió cada cosa: por qué ese chunk size y no otro, por qué ese modelo y no el más barato, qué pasó la primera vez que lo probó en producción. Esa costumbre no se aprende en un curso, se construye proyecto a proyecto, y es justo lo que un entrevistador técnico detecta en cinco minutos de conversación.
Cuánto se gana y por dónde empezar en serio
El salario de un AI Engineer en LATAM ya supera cómodamente al de un desarrollador backend tradicional con la misma antigüedad, lo cubrimos con cifras reales en otro post. Si quieres el camino completo, estructurado y con proyectos reales en vez de ir armando el roadmap curso por curso, la ruta AI Engineer de DataPath cubre justo esta progresión de principio a fin.
Y si tu interés es más hacia construir sistemas multi-agente complejos que hacia desarrollo general, vale la pena mirar directo la especialización en agentes en vez de pasar primero por todo el roadmap genérico.
La rama más específica de esto es la ruta AI Agentic Engineer, pensada para quien ya programa y quiere enfocarse en orquestación de agentes de entrada.
Si prefieres aprender en comunidad, viendo cómo otros resuelven estos mismos problemas en vivo, cada semana hay un taller abierto en la Comunidad AI Builders, es un buen punto intermedio antes de meterte a un programa completo.
Para arrancar: revisa la ruta AI Engineer, el curso de Claude Code, o toda la oferta de cursos de DataPath.
